Detecção de Problemas em Usinas Solares: Por Que Um Modelo Só Não Bastou

Uma usina solar parece simples até o momento em que precisamos decidir se existe de fato algum problema. A geração caiu: foi uma nuvem, temperatura alta do módulo, sujeira, um inversor com dificuldade, um sensor ruim ou uma falha real? Se a resposta for apenas “a potência caiu”, toda tarde nublada vira uma emergência. Ninguém merece esse dashboard.

Foi por isso que voltei a um tema que já tinha me causado uma quantidade respeitável de sofrimento durante a minha tese de IA: detectar perda de desempenho em usinas solares. Desta vez, em vez de tentar fazer um único algoritmo carregar o projeto inteiro nas costas, montei um pequeno fluxo em que cada modelo tem uma função clara.

O projeto completo em notebooks está no GitHub.

As medições brutas vêm do conjunto Solar Power Generation Data, de Anikannal, no Kaggle.

Começar pelo normal, não pela falha

O primeiro passo foi quase chato — e é justamente por isso que era importante. Antes de prever qualquer coisa, verifiquei se os dados se comportavam como dados solares deveriam. As medições da Planta 1 não têm valores nulos nas colunas carregadas, têm boa completude temporal e mostram um ciclo diário muito claro: quase nada de geração à noite, subida pela manhã, pico ao meio-dia e queda no fim da tarde.

Isso parece óbvio, mas muda todo o problema. Um valor baixo à meia-noite não é uma anomalia. Um valor baixo com irradiação alta pode ser. Ou seja: potência bruta não é o sinal; potência comparada às condições é o sinal.

A primeira pista útil é a relação forte entre potência e irradiação, enquanto as temperaturas acompanham o ciclo solar. Correlação não prova que uma variável causa a outra; ela mostra que o clima é informativo o suficiente para entrar no modelo de geração esperada.

Uma usina, duas visões úteis

Modelei os dados em dois níveis.

No nível da planta, somei a geração dos inversores em cada timestamp. Assim respondo à pergunta maior: a usina está produzindo o que deveria produzir agora? É a visão certa para um dashboard de saúde, perda generalizada de desempenho e problemas que afetam o site inteiro.

No nível do inversor, cada fonte mantém seu próprio histórico. A pergunta muda para: qual fonte parecida com um inversor está se comportando de forma diferente? Uma usina pode parecer razoável no total enquanto um equipamento perde desempenho silenciosamente. Agregar cedo demais esconderia essa pista.

O objetivo não é escolher um nível para sempre. O monitoramento da planta diz que algo merece atenção; o diagnóstico por inversor ajuda a descobrir onde olhar.

A barra mínima: vencer a resposta óbvia

Comparei todos os modelos com uma baseline ingênua: prever que o próximo valor será igual ao último. Não é glamouroso, mas é honesto. Se um modelo complexo não consegue vencer essa regra, ele não merece o custo de manutenção que traz junto.

A métrica principal é WAPE. Pense nela como a parcela da energia total gerada que o modelo deixou de explicar: quanto mais perto de zero, melhor. Um WAPE de 0.038 significa que o erro acumulado de previsão equivale a aproximadamente 3,8% da geração real; 0.192 significa 19,2%. Não é probabilidade nem nota. É uma proporção prática de erro, que continua fazendo sentido quando a geração solar se aproxima de zero à noite.

LSTM: memória útil, maquinaria mais pesada

Uma LSTM é uma rede neural que lê uma sequência, não uma linha isolada. Aqui ela vê as 96 observações anteriores de quinze em quinze minutos — aproximadamente um dia — e aprende se a geração está subindo, no pico ou caindo.

Para os inversores, a LSTM chegou a WAPE 0.225, melhor que a baseline em 0.312. É um ganho útil, especialmente porque o notebook mostra quais inversores e quais horas do dia concentram os maiores erros.

No nível do inversor, a previsão acompanha o formato diário, enquanto as diferenças mostram comportamentos locais que valem ser investigados.

No nível da planta, a LSTM também superou a baseline: 0.274 contra 0.303. Portanto, memória temporal ajuda. Mas ela é mais pesada para treinar, exige janelas contínuas e escalonamento cuidadoso, e perde para modelos que conseguem enxergar o clima atual diretamente.

No nível da planta, a mesma comparação deixa clara a limitação operacional: a LSTM entende o ritmo geral, mas nem sempre acompanha mudanças curtas e acentuadas na geração.

