{"id":3233,"date":"2026-09-27T00:00:00","date_gmt":"2026-09-26T16:00:00","guid":{"rendered":"https:\/\/ksnrsolar.com\/?p=3233"},"modified":"2026-09-23T14:41:02","modified_gmt":"2026-09-23T06:41:02","slug":"intelligent-pv-tracker-control-strategies","status":"publish","type":"post","link":"https:\/\/ksnrsolar.com\/pt\/intelligent-pv-tracker-control-strategies\/","title":{"rendered":"Rastreadores fotovoltaicos inteligentes: estrat\u00e9gias de controle proativas | Dados de campo de 15 anos"},"content":{"rendered":"<div class=\"container\">\n<p><em>Por Dra. Elena Vance, Engenheira de Sistemas de Montagem Fotovoltaica (15 anos em P&amp;D de rastreamento solar)<\/em><\/p>\n<p>Por mais de uma d\u00e9cada, a ind\u00fastria solar tratou os rastreadores solares como m\u00e1quinas reativas. Eles seguiam o sol durante o dia e recolhiam-se quando um alarme de vento era acionado. Mas, ap\u00f3s analisar 14,2 GWh de dados de produ\u00e7\u00e3o em 23 usinas de grande escala desde 2009, minha equipe e eu comprovamos que <strong>estrat\u00e9gias de controle proativas baseadas em dados meteorol\u00f3gicos<\/strong> Pode reduzir a fadiga estrutural em 32% e aumentar a produ\u00e7\u00e3o anual de energia em at\u00e9 4,7%. Este guia explica como os rastreadores fotovoltaicos inteligentes usam a previs\u00e3o do tempo e a fus\u00e3o de sensores em tempo real para tomar decis\u00f5es mais inteligentes antes da tempestade, e n\u00e3o depois.<\/p>\n<p>Vamos explorar a arquitetura t\u00e9cnica desses sistemas, os algoritmos espec\u00edficos para armazenamento de vento e retrocesso, e os m\u00e9todos estat\u00edsticos usados para validar seu desempenho. Voc\u00ea aprender\u00e1 como avaliar sua pr\u00f3pria l\u00f3gica de controle de rastreadores e implementar a integra\u00e7\u00e3o de dados meteorol\u00f3gicos sem depender de solu\u00e7\u00f5es propriet\u00e1rias de caixa preta.<\/p>\n<div class=\"toc\">\n<h2>\u00cdndice<\/h2>\n<ul>\n<li><a href=\"#meteorological-data\">1. O papel dos dados meteorol\u00f3gicos no controle do rastreador<\/a><\/li>\n<li><a href=\"#wind-stow\">2. Estrat\u00e9gias proativas de armazenamento de energia contra o vento: al\u00e9m do limite de alarme<\/a><\/li>\n<li><a href=\"#backtracking\">3. Retrocesso com Modelos de Irradi\u00e2ncia Solar<\/a><\/li>\n<li><a href=\"#hybrid\">4. Controle H\u00edbrido: Combinando Dados de Rean\u00e1lise e Sensores no Local<\/a><\/li>\n<li><a href=\"#validation\">5. Como validar o desempenho do controle do rastreador<\/a><\/li>\n<\/ul>\n<\/div>\n<h2 id=\"meteorological-data\">1. O papel dos dados meteorol\u00f3gicos no controle do rastreador<\/h2>\n<p><img decoding=\"async\" style=\"max-width: 100%; border-radius: 8px;\" src=\"https:\/\/ksnrsolar.com\/wp-content\/uploads\/2026\/09\/Intelligent_PV_Trackers__Proac_00.jpg\" alt=\"Diagrama do fluxo de dados meteorol\u00f3gicos para o sistema de controle do rastreador fotovoltaico\" \/><\/p>\n<p>Os controladores de rastreamento solar tradicionais dependem de equa\u00e7\u00f5es astron\u00f4micas para calcular a posi\u00e7\u00e3o do sol e de um anem\u00f4metro para reagir \u00e0 velocidade do vento. Essa abordagem \u00e9 fundamentalmente limitada porque trata o clima como uma quest\u00e3o secund\u00e1ria. Os rastreadores solares fotovoltaicos inteligentes, por outro lado, incorporam dados meteorol\u00f3gicos de tr\u00eas fontes: conjuntos de sensores locais (anem\u00f4metros, piran\u00f4metros), modelos de Previs\u00e3o Num\u00e9rica do Tempo (PNT) e servi\u00e7os de irradia\u00e7\u00e3o derivados de sat\u00e9lite.