Um avanço significativo na manutenção de sistemas fotovoltaicos foi apresentado por um grupo de pesquisa da Polônia e da Espanha. Os cientistas desenvolveram uma estrutura inovadora para a inspeção autônoma de instalações fotovoltaicas, utilizando veículos aéreos não tripulados (VANTs), popularmente conhecidos como drones. O sistema integra imagens térmicas e multiespectrais com detecção de anomalias baseada em inteligência artificial (IA), empregando análise multiframe de imagens capturadas pelos drones.

Um Novo Paradigma na Detecção de Anomalias

O cerne do trabalho de pesquisa reside na detecção automatizada de anomalias térmicas e visuais por meio de imagens obtidas por drones. Os pesquisadores enfatizam que o módulo térmico é utilizado para a detecção de anomalias relativas, e não para medição absoluta de temperatura. As imagens térmicas são tratadas como padrões visuais, e as anomalias são confirmadas através da consistência multiframe em diferentes ângulos de visão.

“O problema central de pesquisa abordado neste trabalho diz respeito à detecção automatizada de anomalias térmicas e visuais usando imagens adquiridas por drones. É importante ressaltar que o módulo térmico é usado para detecção de anomalias relativas, em vez de medição de temperatura absoluta. As imagens térmicas são tratadas como padrões visuais, e as anomalias são confirmadas através da consistência multiframe em diferentes ângulos de visão”, afirmaram os pesquisadores.

Tecnologia Embarcada e Campanhas de Voo

Para o desenvolvimento do sistema, os pesquisadores construíram um hexacóptero personalizado. Este drone foi equipado com uma câmera térmica radiométrica FLIR Boson 640 e uma câmera multiespectral MicaSense Altum. A câmera FLIR opera na faixa infravermelha de ondas longas de 7,5 a 13,5 µm, possui uma resolução de 640 × 512 pixels a 30 Hz e oferece sensibilidade térmica inferior a 50 mK. A câmera MicaSense Altum, por sua vez, captura simultaneamente imagens RGB, térmicas e multiespectrais.

A aeronave e a carga útil dos sensores foram alimentadas por fontes de energia dedicadas, permitindo tempos de voo de aproximadamente 25 minutos. Com essa configuração, o grupo de pesquisa realizou múltiplas campanhas de voo autônomas. Os testes ocorreram em uma pequena instalação fotovoltaica residencial e em uma grande instalação de escala industrial, sob diversas condições atmosféricas.

Os voos foram realizados durante o dia, com temperaturas ambientes variando de 12 °C a 22 °C, predominantemente sob céus claros ou parcialmente nublados e com velocidades do vento abaixo de 12 m/s. O VANT operou em altitudes que variavam de 18 m a 30 m, mantendo uma distância de amostragem do solo de aproximadamente 2,5 cm a 4,0 cm por pixel. A equipe também ajustou a velocidade de voo e o espaçamento da trajetória para garantir uma sobreposição de imagem suficiente.

Construção e Treinamento do Modelo de IA

As imagens coletadas durante as campanhas de voo foram utilizadas para construir o conjunto de dados do modelo. Este conjunto compreendeu 1.950 imagens de voo proprietárias, 190 imagens do repositório público Kaggle “Solar Panel Images” e 260 imagens de laboratório que retratavam contaminação controlada. Antes de alimentar o modelo, os pesquisadores removeram quadros borrados, superexpostos, excessivamente ruidosos e irrelevantes. Em seguida, normalizaram as imagens restantes e segmentaram e recortaram módulos fotovoltaicos individuais.

Os módulos anômalos foram rotulados manualmente pelos pesquisadores, identificando a presença de poeira, areia, excrementos de pássaros ou pontos quentes (hotspots), enquanto os módulos normais foram classificados como limpos. A distribuição das imagens para o treinamento do modelo foi a seguinte:

  • 81,25% para treinamento
  • 7,92% para validação
  • 10,83% para teste

Os pesquisadores compararam quatro arquiteturas de redes neurais convolucionais (CNN): EfficientNet-B0, ResNet18, MobileNetV3-Small e RegNet-Y16GF. A EfficientNet-B0 demonstrou o melhor desempenho geral.

