Métodos de aprendizado de máquina para limpeza automática de curvas de potência utilizando autoencoders e rede neural Kolmogorov-Arnold

Abstract

A energia proveniente da fonte eólica tem cada vez mais confirmado a sua importância na produção de energia elétrica renovável no Brasil e no mundo. Em tempos de transição energética, desastres climáticos e metas cada vez mais ambiciosas na redução de emissão de gases de efeito estufa, a eólica tem se firmado como uma opção não só viável, como essencial, na produção de energia limpa. Uma das formas de se avaliar o desempenho de uma turbina eólica se dá através da análise de dados SCADA, essenciais no monitoramento, tanto da condição, quanto da performance da turbina, fornecendo informações cruciais aos operadores. Também é possível utilizá-los para estimar a curva de potência histórica das turbinas de um parque eólico e fazer previsões futuras da produção de energia. Para que isso seja possível de ser realizado, a limpeza dos dados é essencial; tanto de dados espúrios, quanto para isolar problemas como indisponibilidade e problemas de desempenho, como por exemplo no sistema de pitch e de yaw. A depender da quantidade de dados a serem avaliados, esta tarefa pode ser exaustiva e computacionalmente custosa. Este trabalho apresenta uma nova metodologia para a limpeza automática de curvas de potência de turbinas eólicas, utilizando técnicas de aprendizado de máquina que ainda são pouco exploradas nesse contexto. A pesquisa começou com um algoritmo de agrupamento para identificar anomalias nos dados, mas os resultados iniciais mostraram limitações na separação clara entre diferentes tipos de falhas. Para superar esse desafio, foram desenvolvidos dois novos modelos baseados na combinação de autoencoders com uma rede neural inspirada na teoria de Kolmogorov-Arnold, denominados AE-KAN e VAE-KAN. Ambos os modelos conseguiram classificar melhor os tipos de falhas e se destacaram por detectar com mais sensibilidade os casos mais raros, superando outros métodos já consagrados na literatura. Como referência, os dados utilizados foram rotulados por um especialista da área, com base em uma ferramenta usada na indústria eólica, reforçando o potencial de aplicação prática da metodologia proposta.