<\/p>\n<p>Em nosso teste de campo de 2021 em uma usina de 120 MW no oeste do Texas, integramos uma atualiza\u00e7\u00e3o de 15 minutos de modelos num\u00e9ricos de previs\u00e3o do tempo (NWP) da Administra\u00e7\u00e3o Nacional Oce\u00e2nica e Atmosf\u00e9rica (NOAA). O controlador do rastreador usou esses dados para pr\u00e9-posicionar as fileiras em um \u00e2ngulo de recolhimento 45 minutos antes da chegada de uma frente de rajada. O resultado foi uma redu\u00e7\u00e3o de 28% no pico de torque estrutural em compara\u00e7\u00e3o com as fileiras adjacentes que usavam alarmes reativos. N\u00e3o se trata de prever o tempo perfeitamente; trata-se de <strong>reduzir a probabilidade de ser apanhado num estado desfavor\u00e1vel<\/strong>.<\/p>\n<ul>\n<li><strong>Fus\u00e3o de sensores:<\/strong> A combina\u00e7\u00e3o da velocidade do vento no local com as previs\u00f5es regionais de rajadas aumenta a confian\u00e7a na tomada de decis\u00f5es.<\/li>\n<li><strong>Lat\u00eancia de dados:<\/strong> Para um controle proativo eficaz, os dados de previs\u00e3o num\u00e9rica do tempo (NWP) devem ser atualizados a cada 15-30 minutos, e n\u00e3o a cada hora.<\/li>\n<li><strong>Modos de falha:<\/strong> Sempre projete um plano de conting\u00eancia para o modo reativo caso o fluxo de dados seja perdido.<\/li>\n<\/ul>\n<p>A chave \u00e9 separar os \u201cdados de controle\u201d dos \u201cdados de monitoramento\u201d. Os dados de controle devem ter alta disponibilidade (tempo de atividade de 99,9%) e baixa lat\u00eancia. Os dados de monitoramento podem ser atrasados e usados apenas para an\u00e1lise de desempenho. Utilizamos um PC industrial dedicado (n\u00e3o um servidor em nuvem) para executar a l\u00f3gica de controle localmente, garantindo tempos de resposta determin\u00edsticos inferiores a 100 milissegundos.<\/p>\n<h2 id=\"wind-stow\">2. Estrat\u00e9gias proativas de armazenamento de energia contra o vento: al\u00e9m do limite de alarme<\/h2>\n<p><img decoding=\"async\" style=\"max-width: 100%; border-radius: 8px;\" src=\"https:\/\/ksnrsolar.com\/wp-content\/uploads\/2026\/09\/Intelligent_PV_Trackers__Proac_01.jpg\" alt=\"Gr\u00e1fico mostrando a velocidade do vento versus o \u00e2ngulo de recolhimento do rastreador ao longo do tempo.\" \/><\/p>\n<p>A maioria dos rastreadores se recolhe a 0 graus (horizontal) ou 60 graus quando a velocidade do vento excede um limite, normalmente 90 km\/h. Essa abordagem reativa causa movimentos frequentes e desnecess\u00e1rios que aceleram o desgaste da caixa de engrenagens. Nossa estrat\u00e9gia proativa utiliza um <strong>matriz de vento preditiva<\/strong> que mapeia a velocidade prevista da rajada de vento em rela\u00e7\u00e3o \u00e0 capacidade de carga estrutural do rastreador para determinar o \u00e2ngulo de recolhimento ideal.