Marketa Hulik Jansova
Oct 22, 2026
Os dados solares medidos no solo são frequentemente considerados como a referência de referência. São utilizados para avaliar o desempenho das centrais fotovoltaicas, validar modelos, adaptar conjuntos de dados de satélite às condições locais, calcular a produção prevista e avaliar se um ativo está a funcionar como deveria.
No entanto, os dados medidos nunca são perfeitos.
Falhas nos instrumentos, problemas de instalação, efeitos ambientais, acumulação de sujidade, sombreamento, desvio de calibração e desalinhamento dos sensores podem todos introduzir erros. Alguns são óbvios. Outros são subtis e podem permanecer ocultos nos dados durante meses.
O problema não é apenas a existência destas questões. O verdadeiro problema é que elas distorcem silenciosamente todos os resultados baseados nessas medições.
Este tema foi o foco de um estudo da Solargis que apresentámos na PVPMC 2026, analisando o impacto do controlo de qualidade na incerteza da avaliação do desempenho da energia solar fotovoltaica. Para a análise e o controlo de qualidade dos dados medidos, utilizámos o Solargis Analyst, o nosso software para visualizar, comparar, limpar e analisar dados solares e meteorológicos.
A nossa análise quantificou toda a cadeia, desde as medições brutas até às métricas finais de desempenho, com base em três questões práticas:
Os resultados que apresentámos foram claros: o controlo de qualidade não é opcional. É um passo necessário antes de os dados medidos poderem ser utilizados com confiança.
A nossa primeira conclusão é talvez a mais importante. No conjunto de dados que analisámos, 100% das séries temporais de GHI e GTI apresentavam problemas de qualidade.
Avaliámos 509 conjuntos de dados de medição no solo do GHI e 77 do GTI, utilizando procedimentos especializados de controlo de qualidade da Solargis. O estudo analisou tanto a ocorrência de problemas de qualidade nos conjuntos de dados como o seu impacto no desvio e no erro absoluto médio (MAE) quando não corrigidos.
Num conjunto de dados típico, a proporção de pontos de dados afetados era relativamente baixa. A mediana dos pontos de dados afetados atingiu 3,2% para o GHI e 6,1% para o GTI.
No entanto, a cauda da distribuição revelou-se muito mais grave.
No percentil 90, os pontos de dados afetados atingiram 18% para o GHI e 15% para o GTI. Problemas persistentes de calibração ou desalinhamento poderiam afetar até 47% de todos os pontos de dados no P90.
Isto significa que o conjunto de dados mediano pode parecer gerível, mas os casos difíceis podem ficar gravemente comprometidos. Se não for realizado um controlo de qualidade, não há forma de saber onde um conjunto de dados específico se situa neste intervalo.
Tabela 1: Proporção de conjuntos de dados e pontos de dados afetados por tipo de problema de qualidade selecionado, para o GHI e o GTI. Nota: As estatísticas relativas aos pontos de dados afetados são calculadas apenas a partir de conjuntos de dados em que o respetivo problema está presente.
Os problemas de qualidade não precisam de afetar a maior parte do conjunto de dados para serem relevantes. Mesmo um número relativamente pequeno de pontos de dados problemáticos pode aumentar a incerteza, especialmente se o problema introduzir um viés sistemático em vez de ruído aleatório.
A nossa análise revelou que deixar todas as questões de qualidade não assinaladas amplificou o viés em 5,7% para o GHI e em 4,6% para o GTI no P90, com aumentos semelhantes no MAE.
Para a avaliação do desempenho fotovoltaico, isto é importante porque muitas decisões dependem de pequenas diferenças. Uma variação de apenas alguns por cento pode influenciar se um ativo parece ter um desempenho inferior ao esperado, se um modelo parece preciso ou se os cenários de produção esperados e conservadores são devidamente compreendidos.
Por outras palavras, os problemas de qualidade de medição podem entrar na análise de forma imperceptível, mas o seu efeito pode ser suficientemente grande para distorcer a interpretação do desempenho.
É por isso que a hipótese inicial mais segura é simples:
Partir do princípio de que os dados medidos contêm problemas de qualidade, porque quase sempre é esse o caso.
Na segunda parte do estudo, analisámos o controlo de qualidade automatizado.
A automatização é essencial porque a revisão manual de conjuntos de dados de medição grandes e de alta resolução não é facilmente escalável. Os projetos de energia fotovoltaica podem gerar grandes volumes de dados, especialmente quando as medições são registadas com uma resolução de um ou cinco minutos, através de vários sensores e durante longos períodos.
O nosso estudo analisou 114 conjuntos de dados de um ano, cada um com duas medições do GHI e com controlo de qualidade (CQ) especializado já aplicado. Cada conjunto de dados foi modificado de várias formas: agregado em intervalos de tempo mais largos, reduzido a um único sensor GHI e encurtado para seis e três meses. O objetivo era quantificar como o desempenho do CQ automatizado varia em função da resolução dos dados, da duração do registo e da redundância dos sensores.
Os resultados mostram que a automatização pode aproximar-se do desempenho de especialistas, mas apenas em condições favoráveis.
Com conjuntos de dados multissensor com resolução de um minuto, o CQ automatizado alcançou um desempenho próximo do CQ especializado. Em alguns casos, o CQ automatizado proporcionou uma redução maior do viés/MAE do que o CQ especializado, conforme indicado pela relação especialista/automático.
