Estrutura de controle de qualidade para sensores meteorológicos em usinas solares FV

Em usinas solares fotovoltaicas (FV) de grande porte, a avaliação precisa do rendimento energético de longo prazo depende da disponibilidade contínua e ininterrupta de dados meteorológicos de alta qualidade. Falhas de instrumentação, deriva de sensores e anomalias transitórias de medição, se não detectadas, propagam-se diretamente para os cálculos de performance ratio (PR), as estimativas de perda de irradiância e as garantias contratuais de rendimento energético, introduzindo erros sistemáticos difíceis de isolar e corrigir retrospectivamente.

Para mitigar esses riscos, projetos FV modernos de grande porte adotaram amplamente a prática de instalar pares redundantes de sensores em cada estação de monitoramento meteorológico (WMS). Essa arquitetura atende aos requisitos de redundância da IEC 61724-1:2021 e, ao mesmo tempo, permite que a equipe de operação e manutenção (OCM) faça a validação cruzada contínua das saídas dos sensores, garantindo a integridade sustentada das medições da WMS durante toda a vida útil do projeto.

No entanto, observou-se em campo um desafio operacional recorrente: as equipes de OCM e de engenharia do projeto no local costumam aplicar métodos de comparação inadequados ao avaliar os dados de pares redundantes de sensores. A má prática mais comum é a comparação direta, minuto a minuto, das leituras instantâneas de dois sensores instalados lado a lado. Nessa abordagem, fenômenos atmosféricos legítimos, como transientes de nuvens, gradientes térmicos e eventos de vento turbulento, produzem grandes desvios instantâneos entre os dois canais, fazendo com que os sensores sejam sinalizados incorretamente como defeituosos. Esse erro de diagnóstico leva a intervenções desnecessárias em campo, trocas injustificadas de sensores e, o que é crítico, à perda de confiança em instrumentos que, na verdade, operam dentro da especificação.

Este artigo apresenta uma metodologia estatisticamente rigorosa e validada na prática para o controle de qualidade (ǪC) de pares redundantes de sensores de WMS em usinas solares FV de grande porte. A estrutura proposta, implementada e verificada em uma usina solar FV de escala GW no Oriente Médio, aplica cinco métodos de avaliação complementares (correspondência de tendência diurna, análise de correlação de Pearson (r), avaliação do desvio absoluto máximo e mínimo, classificação pelo Índice de Deriva e avaliação de tendência de vários dias) para distinguir falhas reais de sensores da variabilidade atmosférica com alto grau de confiança diagnóstica. São apresentados resultados de uma janela de monitoramento contínuo de 10 dias (02 a 12 de novembro de 2025) em sete estações e cinco grupos de parâmetros, demonstrando a eficácia da metodologia em condições reais de operação em campo.

Por que os dados por minuto enganam seus engenheiros

E o que fazer em vez disso

Com frequência, operadores de usinas solares, EPCs e equipes de OCM levantam o mesmo alarme: "Seus dois sensores estão mostrando valores diferentes em um determinado instante. Um deles deve estar com defeito.

Em quase todos os casos, os dois sensores estão funcionando perfeitamente. O problema não está nos instrumentos, e sim no método de comparação.

Este relatório é um guia técnico definitivo para quem compara sensores redundantes de WMS em uma usina solar de grande porte. Vamos mostrar, com dados reais e estatísticas, por que a comparação minuto a minuto é fundamentalmente falha e por que a validação estatística com médias diárias, desvio padrão e coeficientes de correlação é a abordagem correta e alinhada à IEC.

Principais conclusões: dois sensores Classe A instalados lado a lado no mesmo mastro raramente mostram leituras idênticas minuto a minuto. A atmosfera não é uniforme em escalas de milissegundos. Isso é física, não falha do instrumento.

O problema da comparação minuto a minuto

Quando dois sensores são comparados a cada intervalo de 1 minuto, a variabilidade atmosférica instantânea, as células de turbulência, os transientes de sombra e o atraso de resposta dos sensores contribuem para uma aparente "divergência", mesmo quando ambos estão perfeitamente calibrados e dentro da tolerância Classe A.

