26 ago Da supervisão de dados à manutenção prescritiva: como a inteligência artificial pode transformar a gestão de ativos no contexto da transição energética
A transição energética costuma ser associada à expansão das fontes renováveis, do crescimento da geração distribuída ao desenvolvimento de novas tecnologias capazes de reduzir as emissões de carbono. Embora esses elementos sejam fundamentais, existe um aspecto igualmente estratégico que, muitas vezes, recebe menor atenção: a necessidade de tornar a operação e a manutenção da infraestrutura elétrica já instalada mais inteligentes e eficientes.
Transformadores de potência, linhas de transmissão e subestações continuarão a desempenhar um papel central durante as próximas décadas, mesmo diante da crescente diversificação da matriz elétrica. À medida que o sistema incorpora novas fontes intermitentes, amplia sua digitalização e passa a operar em condições cada vez mais dinâmicas, cresce, também, a importância de garantir elevados níveis de confiabilidade, disponibilidade e eficiência dos ativos responsáveis por transportar a energia produzida até os centros consumidores.
Nesse contexto, a gestão de ativos deixa de ser apenas uma atividade de manutenção para assumir posição estratégica na própria sustentabilidade do setor elétrico. Preservar equipamentos críticos, prolongar sua vida útil e antecipar possíveis falhas significa reduzir investimentos desnecessários em substituições prematuras, minimizar indisponibilidades e aumentar a resiliência de toda a rede elétrica. Em outras palavras, a transição energética possui quatro pilares fundamentais: a descentralização, descarbonização, democratização de recursos e a digitalização, que possibilita extrair mais inteligência mesmo dos ativos que já estão em operação.
Os transformadores de potência representam, talvez, o melhor exemplo dessa realidade. São equipamentos projetados para operar durante décadas, possuem elevado custo de aquisição e exercem papel decisivo na continuidade do fornecimento de energia. Uma falha inesperada em um transformador ultrapassa os prejuízos associados ao próprio equipamento, podendo comprometer a disponibilidade de um ponto crítico da rede, gerar impactos sistêmicos e exigir intervenções complexas para restabelecimento da operação. Por isso, antecipar sinais de degradação tornou-se um dos grandes desafios da engenharia contemporânea.
Entre os diversos fatores que influenciam o envelhecimento desses ativos, a temperatura ocupa posição de destaque. A exposição contínua a temperaturas elevadas acelera o processo de degradação do isolamento sólido, reduzindo progressivamente a vida útil do equipamento. Pequenos desvios térmicos, quando persistentes, podem produzir efeitos cumulativos que somente serão percebidos meses ou anos depois, quando os custos de recuperação já são significativamente maiores. Monitorar esse comportamento sempre foi uma preocupação das concessionárias. A diferença é que, hoje, existem recursos computacionais capazes de transformar esse monitoramento em capacidade real de antecipação.
Essa mudança de paradigma ocorre em um momento particularmente favorável. Nas últimas décadas, o avanço da digitalização promoveu uma verdadeira revolução na quantidade de informações produzidas pelas subestações elétricas. Sistemas de supervisão e controle, como plataformas SCADA e SAGE, registram continuamente milhares de variáveis relacionadas ao comportamento dos equipamentos, armazenando informações sobre correntes, tensões, temperaturas, estados operacionais, alarmes e diversos outros parâmetros essenciais para o funcionamento da rede.
Entretanto, a simples disponibilidade desse enorme patrimônio de dados não significa, necessariamente, que ele esteja sendo convertido em conhecimento útil para apoiar a tomada de decisão.
Na prática, boa parte dessas informações permanece restrita ao acompanhamento em tempo real da operação ou à investigação de eventos já ocorridos. Em muitos casos, milhões de registros históricos são armazenados continuamente sem que sejam explorados para identificar tendências, prever comportamentos futuros ou recomendar intervenções capazes de evitar falhas antes que elas aconteçam. Existe, portanto, uma diferença importante entre monitorar um equipamento e compreender, antecipadamente, sua evolução operacional.
É justamente nessa lacuna que a inteligência artificial (IA) começa a assumir um papel transformador.
