Uma Abordagem Adaptativa para Detecção de Anomalias em Fluxos de Dados Fotovoltaicos Não Estacionários

Descrição

A expansão da geração solar fotovoltaica tem aumentado a necessidade de sistemas inteligentes para monitoramento contínuo e detecção precoce de falhas. Entretanto, dados fotovoltaicos variam devido a fatores climáticos, sazonalidade, sombreamento, sujidade e degradação dos módulos, caracterizando ambientes não estacionários sujeitos à mudança de conceito. Paralelamente, o avanço do Tiny Machine Learning (TinyML), abordagem voltada à execução de modelos de inteligência artificial em dispositivos embarcados de baixo consumo energético, amplia a viabilidade de aplicações inteligentes diretamente na borda. Nesse contexto, este projeto propõe um sistema adaptativo para detectar anomalias operacionais em tempo real em fluxos de dados de microgeração fotovoltaica, diferenciando variações ambientais naturais de falhas reais. Para isso, serão investigados métodos de análise recursiva de excentricidade e agrupamento evolucionário online. A pesquisa será validada com bases públicas de dados fotovoltaicos e climatológicos, utilizando métricas de precisão, falsos positivos, tempo de processamento e consumo de memória. Espera-se contribuir para sistemas de monitoramento fotovoltaico aplicáveis a dispositivos TinyML e computação de borda.