Software de deteção de falhas fotovoltaicas com IA

O software de deteção de falhas em painéis fotovoltaicos com IA analisa imagens térmicas e visuais para sinalizar possíveis anomalias a um engenheiro. Pode acelerar a triagem repetitiva, mas uma imagem não mede diretamente o comportamento do circuito. A IEC 62446-3 abrange a termografia fotovoltaica no exterior; o âmbito descrito no seu catálogo não define nem certifica um modelo de deteção com IA.

• Utiliza modelos de aprendizagem de assinaturas térmicas
• Deteta agrupamentos térmicos irregulares nos módulos
• Correlaciona ΔT com tendências de comportamento elétrico
• Identifica padrões de sombreamento anormais
• Sinaliza o desenvolvimento invulgar de pontos quentes
• Apoia os fluxos de trabalho de manutenção preditiva

Uma análise fiável começa com ficheiros térmicos utilizáveis, imagens visuais nítidas e condições de aquisição registadas. Verifique a irradiância, o vento, as alterações de nebulosidade, o ângulo de observação e as definições da câmara face ao procedimento de inspeção acordado. As verificações do software podem identificar dados em falta; não podem tornar imagens inadequadas aptas para diagnóstico.

• Regista a irradiância no plano dos módulos durante a aquisição
• Analisa o vento e as alterações das condições ambientais
• Sinaliza passagens de nuvens que afetam a comparabilidade
• Monitoriza a calibração do sensor e os requisitos de NETD
• Seleciona um ângulo de observação que limita os reflexos
• Documenta as correções de temperatura e os respetivos pressupostos

A IA pode aplicar critérios de triagem consistentes a grandes conjuntos de imagens. A sua utilidade depende da qualidade das imagens, dos tipos de módulos representados e da capacidade do revisor para questionar uma classificação. Inspeções repetidas podem revelar alterações, mas nem uma única imagem térmica nem uma pontuação do modelo determinam quando um módulo irá falhar.

• Destaca os detalhes térmicos que o sensor disponível consegue resolver
• Sinaliza padrões para revisão antes de se decidir se uma célula está a falhar
• Destaca tendências de desadaptação entre painéis
• Sinaliza ligações aquecidas visíveis para verificação no terreno em condições de segurança
• Sinaliza possíveis padrões relacionados com díodos para verificação
• Apoia uma classificação térmica consistente, sujeita a revisão

O MapperX organiza os resultados térmicos e as respetivas localizações para revisão e elaboração de relatórios. Trate cada classificação como uma interpretação das evidências disponíveis. O relatório deve explicar o método de classificação, os pressupostos de medição e quaisquer áreas excluídas, em vez de sugerir que o processamento automatizado, por si só, comprova a conformidade.

• Regista pressupostos de emissividade adequados à superfície medida
• Utiliza categorias documentadas de revisão e prioridade de manutenção
• Localiza as falhas através de coordenadas GPS
• Compara os resultados com ciclos de inspeção anteriores
• Produz relatórios multilingues e normalizados

As ferramentas de diagnóstico com IA são utilizadas por profissionais responsáveis por manter a fiabilidade das centrais fotovoltaicas. Diferentes funções técnicas recorrem a estas informações para avaliar o desempenho, reduzir perdas e apoiar o planeamento operacional a longo prazo.

• Engenheiros de O&M que mantêm o bom estado do sistema
• Equipas EPC que verificam a qualidade da instalação
• Especialistas em termografia que validam anomalias de ΔT
• Gestores de ativos que analisam indicadores de risco
• Inspetores que avaliam reclamações ao abrigo da garantia
• Investidores que monitorizam a fiabilidade global da central

A triagem com IA pode apoiar inspeções de centrais de grande escala e de instalações em coberturas, mas a geometria do local, a conceção dos módulos e o clima afetam a aquisição e a interpretação. Valide imagens representativas de cada novo contexto de funcionamento, em vez de pressupor que um modelo se aplica sem alterações a todas as instalações.

• Parques fotovoltaicos de grande escala
• Sistemas em coberturas industriais
• Instalações fotovoltaicas comerciais
• Instalações fotovoltaicas isoladas da rede
• Microrredes e sistemas fotovoltaicos híbridos
• Grandes conjuntos de instalações fotovoltaicas distribuídas

• Voe com o seu drone: Planeie um voo térmico/RGB compatível e verifique uma amostra de imagens.
• Efetue um pagamento rápido e seguro: Confirme o serviço selecionado e as condições de pagamento.
• Carregue as suas fotografias: Carregue os ficheiros originais com posição e condições de aquisição.
• Receba o seu relatório em apenas alguns cliques: Reveja as ocorrências no mapa e o relatório e atribua as verificações no terreno necessárias.