Isso não torna a LSTM um fracasso. Mostra onde ela se encaixa: benchmark de sequência e ferramenta de diagnóstico, não o estimador padrão em tempo real.

Árvores: a vencedora prática para nowcasting

LightGBM e XGBoost funcionam de outra forma. Em vez de guardar uma sequência longa na memória, combinam muitas pequenas decisões: a irradiação está alta? É meio-dia? A produção estava subindo há alguns minutos? A temperatura do módulo está incomum?

Com o clima atual disponível, isso combina muito bem com geração solar. No nível do inversor, o LightGBM chegou a WAPE 0.055 e o XGBoost a 0.062, contra 0.202 da baseline. No nível da planta, LightGBM chegou a 0.038 e XGBoost a 0.039, enquanto a baseline ficou em 0.192.

Os números tornam a decisão razoavelmente clara: para estimar a geração esperada no momento atual, os modelos de árvore são a opção mais forte e simples deste projeto.

No nível da planta, as linhas dos três modelos de árvore ficam próximas da geração real. Essa concordância visual é a contrapartida prática dos WAPEs baixos: quando o clima atual está disponível, o modelo enxerga “normalidade” com muito mais precisão.

O diagnóstico por inversor acrescenta o detalhe necessário depois de um sinal no nível da planta: a previsão acompanha uma fonte selecionada, o gráfico de dispersão compara muitas previsões com a realidade, e o painel inferior direito mostra a redução substancial do erro das árvores frente à baseline ingênua.

Mas há uma ressalva importante. Isto é nowcasting condicionado ao clima, não previsão pura do futuro. O modelo usa irradiação e temperatura atuais, o que é perfeito para monitoramento. Para prever horas à frente, seriam necessárias previsões meteorológicas ou apenas variáveis do passado.

Transformando a diferença em alerta útil

Mesmo um bom modelo de geração esperada não deveria enviar alerta para todo pequeno erro. Nuvens se movem, sensores oscilam e uma usina solar não é uma máquina perfeitamente lisa.

Para essa etapa, usei o Page-Hinkley, um detector leve de mudanças vindo do mundo maravilhosamente pouco fashion das estatísticas antigas. Ele observa um único score de degradação:

degradation_score = max(geração esperada - geração real, 0)

Se a planta produz mais do que o esperado, o score é zero. Se produz menos repetidamente, o score sobe. O Page-Hinkley procura essa mudança persistente, em vez de entrar em pânico com cada pico isolado.

No período de teste, ele produziu nove alertas. O maior aconteceu em 14 de junho de 2020 às 13:45, com score de degradação perto de 23.356. Os alertas são salvos com timestamp e severidade, então podem ser investigados em vez de apenas admirados num gráfico e esquecidos.

A linha azul é a diferença entre geração esperada e real quando a planta fica abaixo do esperado; os pontos vermelhos são os nove momentos que o Page-Hinkley considerou persistentes ou incomuns o bastante para sinalizar. O grande pico fica evidente, mas o detector também marca perdas menores e sustentadas — justamente os casos que se perdem com facilidade em um gráfico operacional cheio.

Ele pode ser usado? Sim — como gatilho de investigação. Ele pode dizer ao operador: “este período está incomum o suficiente para olhar”. Ele não pode provar que um inversor falhou. Os dados não têm eventos de manutenção rotulados, então ainda não existe uma forma honesta de afirmar a taxa de falso positivo ou a acurácia de detecção de falhas. Essa validação precisa de feedback de campo.

O que eu usaria na prática

Se eu fosse colocar isso em um fluxo real, começaria com LightGBM ou XGBoost no nível da planta para estimar o que o site deveria produzir. Quando o residual ficasse relevante, consultaria os resíduos das árvores no nível do inversor para localizar a provável origem. O Page-Hinkley destacaria diferenças persistentes para que elas não se perdessem em milhares de leituras normais.

As LSTMs continuariam na caixa de ferramentas: úteis para análise de sequência, diagnóstico e para entender o quanto o histórico importa. Apenas não seriam o primeiro componente que eu colocaria em produção para este caso com sensores meteorológicos e clima atual disponível.

A lição não foi que um modelo “venceu”. O resultado útil é a cadeia de raciocínio:

clima atual + geração recente
        -> geração esperada
        -> diferença entre real e esperado
        -> alerta para diferença persistente
        -> contexto da planta + investigação por inversor

Isso é muito mais útil do que um modelo sofisticado prevendo o próximo número de uma planilha. Dá a uma pessoa um motivo para olhar no lugar certo.