Machine learning para manutenção preditiva em usinas fotovoltaicas de grande escala

Da pv magazine Global

Cientistas da Malásia e da Tailândia desenvolveram um novo modelo de aprendizado de máquina para prever as necessidades de manutenção de usinas solares fotovoltaicas em grande escala. De acordo com um artigo científico publicado recentemente divulgando os esforços, o modelo utiliza duas técnicas de aprendizado de máquina – K-Means e memória de longo e curto prazo (LSTM) – e tem um erro quadrático médio (RMSE) de 0,7766. O objetivo da ferramenta é superar a “falhas de detecção e classificação” frequentemente encontrada em sistemas operacionais tradicionais, afirma a publicação.

“A operação e manutenção convencional (O&M) de sistemas solares fotovoltaicos não utiliza aprendizado de máquina para detecção e classificação de falhas”, afirma o documento. “Isso representa desafios para os operadores de usinas, especialmente aqueles que gerenciam usinas fotovoltaicas solares (LSS) de grande escala, que normalmente dependem de abordagens manuais para examinar grandes quantidades de dados elétricos e inspecionar vários painéis de strings. Consequentemente, o custo de O&M é alto.”

K-Means é um algoritmo para segmentação de dados e agrupa pontos de dados semelhantes em clusters. Os pesquisadores usam o algoritmo para agrupar a corrente elétrica dos módulos de string com fatores ambientais, como irradiância global e temperatura do módulo. Um centro ou ponto médio é então criado para o cluster representar o comportamento típico.

Em seguida, entra em ação a técnica LSTM, treinada em dados históricos. A técnica visa detectar anomalias na corrente elétrica prevista dos módulos de string, o que alertaria os operadores sobre as necessidades de manutenção.

“LSTMs podem lidar com dados sequenciais com entrada de comprimento variável usando mecanismo de porta para decidir quais informações são importantes para persistir e quais descartar em cada intervalo de tempo, fazendo assim previsões com base nas tendências e padrões passados na sequência de entrada”, afirma o artigo. “Os LSTMs podem fazer isso usando um tipo especial de célula de memória que pode armazenar informações por longos períodos de tempo, bem como portas que controlam o fluxo de informações para dentro e para fora da célula”.

Os dados para o treinamento, bem como a análise de precisão do método, baseiam-se em informações provenientes de uma usina solar fotovoltaica de grande escala localizada no centro da Malásia. Um turnkey e um subinversor foram usados como casos de teste, monitorando 420 módulos string e um total de 8.400 módulos fotovoltaicos. Comparado com os dados coletados, o modelo apresenta um erro quadrático médio (RMSE) de 0,7766.

O erro relativo é então comparado com o número definido pelo modelo de benchmark baseado em Rede Neural Artificial (RNA). “LSTM e RNAs são frequentemente comparados porque ambos pertencem a redes neurais e são comumente usados em várias tarefas de processamento de linguagem natural, visão computacional e reconhecimento de fala”, afirma o artigo. Eles descobriram que o LSTM é mais preciso, com um erro relativo médio do LSTM de 4,316% e um erro relativo da RNA de 4,363%.

O algoritmo foi descrito no estudo “Anomaly detection using K-Means and long-short term memory for predictive maintenance of large-scale solar (LSS) photovoltaic plant”, que foi publicado recentemente no Energy Reports. O grupo de pesquisa foi formado por cientistas da Universidade de Tecnologia da Malásia e da Universidade Chiang Mai Rajabhat.