No entanto, o desempenho deteriorou-se quando as condições se tornaram menos favoráveis.
As configurações com um único sensor e intervalos de tempo mais largos aumentaram o risco de sinalização excessiva e de problemas não detetados. Sem sensores redundantes, o CQ automatizado deixou escapar mais problemas reais. No P90, a relação especialista/automático podia atingir até 2, demonstrando que os conjuntos de dados mais complexos continuam a exigir a revisão e a intervenção de especialistas.
Curiosamente, um período de dados mais curto revelou-se menos problemático do que o esperado. Seis meses de dados apresentaram um desempenho quase idêntico ao de um ano. Mesmo três meses revelaram-se viáveis para conjuntos de dados típicos, embora a consistência tenha diminuído em locais mais desafiantes.
Figura 1: ΔBias e ΔMAE [%] obtidos pelo controlo de qualidade por peritos e automatizado em relação às medições brutas, utilizando o modelo de recursos solares Solargis como referência, na mediana e no p90. Os números nas barras indicam a proporção perito/automático — valores inferiores a 1 indicam que a automação supera o controlo de qualidade por peritos; valores superiores a 1, o contrário.
A conclusão é que o controlo de qualidade automatizado funciona melhor quando a configuração de medição é sólida. Sensores redundantes, elevada resolução temporal e, pelo menos, seis meses de dados criam condições muito melhores para um controlo de qualidade automatizado fiável, bem como para a avaliação por especialistas.
No caso de avaliações de alto risco ou locais difíceis, a automatização deve complementar a revisão por peritos, não a substituir na totalidade.
Outra constatação é que nem todos os problemas de qualidade têm o mesmo impacto. O controlo de qualidade automatizado pode não detetar problemas subtis e de baixo impacto, mas ainda assim identificar as anomalias mais importantes, mantendo a redução do viés e do MAE próxima do nível dos especialistas.
Esta distinção é importante para a escalabilidade operacional.
No que diz respeito ao processamento de dados de rotina, o controlo de qualidade automatizado pode ser extremamente valioso se identificar os problemas de elevado impacto que afetam significativamente a análise de desempenho. No caso de avaliações com implicações financeiras, a revisão por especialistas continua a ser importante, uma vez que problemas de baixa frequência ou específicos de cada local podem ainda influenciar as conclusões, especialmente quando as margens de incerteza são reduzidas.
Na prática, o melhor fluxo de trabalho não é manual nem automatizado. É híbrido.
A automatização lida com a escala. Os especialistas lidam com o contexto, os casos extremos e o julgamento final.
A terceira parte da nossa análise analisou o que acontece quando a incerteza de medição é transportada para a avaliação do desempenho fotovoltaico.
O estudo utilizou uma série temporal de um ano de GHI a cada cinco minutos, com problemas de qualidade controlados introduzidos nos dados. A PVOUT foi simulada utilizando o Solargis Evaluate para três configurações fotovoltaicas representativas: inclinação fixa no ângulo ótimo, seguidor horizontal norte-sul e sistema bifacial vertical de uma única fila. As simulações foram realizadas para três locais com condições climáticas distintas.
A principal conclusão é que a qualidade dos dados de entrada afeta diretamente a métrica de desempenho final, mas o nível de impacto depende da conceção do sistema.
No caso dos sistemas monofaciais de inclinação fixa e com seguidor, os problemas de medição no GHI propagavam-se normalmente para o PVOUT com uma magnitude semelhante, embora ligeiramente reduzida. Os sistemas bifaciais verticais revelaram-se mais sensíveis e, em alguns casos, o impacto no PVOUT foi mais forte do que o erro original do GHI.
A implicação prática é importante: um desvio de ±2% no GHI pode traduzir-se num desvio de aproximadamente ±2% no Índice de Desempenho Energético (EPI). Um desvio negativo no GHI pode inflar o EPI e ocultar um desempenho abaixo do esperado, enquanto um desvio positivo no GHI pode deflacionar o EPI e fazer com que uma central em bom estado pareça pior do que realmente é.
É por isso que o controlo de qualidade deve ser realizado antes do cálculo do EPI. Um problema de medição não detetado pode fazer com que um ativo em dificuldades pareça perfeitamente saudável no papel.
A avaliação do desempenho fotovoltaico é frequentemente utilizada para responder a uma pergunta simples: a central está a ter o desempenho esperado? Mas a resposta a essa pergunta depende da qualidade dos dados de referência.
Se a irradiância medida estiver errada, o rácio de desempenho, o EPI, a validação do modelo e a análise de desempenho insuficiente podem todos ficar distorcidos. Uma central pode parecer saudável quando o seu desempenho está abaixo do esperado, ou apresentar um desempenho insuficiente quando o verdadeiro problema reside na referência de medição.
É por isso que o controlo de qualidade das medições não é apenas uma etapa técnica de limpeza. Faz parte da gestão da incerteza. O estudo mostra que ignorar o controlo de qualidade pode introduzir erros comparáveis à cadeia mais ampla de incertezas da simulação.
Para as equipas de projetos fotovoltaicos, há três conclusões-chave a retirar da nossa análise:
Os dados medidos continuam a ser essenciais para a avaliação do desempenho fotovoltaico, a adaptação ao local, a validação de modelos e a tomada de decisões. No entanto, não devem ser considerados automaticamente corretos. Só após um controlo de qualidade adequado é que podem tornar-se uma base fiável para uma menor incerteza e uma avaliação de desempenho mais credível.