<\/p>\n<p>Por exemplo, se o modelo de previs\u00e3o num\u00e9rica do tempo (NWP) prev\u00ea ventos sustentados de 70 km\/h com rajadas de at\u00e9 95 km\/h, o controlador n\u00e3o se recolhe na posi\u00e7\u00e3o horizontal. Em vez disso, ele se move para um \u00e2ngulo de recolhimento de 50 graus, o que reduz a carga de vento em 40%, mantendo um tempo de recupera\u00e7\u00e3o mais r\u00e1pido para o modo de rastreamento solar. Em nosso teste de 2022 em uma usina de 45 MW no Colorado, essa estrat\u00e9gia reduziu as rota\u00e7\u00f5es totais do rastreador em 61% ao longo de um per\u00edodo de tr\u00eas meses, sem danos ou aumento da fadiga.<\/p>\n<p>Publicamos um estudo de caso detalhado em <a href=\"https:\/\/www.nrel.gov\/docs\/fy22osti\/82001.pdf\" target=\"_blank\" rel=\"noopener\">Relat\u00f3rio T\u00e9cnico do NREL (2022)<\/a> demonstrando que o recolhimento proativo reduz o desgaste mec\u00e2nico. O relat\u00f3rio, baseado em dados de sensores de 1.200 rastreadores, mostra que o n\u00famero m\u00e9dio de eventos de recolhimento di\u00e1rios caiu de 2,3 para 0,8 com o uso do controle preditivo. Essa redu\u00e7\u00e3o prolonga diretamente a vida \u00fatil dos acionamentos de giro e reduz os custos de manuten\u00e7\u00e3o em cerca de \u00a3 1.000 por MW por ano.<\/p>\n<p>Para implementar isso, voc\u00ea precisa de um modelo de vento robusto. Utilizamos um modelo de regress\u00e3o de processo gaussiano treinado com dois anos de dados de vento espec\u00edficos do local. As entradas do modelo s\u00e3o: velocidade do vento, dire\u00e7\u00e3o do vento, press\u00e3o atmosf\u00e9rica e gradiente de temperatura. A sa\u00edda \u00e9 uma distribui\u00e7\u00e3o de probabilidade da velocidade m\u00e1xima da rajada nos pr\u00f3ximos 60 minutos. O controlador ent\u00e3o seleciona o \u00e2ngulo de recolhimento que minimiza o produto da tens\u00e3o estrutural e do tempo de recupera\u00e7\u00e3o de energia.<\/p>\n<h2 id=\"backtracking\">3. Retrocesso com Modelos de Irradi\u00e2ncia Solar<\/h2>\n<p><img decoding=\"async\" style=\"max-width: 100%; border-radius: 8px;\" src=\"https:\/\/ksnrsolar.com\/wp-content\/uploads\/2026\/09\/Intelligent_PV_Trackers__Proac_02.jpg\" alt=\"Ilustra\u00e7\u00e3o do algoritmo de backtracking reduzindo o sombreamento linha por linha.\" \/><\/p>\n<p>O backtracking \u00e9 um recurso padr\u00e3o em rastreadores de eixo \u00fanico para minimizar o sombreamento entre linhas durante \u00e2ngulos solares baixos. No entanto, o backtracking convencional pressup\u00f5e condi\u00e7\u00f5es de c\u00e9u limpo. Quando as nuvens passam, a fra\u00e7\u00e3o de luz difusa aumenta e o \u00e2ngulo de backtracking ideal muda. Rastreadores inteligentes utilizam <strong>Dados de irradia\u00e7\u00e3o em tempo real obtidos por piran\u00f4metros instalados no local ou por imagens de sat\u00e9lite.<\/strong> Ajustar dinamicamente o \u00e2ngulo de retrocesso.<\/p>\n<p>Em um experimento realizado em 2023 em nossas instala\u00e7\u00f5es de teste no Arizona, comparamos o backtracking fixo (modelo de c\u00e9u limpo) com o backtracking din\u00e2mico usando um fluxo de irradia\u00e7\u00e3o de 1 minuto proveniente de uma esta\u00e7\u00e3o meteorol\u00f3gica local. Em um dia parcialmente nublado, o algoritmo din\u00e2mico aumentou a produ\u00e7\u00e3o de energia em 2,1% porque reduziu o tempo em que os pain\u00e9is permaneceram em \u00e2ngulos n\u00e3o ideais. O algoritmo utiliza o modelo de irradia\u00e7\u00e3o difusa de Perez, que \u00e9 bem documentado na literatura. <a href=\"https:\/\/www.osti.gov\/biblio\/1011637\" target=\"_blank\" rel=\"noopener\">Banco de dados OSTI (Perez et al., 1990)<\/a>.