Por exemplo, um único desvio de 500 W/m² por minuto durante um transiente de nuvem não é uma falha; é física atmosférica. As bordas das nuvens podem passar por um piranômetro de 30 a 60 segundos antes do sensor vizinho, produzindo um grande delta instantâneo enquanto a correlação agregada diária permanece acima de 0,999. O Índice de Deriva e a correlação de Pearson (r) diária distinguem corretamente eventos meteorológicos transitórios de falhas reais de sensores.

Estrutura de análise de dados

A estrutura de análise de dados aplica cinco métodos estatísticos complementares para validar pares redundantes de sensores.

Usar qualquer método isoladamente é insuficiente; a combinação dos cinco oferece uma visão robusta e resistente à falsificação da saúde dos sensores.

Análise de dados reais de WMS no local

Obtivemos 10 dias de dados de WMS de 7 estações de monitoramento meteorológico (WMS) comissionadas em um projeto de usina solar FV de 2 GW no Oriente Médio.

Foram analisados em detalhe os dados dos 4 parâmetros mais críticos: piranômetro (GHI), albedômetro, sensor de temperatura de módulo e sensor de velocidade do vento. Os dados foram registrados em intervalos de 1 minuto no data logger Classe A XG930, fabricado pela Aeron, da WMS.

Análise de dados de GHI

Perfil diurno em céu claro - Estação 41, 02 nov 2025

Figura 1: perfil de GHI (piranômetro horizontal) em céu claro

Este é o padrão ouro de como sensores redundantes saudáveis se comportam: correlação de Pearson (r) quase perfeita, divergência máxima abaixo de 2% do pico e nenhuma deriva direcional ao longo do dia.

Anomalia 1: Estação 45 - 03 nov 2025 - transiente de nuvem

Um grande evento de sombra de nuvem passou pela Estação 45 entre 12:53 e 13:04. Os dois sensores de GHI responderam ao mesmo tempo, mas em quantidades diferentes, criando um grande delta instantâneo.

Figura 2: Estação 45 · 03 nov 2025, evento transiente de GHI (sombra de nuvem às 12:53–13:04)

Anomalia 2: Estação 41 - 09 nov 2025 - transiente em um único sensor

O GHI_IRR_01_01 manteve uma curva em sino limpa e ininterrupta durante todo o dia. O GHI_IRR_02_02 mostrou uma única queda transiente acentuada de −482 W/m² às 10:12, com recuperação completa em 1 minuto. Este é o evento de maior importância diagnóstica do conjunto de dados: o sensor 1 comprova a irradiância real do céu, enquanto a queda isolada do sensor 2 confirma um evento de um único sensor e não necessariamente uma falha do sensor (provavelmente colisão com uma ave ou outro fenômeno).

Figura 3: Estação 41 · 09 nov 2025, queda de GHI (transiente do GHI_IRR_02_02 às 10:12)

Resumo da correlação de GHI em 10 dias - todas as estações

Análise de dados do albedômetro

Perfil diurno em céu claro - Estação 41, 02 nov 2025

ALM_Up (voltado para cima, mede a irradiância global incidente) e ALM_Down (voltado para baixo, mede a irradiância refletida pelo solo) são ambos validados como sensores em par. A Estação 41 mostra o comportamento típico de manual de um albedômetro em dias claros

Figura 4: análise do albedômetro (ALM)

Resumo da correlação do albedômetro em 10 dias - todas as estações

Figura 5: correlação do ALM em 10 dias

A Estação 45 (03 nov) cai para 0.3C48 e a Estação 50 (03 nov) para 0.34C8, ambas corretamente identificadas como eventos transientes de nuvem pelo Índice de Deriva, e não como falhas de sensor.

Análise de dados do sensor de temperatura de módulo (MTS)

Perfil diurno saudável do MTS

A temperatura do módulo (MTS) acompanha o sol: sobe com a irradiância pela manhã, atinge o pico no início da tarde (com atraso de cerca de 1 a 2 horas em relação ao meio-dia solar, devido à massa térmica) e depois cai à medida que a irradiância diminui. Dois sensores na mesma estação devem traçar curvas quase idênticas o dia todo. Abaixo está a Estação 54 em 05 nov, um dos dias mais limpos do conjunto de dados.

