Monitoramento Estatístico de Deriva em Piranômetros: Como Garantir Dados Confiáveis em Usinas Solares
March 27, 2025
5 min

Monitoramento Estatístico de Deriva em Piranômetros: Como Garantir Dados Confiáveis em Usinas Solares

Descubra como a Delfos está transformando o O&M solar com métodos estatísticos avançados para detectar o desvio do piranômetro, garantindo dados confiáveis, manutenção otimizada e melhor rendimento de energia

Para que uma usina solar fotovoltaica funcione de forma eficiente e confiável, é crucial garantir que a medição da radiação solar seja precisa. Afinal, é a partir desses dados que conseguimos avaliar o desempenho dos equipamentos e tomar decisões sobre operação e manutenção (O&M). Mas, você sabia que os sensores que captam essa radiação — os piranômetros — podem apresentar uma deriva natural de até ±2% ao ano? E em algumas condições ambientais adversas, esse desvio pode ser ainda maior, comprometendo a análise de performance.

A equipe técnica da Delfos Energy desenvolveu e testou duas metodologias estatísticas inovadoras para monitorar automaticamente a deriva dos piranômetros. Os resultados deste estudo foram publicados na EU PVSEC (European Photovoltaic Solar Energy Conference and Exhibition) e podem trazer grandes ganhos para quem trabalha com O&M em energia solar. Vamos destrinchar essas descobertas.

O Desafio: Detectar Deriva Antes que Vire Problema

Os piranômetros precisam ser calibrados periodicamente para garantir precisão, mas fatores como temperatura elevada, sujeira e envelhecimento podem antecipar desvios nos dados. Detectar esses desvios cedo significa evitar perda de produção e otimizar custos de manutenção.

Foi justamente para isso que a Delfos desenvolveu duas abordagens que usam a comparação entre sensores vizinhos na mesma estação meteorológica para "vigiar" uns aos outros.

Metodologia 1: Simples e Direta, com Faixas de Confiança

A primeira metodologia parte de um princípio lógico: sensores iguais, sob as mesmas condições, devem apresentar medições muito próximas. Assim, foi calculada a diferença diária entre cada sensor e a média dos outros dois sensores vizinhos em quatro usinas solares no Brasil, com dados históricos de 30 meses.

Durante o período "saudável" (logo após calibração), essas diferenças formam um padrão estatístico. Foi utilizado o método do Intervalo Interquartil (IQR) para definir limites superiores e inferiores aceitáveis para essas diferenças. Sempre que, durante a operação, um sensor ultrapassava esses limites, era gerado um alerta automático.

Resultado: Essa abordagem funcionou bem, especialmente durante períodos de alta irradiância, quando os sensores sofrem mais estresse térmico.

Limitação: Os alertas diminuíram durante os períodos de baixa irradiância, permitindo que desvios sutis passassem despercebidos.

Metodologia 2: Refinamento com Segmentação e Alertas Graduais

Para resolver essa limitação, foi criada uma segunda metodologia, mais sofisticada. Ela segmenta os dados por faixas de radiação (baixa, média, alta e muito alta) e analisa as diferenças entre sensores por essas categorias. Além disso, introduziu dois níveis de aviso: "warning" (alerta leve) e "alarm" (alerta crítico).

Outro diferencial é que o monitoramento é feito com uma janela móvel de 7 dias, o que suaviza variações momentâneas e permite perceber tendências.

Resultado: Essa segunda abordagem conseguiu gerar alertas consistentes mesmo na baixa temporada solar, tornando-se uma ferramenta mais robusta para o dia a dia das equipes de O&M.

Imagem: Fluxo de trabalho para os métodos I e II

Conclusão: Como Isso Pode Ajudar na Prática?

Implementar essas metodologias no monitoramento diário permite que as equipes de O&M sejam notificadas rapidamente sobre qualquer sensor que esteja desviando do comportamento esperado. Isso significa:

  • Inspeções mais direcionadas e eficientes
  • Redução de custos com manutenção corretiva não planejada
  • Maior confiabilidade dos dados de radiação para avaliar performance e garantir receitas

Além disso, a Delfos já vislumbra próximos passos: explorar técnicas de Machine Learning, como Regressão Linear ou XGBoost, para potencialmente melhorar a consistência dos alertas, especialmente considerando diferentes sazonalidades da radiação.

Sobre os Autores e a Publicação

Este estudo foi conduzido por Lucas T. Silva, Rodrigo S. Queiroz, Nathianne M. Andrade e Danielle B. Cavalcante, especialistas da Delfos Energy, e apresentado na EU PVSEC 2024, um dos principais eventos mundiais de energia solar.

Para acessar o estudo completo e conteúdo rico, preencha o formulário abaixo:

Agende uma reunião

Vamos nos conectar e criar novas parcerias

entre em contato conosco

Custom Renewable Energy Solutions

Entre em contato conosco hoje mesmo para conversar sobre suas necessidades de energia renovável. Juntos, encontraremos a solução ideal para a sua empresa.

Ao clicar em “Aceitar todos os cookies”, você concorda com o armazenamento de cookies em seu dispositivo para melhorar a navegação no site, analisar o uso do site e auxiliar em nossos esforços de marketing. Consulte nossa Política de Privacidade para obter mais informações.
Lorem ipsum
Lorem ipsum