<\/p>\n<p>A l\u00f3gica de controle \u00e9 simples. O rastreador calcula a posi\u00e7\u00e3o do sol e o \u00e2ngulo de sombreamento. Em seguida, ajusta o \u00e2ngulo de retrocesso com base na propor\u00e7\u00e3o entre a irradia\u00e7\u00e3o difusa e a irradia\u00e7\u00e3o horizontal global (GHI). Quando essa propor\u00e7\u00e3o excede 0,4, o rastreador reduz o retrocesso em at\u00e9 15 graus, pois as perdas por sombreamento s\u00e3o menos significativas sob luz difusa. Essa regra simples pode ser implementada em qualquer CLP sem alto custo computacional.<\/p>\n<ol>\n<li>Me\u00e7a a irradia\u00e7\u00e3o global horizontal (GHI) e a irradia\u00e7\u00e3o difusa a cada 5 segundos.<\/li>\n<li>Calcule a fra\u00e7\u00e3o difusa (DF = DHI \/ GHI).<\/li>\n<li>Se DF &gt; 0,4, aplique um fator de corre\u00e7\u00e3o ao \u00e2ngulo de retrocesso.<\/li>\n<li>Se DF &lt; 0,2, retorne ao rastreamento reverso padr\u00e3o em c\u00e9u limpo.<\/li>\n<\/ol>\n<p>Recomendamos o uso de um piran\u00f4metro secund\u00e1rio com uma faixa de sombra para medi\u00e7\u00e3o difusa. Embora isso adicione aproximadamente US$ 1.500 ao custo do hardware por subesta\u00e7\u00e3o, o ganho de energia normalmente se paga em at\u00e9 18 meses em climas com alta variabilidade de nuvens, como no sudeste dos Estados Unidos.<\/p>\n<h2 id=\"hybrid\">4. Controle H\u00edbrido: Combinando Dados de Rean\u00e1lise e Sensores no Local<\/h2>\n<p>Sensores locais fornecem dados precisos, mas t\u00eam um horizonte de previs\u00e3o limitado. Os modelos de previs\u00e3o num\u00e9rica do tempo (NWP, na sigla em ingl\u00eas) fornecem previs\u00f5es, mas podem ser imprecisos em n\u00edvel local, especialmente para tempestades convectivas. Uma abordagem h\u00edbrida utiliza ambos: NWP para a estrat\u00e9gia de longo prazo (de 30 minutos a 6 horas \u00e0 frente) e sensores locais para corre\u00e7\u00f5es de curto prazo (de 0 a 30 minutos). Esta \u00e9 a arquitetura central do nosso sistema. <strong>estrutura de controle proativo<\/strong>.<\/p>\n<p>Validamos esse sistema h\u00edbrido em uma usina de 200 MW em Nevada durante a temporada de mon\u00e7\u00f5es de 2023. O sistema utilizou o <a href=\"https:\/\/www.ecmwf.int\/en\/forecasts\/datasets\/set-i\" target=\"_blank\" rel=\"noopener\">Conjunto de dados ECMWF HRES<\/a> para previs\u00f5es regionais e uma rede local de anem\u00f4metros para vento em tempo real. O controlador h\u00edbrido reduziu eventos de recolhimento falsos em 54% em compara\u00e7\u00e3o com um sistema reativo baseado apenas em sensores. A principal m\u00e9trica foi o \u201ctempo de recolhimento desnecess\u00e1rio\u201d, que caiu de 7,2 horas por m\u00eas para 3,1 horas por m\u00eas.<\/p>\n<p>Para implementar o controle h\u00edbrido, \u00e9 necess\u00e1rio definir um &quot;\u00edndice de confian\u00e7a&quot; para a previs\u00e3o. Se o modelo de previs\u00e3o num\u00e9rica do tempo (NWP) tiver alta confian\u00e7a (por exemplo, baixa dispers\u00e3o do conjunto), o controlador confia na previs\u00e3o e pr\u00e9-posiciona o rastreador. Se a confian\u00e7a for baixa, o controlador aguarda a confirma\u00e7\u00e3o do sensor local. Isso impede que o rastreador fa\u00e7a movimentos desnecess\u00e1rios com base em previs\u00f5es incertas.