Automatizando a Limpeza de Dados em Turbinas Eólicas com Machine Learning

A limpeza de dados pode parecer uma tarefa invisível no universo da energia renovável, mas é justamente aí que mora o segredo da eficiência. No estudo da Delfos Energy, os pesquisadores mostram como aplicar machine learning na modelagem de curvas de potência de turbinas eólicas pode eliminar o trabalho manual e tornar o processo muito mais escalável e preciso.

O problema: dados sujos e ineficiência manual

Para entender o desempenho real de uma turbina eólica, é preciso analisar sua curva de potência – a relação entre a velocidade do vento e a energia gerada. Mas os dados coletados por sistemas SCADA frequentemente vêm com ruídos, falhas operacionais, limitações técnicas ou até falhas de sensores. E nem sempre os logs de eventos estão disponíveis ou são confiáveis.

Na prática, isso obriga muitos times a aplicarem filtros manuais nos dados para limpar as anomalias antes de modelar a curva. E como você deve imaginar, esse processo é lento, subjetivo e nada escalável.

A inovação: Gaussian Process como filtro inteligente

A proposta do estudo é simples, porém poderosa: usar Gaussian Process (GP), um algoritmo bayesiano de aprendizado de máquina (um classificador probabilístico baseado no Teorema de Bayes), para automatizar essa limpeza de forma inteligente.

Ao invés de depender de registros manuais ou logs de eventos, o GP é treinado para identificar padrões normais de funcionamento da turbina. Ele aprende com os próprios dados – e consegue detectar automaticamente pontos fora da curva, removendo anomalias com alta precisão.

E mais: ele faz isso sem distorcer o resultado final, como comprovado ao comparar os valores de AEP (Annual Energy Production) entre diferentes métodos.

O resultado: Eficiência e escalabilidade

Dois experimentos foram conduzidos:

No primeiro, os autores demonstraram que o filtro baseado em Gaussian Process obteve um AEP praticamente igual ao filtro manual tradicional – com uma diferença de apenas 0,29%.

‍

‍

‍

No segundo, o GP foi comparado a um filtro baseado em registros de gravidade (quando disponíveis) e, mais uma vez, o resultado foi muito próximo, com uma diferença de apenas -0,25%.

‍

Em ambos os casos, a abordagem da Delfos provou que é possível automatizar a limpeza de dados sem comprometer a precisão do modelo final. Isso representa um grande avanço para as equipes que desejam uma análise de desempenho padronizada e ágil.

Por que isso importa?

Essa inovação reforça o compromisso da Delfos com a excelência técnica e a automação de processos críticos no setor de energia renovável. Ao eliminar etapas manuais e subjetivas, abrimos caminho para análises mais robustas, confiáveis e replicáveis — ingredientes essenciais para a transição energética global.

E para nossos clientes e parceiros, isso significa decisões mais assertivas, menos retrabalho e uma plataforma mais inteligente a cada dia.

Quer ver o artigo técnico completo?
Preencha o formulário abaixo e acesse o paper completo publicado por nossa equipe de P&D e entenda todos os detalhes técnicos por trás dessa inovação.

‍

‍

Estudo publicado por Osmar Alexandre, Rodrigo Queiroz e Gustavo Carvalho da Delfos Energy e submetido ao Brazil Windpower 2024.