Figura 6: perfil saudável do MTS

Anomalia 2: Estação 72 - 06 nov 2025

Este é o evento de MTS mais marcante de todo o conjunto de dados de 10 dias. O MTS_02_01 na Estação 72 registrou uma única leitura de ~89°C às 14:18, um salto de cerca de 35°C acima dos demais sensores naquele instante. Todos os outros sensores da mesma estação continuaram sua queda normal da tarde. O sensor azul permanece estável; só o sensor vermelho dispara.

Figura 7: pico súbito no MTS02_Estação 72

Uma análise detalhada revelou que o MTS_02_01 teve MaxDiff = 89,35°C às 14:18, enquanto todos os demais canais de MTS da mesma estação mostraram MaxDiff < 3°C no mesmo período.

Corr (r)= 0,972, a única ocorrência em todo o conjunto de dados de 10 dias em que algum sensor MTS ficou abaixo de (r) = 0,980. O Índice de Deriva classificou este como a única anomalia de MTS em todas as 7 estações e em todos os 10 dias.

Causa provável: conexão frouxa do termopar, causando uma leitura momentânea de circuito aberto, ou soiling/ponto quente localizado naquela célula específica.

Resumo da correlação do MTS em 10 dias: todas as estações

Figura 8: correlação do MTS em 10 dias

A visualização mostra cada estação como uma linha de série temporal. É possível ver de imediato que 6 das 7 estações mantêm R ≥ 0,998 durante todos os 10 dias, sem exceção. A Estação 72 em 06 nov é a única exceção e se destaca claramente como uma queda isolada em um único dia, em uma única estação.

Análise de dados de velocidade do vento (WS)

Perfil diurno saudável da WS

Ao contrário do GHI ou do MTS, a velocidade do vento é naturalmente turbulenta e flutua de segundo a segundo por causa de redemoinhos, efeitos do terreno e sombra do mastro. Dois anemômetros na mesma estação nunca traçarão curvas idênticas como fazem os piranômetros. Um dia saudável mostra dois sinais ruidosos, mas estatisticamente semelhantes, acompanhando as mesmas rajadas e calmarias gerais. Abaixo está a Estação 41 em 02 nov, um bom dia de referência, com R = 0,964.

Figura 9: perfil saudável do sensor de velocidade do vento

Anomalia 2: Estação 41 - 04 nov 2025 - falha do WS_02_02

Figura 10: falha identificada no sensor de velocidade do vento WS_02_02

Esta é uma falha real de sensor, não um evento meteorológico.

O WS_01_01 (azul) mostra uma tarde normal com brisa e rajadas de até ~6 m/s, enquanto o WS_02_02 (vermelho) começa normalmente pela manhã e, a partir de ~10:30, produz leituras erráticas e fisicamente implausíveis, incluindo um MinDiff de −24,49 m/s, o que é impossível para um anemômetro. Os dois sinais passam a ser completamente não correlacionados.

Resumo da correlação da WS em 10 dias: todas as estações

Figura 11: correlação do sensor de velocidade do vento em 10 dias

A velocidade do vento naturalmente produz mais variação diária em (r) do que o GHI ou o MTS, pois dias calmos, com pouco vento, reduzem a correlação de forma legítima. O gráfico acima mostra essa variabilidade natural em todas as estações, com o limite de 0,95 marcado.

Valores que caem para 0,91–0,96 em dias calmos são normais: pouco vento significa valores absolutos pequenos, e qualquer pequeno deslocamento domina o fator de correlação (r). O que não é normal é um valor próximo de zero (0,0954). A linha tracejada vermelha do limite em R = 0,95 mostra quais dias de estação exigiram investigação. A Estação 41 em 04 nov é a única falha real em todo o conjunto de dados; todas as demais quedas estão dentro da variabilidade atmosférica esperada.

Principais conclusões

Uma estrutura rigorosa de cinco métodos, como a usada aqui, detectou todas as anomalias reais sem produzir nenhum alarme falso no conjunto de dados de 7 estações e 10 dias.

Dados reais de WMS de uma usina solar FV em operação confirmam que a correlação de Pearson (r), o desvio agregado diário e a classificação pelo Índice de Deriva são as ferramentas corretas para a análise de dados de sensores.
A divergência minuto a minuto é física normal. Turbulência atmosférica, transientes de nuvens e tempo de resposta dos sensores causam, todos, discordância instantânea entre sensores instalados lado a lado. Por isso, ela não deve ser considerada uma falha de sensor.

Autor: Saurabh Dey