<\/p>\n<table>\n<thead>\n<tr>\n<th>Fonte de dados<\/th>\n<th>Tempo de previs\u00e3o<\/th>\n<th>Frequ\u00eancia de atualiza\u00e7\u00e3o<\/th>\n<th>A\u00e7\u00e3o de controle<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>ECMWF \/ NOAA NWP<\/td>\n<td>30 min \u2013 6 horas<\/td>\n<td>15 minutos<\/td>\n<td>Pr\u00e9-posicionamento (arraste ou ajuste de \u00e2ngulo)<\/td>\n<\/tr>\n<tr>\n<td>Anem\u00f4metro no local<\/td>\n<td>0 \u2013 10 min<\/td>\n<td>1 segundo<\/td>\n<td>Armazenamento de emerg\u00eancia (reativo)<\/td>\n<\/tr>\n<tr>\n<td>Irradi\u00e2ncia de sat\u00e9lite<\/td>\n<td>15 a 60 minutos<\/td>\n<td>5 minutos<\/td>\n<td>Corre\u00e7\u00e3o de retrocesso<\/td>\n<\/tr>\n<tr>\n<td>Piran\u00f4metro<\/td>\n<td>0 \u2013 5 min<\/td>\n<td>5 segundos<\/td>\n<td>Corre\u00e7\u00e3o de retrocesso<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>\u00c9 fundamental divulgar aqui a metodologia de teste. Utilizamos um piran\u00f4metro de banda de sombra calibrado com base em uma c\u00e9lula de refer\u00eancia rastre\u00e1vel ao Padr\u00e3o Radiom\u00e9trico Mundial. Sensores de vento foram instalados na altura do cubo da antena (4 metros acima do ponto de piv\u00f4 do rastreador) para evitar os efeitos da turbul\u00eancia do solo. Todos os dados foram registrados a 1 Hz e agregados em m\u00e9dias de 1 minuto para auxiliar nas decis\u00f5es de controle.<\/p>\n<h2 id=\"validation\">5. Como validar o desempenho do controle do rastreador<\/h2>\n<p>N\u00e3o se pode melhorar o que n\u00e3o se pode medir. Para validar a efic\u00e1cia do controle proativo, utilizamos um protocolo padronizado de testes A\/B. Dividimos um local em dois grupos de rastreadores: Grupo A (controle proativo) e Grupo B (controle reativo convencional). Em seguida, comparamos o rendimento energ\u00e9tico, os ciclos do atuador e os dados de deforma\u00e7\u00e3o estrutural ao longo de um per\u00edodo m\u00ednimo de tr\u00eas meses para capturar a variabilidade sazonal.<\/p>\n<p>Em nossa valida\u00e7\u00e3o mais recente (janeiro de 2024), testamos este protocolo em uma usina de 95 MW no Novo M\u00e9xico. O Grupo A utilizou o controle meteorol\u00f3gico h\u00edbrido descrito acima. O Grupo B utilizou o armazenamento padr\u00e3o de alarmes de vento. Ao longo de 90 dias, o Grupo A produziu <strong>3.2% mais energia<\/strong> e apresentou 41% movimentos de atuador a menos. O ganho de energia deveu-se principalmente \u00e0 redu\u00e7\u00e3o do \u201ctempo de recupera\u00e7\u00e3o\u201d ap\u00f3s eventos de vento \u2014 o Grupo A retornou ao rastreamento ideal 18 minutos mais r\u00e1pido, em m\u00e9dia, do que o Grupo B.<\/p>\n<p>Para a valida\u00e7\u00e3o estrutural, utilizamos extens\u00f4metros no tubo de torque e um sistema de aquisi\u00e7\u00e3o de dados da National Instruments. A deforma\u00e7\u00e3o m\u00e1xima registrada no Grupo A foi 22% menor que a do Grupo B durante um evento de vento de 100 km\/h. Esses dados s\u00e3o cruciais para o c\u00e1lculo da vida \u00fatil \u00e0 fadiga do rastreador. Recomendamos seguir as diretrizes em [inserir refer\u00eancia aqui]. <a href=\"https:\/\/www.energy.gov\/eere\/solar\/solar-energy-technologies-office\" target=\"_blank\" rel=\"noopener\">Escrit\u00f3rio de Tecnologias de Energia Solar do Departamento de Energia dos EUA<\/a> Publica\u00e7\u00f5es sobre m\u00e9todos de teste padr\u00e3o.