Resultados e Desempenho do Modelo

A arquitetura EfficientNet-B0 apresentou um desempenho notável, com métricas de precisão, recall e pontuação F1 (que representa o equilíbrio entre precisão e recall) bastante elevadas:

  • Precisão: 0,903
  • Recall: 0,907
  • Pontuação F1 macro: 0,904
  • Pontuação F1 ponderada: 0,927

O desempenho variou conforme a classe de anomalia:

  • Pontos quentes (hotspots) e módulos limpos: Pontuação F1 de 1.000 para precisão, recall e F1.
  • Areia: Pontuação F1 de 0.907.
  • Excrementos de pássaros: Pontuação F1 de 0.889.
  • Poeira: A anomalia mais difícil de identificar, com precisão de 0.711, recall de 0.751 e pontuação F1 de 0.732.

Os pesquisadores concluíram que o design modular do sistema permite uma extensão direta para operação coordenada com múltiplos VANTs e fusão aprimorada de múltiplos sensores, abrindo caminho para plataformas de monitoramento fotovoltaico de próxima geração e alta capacidade.

“O design modular do sistema permite uma extensão direta para operação coordenada com múltiplos VANTs e fusão aprimorada de múltiplos sensores, oferecendo um caminho para plataformas de monitoramento fotovoltaico de próxima geração e alta capacidade. A transparência metodológica introduzida neste trabalho – incluindo especificação detalhada do sensor, composição do conjunto de dados e procedimentos de classificação de anomalias – garante que o sistema pode ser reproduzido de forma confiável e desenvolvido em estudos futuros”, concluíram os pesquisadores.

A estrutura foi apresentada no artigo “Automated UAV thermal imaging and AI-based detection of hotspots and surface contamination in photovoltaic panels”, publicado na revista Measurement. A equipe de pesquisa incluiu cientistas da Universidade de Tecnologia de Rzeszow, na Polônia, e da Universidade Politécnica de Valência, na Espanha.

O que isso significa para a região

A introdução de sistemas de inspeção de painéis solares baseados em drones com inteligência artificial representa um salto qualitativo na eficiência e na segurança da manutenção de usinas fotovoltaicas. Para o Norte Pioneiro do Paraná, uma região com crescente investimento em energia solar, essa tecnologia pode trazer benefícios significativos.

A detecção autônoma e precisa de falhas, como pontos quentes, acúmulo de poeira ou sujeira, permite uma intervenção mais rápida e direcionada. Isso minimiza perdas de produção de energia, aumenta a vida útil dos equipamentos e otimiza os custos operacionais. Proprietários de fazendas solares, empresas e até mesmo instalações residenciais de grande porte poderão se beneficiar de inspeções mais rápidas, detalhadas e menos dependentes de mão de obra manual, que muitas vezes exige o desligamento do sistema para inspeção visual ou térmica. A capacidade de monitorar grandes áreas de forma eficiente e identificar problemas antes que se tornem críticos é crucial para garantir a sustentabilidade e a rentabilidade dos investimentos em energia solar na região.

Leitura da LZ7 Energia

A inovação de drones com inteligência artificial para inspeção de painéis solares é um divisor de águas para o setor. No Norte Pioneiro do Paraná, onde a LZ7 Energia atua, a adoção de tecnologias como essa pode transformar a gestão de ativos fotovoltaicos. A detecção precoce e precisa de anomalias, como pontos quentes ou sujeira, impacta diretamente a eficiência energética. Painéis com falhas ou sujos produzem menos eletricidade, elevando a conta de luz para o consumidor ou diminuindo a rentabilidade para o produtor. Ao otimizar a manutenção e garantir o máximo desempenho das instalações, esses sistemas contribuem para a estabilidade da rede elétrica, a redução de perdas energéticas e a promoção de uma matriz energética mais robusta e econômica para a região. A LZ7 Energia vê com otimismo o avanço de soluções que tornam a energia solar ainda mais acessível, eficiente e confiável.

Fonte: PV Magazine — Solar global — matéria original publicada em pv-magazine.com. Imagens e vídeos: PV Magazine — Solar global. Texto apurado e reescrito pela redação da LZ7 Energia.