A interface e os documentos PDF estão disponíveis em turco, inglês, alemão, francês, espanhol, chinês, japonês, português, indonésio, italiano e neerlandês.

A deteção de falhas em painéis fotovoltaicos com IA analisa dados de inspeção térmicos ou visuais para sinalizar padrões que podem indicar um comportamento fotovoltaico anormal. A principal utilidade da IA é acelerar a revisão e organizar grandes conjuntos de dados; um padrão detetado deve permanecer associado à imagem de origem, à localização do ativo e às condições da inspeção, para que um revisor o possa validar.

A IA é útil para a revisão repetitiva de imagens, a deteção de possíveis anomalias, a definição de prioridades e a classificação consistente de grandes conjuntos de dados fotovoltaicos. É menos fiável quando a qualidade da aquisição é fraca ou quando a conclusão pretendida exige medições elétricas que não estão presentes nos dados das imagens.

Comece com uma amostra representativa que contenha módulos aparentemente normais e possíveis anomalias. Compare os resultados do software com a revisão, por um engenheiro, dos ficheiros térmicos e RGB originais. Analise tanto os falsos positivos, em que uma condição normal é sinalizada, como os falsos negativos, em que uma anomalia relevante não é detetada. Uma percentagem global de precisão sem a definição da amostra ou a composição dos defeitos não é um critério de compra útil.

Perante a suspeita de um ponto quente, verifique se o padrão persiste noutra imagem utilizável, se sombras ou detritos visíveis o explicam e se a localização corresponde ao módulo correto. Conserve a classificação original, a decisão do revisor e o motivo de qualquer alteração. Encaminhe preocupações credíveis de segurança através do procedimento estabelecido no local, em vez de esperar pela classificação automatizada da gravidade.

Escolha as medições de seguimento de acordo com a questão a esclarecer. O traçado de curvas I-V pode investigar um desempenho elétrico inferior ao esperado; uma verificação visual no terreno pode esclarecer situações de sujidade ou danos visíveis. Compare levantamentos posteriores apenas quando a identificação do módulo, o estado de funcionamento e as condições de aquisição forem suficientemente consistentes. Isto produz um histórico de inspeção tecnicamente fundamentado, sem prometer que a IA prevê todas as falhas futuras.

A IA exige condições meteorológicas perfeitas para detetar falhas?

Não exige tempo perfeito, mas requer condições de aquisição adequadas e suficientemente estáveis. Um revisor deve avaliar as condições registadas e identificar eventuais limitações antes de interpretar os resultados.

A IA consegue identificar diretamente problemas elétricos?

Não. As imagens térmicas podem sugerir um problema elétrico, mas são necessárias medições de corrente, tensão ou outras medições no terreno quando é preciso determinar a causa elétrica.

Como distingue a IA o aquecimento normal das anomalias?

Comparando os padrões de ΔT com o comportamento de referência baseado em modelos.

O MapperX é necessário para realizar inspeções com IA?

Não. O MapperX é uma das formas de organizar dados de inspeção assistida por IA. A qualidade de uma inspeção depende da aquisição, da análise e da revisão técnica, não da utilização de uma marca específica.

O software funciona com qualquer tipo de drone?

Não automaticamente. Confirme o modelo exato da câmara, o formato dos ficheiros térmicos, os metadados e o suporte de processamento com um conjunto de dados de amostra antes do levantamento. A capacidade térmica e o GPS, por si só, não comprovam a compatibilidade.

A IA consegue determinar a causa exata de todas as anomalias fotovoltaicas?

Não. A IA pode classificar padrões nos dados disponíveis, mas algumas causas de origem exigem ensaios elétricos, evidências visuais ou inspeção no terreno.

Como deve ser avaliada a precisão da deteção com IA?

Utilize um conjunto de dados representativo, revisto de forma independente, e apresente separadamente as anomalias não detetadas e os falsos alarmes. Defina as classes de defeitos, a qualidade das imagens e a unidade de avaliação, como o módulo ou a imagem, antes de comparar pontuações.

Deve cada classificação da IA dar origem a uma ordem de trabalho de manutenção?

Não. Analise primeiro as evidências e o grau de confiança no resultado. Uma ordem de trabalho deve identificar o ativo, a condição observada, a verificação necessária e a equipa responsável; uma classificação provisória de uma imagem não é um diagnóstico confirmado.