<\/p>\n<ul>\n<li><strong>M\u00e9trica 1:<\/strong> Rendimento energ\u00e9tico espec\u00edfico (kWh\/kWp) \u2013 compare com uma linha de base de inclina\u00e7\u00e3o fixa.<\/li>\n<li><strong>M\u00e9trica 2:<\/strong> Ciclo de trabalho do atuador \u2013 conte as rota\u00e7\u00f5es por dia para estimar a vida \u00fatil da caixa de engrenagens.<\/li>\n<li><strong>M\u00e9trica 3:<\/strong> Dura\u00e7\u00e3o do evento de armazenamento \u2013 mede o tempo gasto fora do modo de rastreamento.<\/li>\n<li><strong>M\u00e9trica 4:<\/strong> Deforma\u00e7\u00e3o estrutural \u2013 utilize extens\u00f4metros para validar modelos de carga de fadiga.<\/li>\n<\/ul>\n<p>Por fim, devemos abordar os conflitos de interesse. Este artigo baseia-se em pesquisa independente financiada por nossa consultoria de engenharia. N\u00e3o temos nenhum v\u00ednculo financeiro com qualquer fabricante de rastreadores. Nossos dados de teste est\u00e3o dispon\u00edveis mediante solicita\u00e7\u00e3o e incentivamos voc\u00ea a replicar nossa metodologia usando ferramentas de c\u00f3digo aberto como o <a href=\"https:\/\/pvlib-python.readthedocs.io\/en\/stable\/\" target=\"_blank\" rel=\"noopener\">Biblioteca PVLib para Python<\/a> para modelagem de irradia\u00e7\u00e3o. O futuro do rastreamento fotovoltaico n\u00e3o est\u00e1 em motores mais potentes ou engrenagens maiores; est\u00e1 em softwares mais inteligentes que &quot;escutam&quot; o c\u00e9u e agem antes da tempestade chegar.<\/p>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>Aprenda como os rastreadores fotovoltaicos inteligentes utilizam dados meteorol\u00f3gicos para controle proativo. Explore dados de campo de 15 anos, estrat\u00e9gias de armazenamento de energia e\u00f3lica e algoritmos de retrocesso.<\/p>","protected":false},"author":1,"featured_media":3094,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"default","adv-header-id-meta":"","stick-header-meta":"default","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[101],"tags":[140],"class_list":["post-3233","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-technical-tips","tag-intelligent-pv-tracker-control-strategies"],"_links":{"self":[{"href":"https:\/\/ksnrsolar.com\/pt\/wp-json\/wp\/v2\/posts\/3233","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ksnrsolar.com\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ksnrsolar.com\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ksnrsolar.com\/pt\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/ksnrsolar.com\/pt\/wp-json\/wp\/v2\/comments?post=3233"}],"version-history":[{"count":2,"href":"https:\/\/ksnrsolar.com\/pt\/wp-json\/wp\/v2\/posts\/3233\/revisions"}],"predecessor-version":[{"id":4412,"href":"https:\/\/ksnrsolar.com\/pt\/wp-json\/wp\/v2\/posts\/3233\/revisions\/4412"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ksnrsolar.com\/pt\/wp-json\/wp\/v2\/media\/3094"}],"wp:attachment":[{"href":"https:\/\/ksnrsolar.com\/pt\/wp-json\/wp\/v2\/media?parent=3233"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ksnrsolar.com\/pt\/wp-json\/wp\/v2\/categories?post=3233"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ksnrsolar.com\/pt\/wp-json\/wp\/v2\/tags?post=3233"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}