Embora algoritmos de aprendizado de máquina tenham se tornado tema recorrente em praticamente todos os segmentos industriais, sua incorporação ao cotidiano da operação elétrica ainda enfrenta obstáculos importantes. Diferentemente dos ambientes controlados, utilizados com frequência em pesquisas acadêmicas, os dados provenientes das subestações apresentam características que tornam sua utilização muito mais desafiadora. Registros incompletos, diferentes frequências de aquisição, sinais congelados, ruídos de telemetria, inconsistências temporais e ausência de eventos de falha devidamente rotulados constituem dificuldades permanentes para qualquer tentativa de aplicação prática da inteligência artificial.
Esse aspecto costuma ser pouco percebido fora da comunidade técnica. Existe uma tendência de imaginar que basta alimentar um algoritmo com grandes volumes de dados para que ele passe a produzir previsões confiáveis. A realidade é bastante diferente. Modelos de inteligência artificial são extremamente sensíveis à qualidade das informações utilizadas durante seu treinamento. Dados inconsistentes produzem modelos inconsistentes, independentemente da sofisticação matemática empregada.
Por essa razão, talvez o maior mérito da pesquisa desenvolvida em parceria entre a CESBE e a UFPR (Universidade Federal do Paraná), intitulada “Da Supervisão de Dados à Manutenção Prescritiva: Gestão Inteligente de Ativos para Transformadores na Transição Energética”, não esteja, inicialmente, na utilização de redes neurais profundas ou de técnicas avançadas de aprendizado por reforço. A principal contribuição encontra-se na construção de uma arquitetura integrada capaz de transformar registros operacionais brutos em conhecimento efetivamente utilizável pela engenharia de manutenção.
Essa arquitetura foi concebida para atuar como uma camada analítica entre o sistema supervisório existente e os processos de tomada de decisão operacional. Em vez de substituir os sistemas atualmente utilizados pelas concessionárias, a proposta aproveita toda a infraestrutura de aquisição de dados já instalada nas subestações e adiciona novas capacidades analíticas sobre ela. Trata-se de uma abordagem particularmente interessante porque reduz barreiras para futura adoção e demonstra que grande parte do potencial de inovação já está presente nas informações produzidas diariamente pelas próprias instalações elétricas.
A plataforma desenvolvida organiza essa transformação em três grandes etapas complementares. A primeira consiste na qualificação e organização das bases de dados provenientes do sistema supervisório. A segunda utiliza modelos de aprendizado profundo para prever a evolução térmica dos transformadores com antecedência suficiente para apoiar decisões operacionais. Finalmente, a terceira converte essas previsões em recomendações objetivas de manutenção, entregues ao operador por meio de uma interface capaz de reunir, em um único ambiente, o diagnóstico atual do equipamento, sua tendência futura de comportamento e a ação operacional mais adequada para cada situação.
Essa sequência representa uma evolução importante na forma como tradicionalmente a manutenção é conduzida no setor elétrico. Durante décadas, predominou uma lógica baseada na correção de falhas já ocorridas ou em cronogramas de manutenção preventiva baseados em tempo de operação. Posteriormente, os avanços na instrumentação permitiram o fortalecimento da manutenção baseada em condição, capaz de identificar sinais de degradação antes da ocorrência de falhas.
Agora, surge um novo estágio de maturidade tecnológica: a manutenção prescritiva. Nesse modelo, não basta prever o comportamento futuro de um ativo. O sistema passa a recomendar, de forma fundamentada, qual ação deve ser adotada diante de cada cenário identificado, aproximando a inteligência artificial do próprio processo decisório da operação.
Essa mudança pode representar um dos próximos grandes avanços na gestão inteligente de ativos do setor elétrico.
Da inteligência dos dados à inteligência operacional
Se a transformação digital produziu um volume sem precedentes de informações operacionais nas subestações, o verdadeiro desafio passou a ser outro: transformar dados em decisões.
Essa mudança de perspectiva ajuda a compreender por que a pesquisa desenvolvida em parceria entre a CESBE e a UFPR não se limita ao desenvolvimento de um novo algoritmo de inteligência artificial. Na realidade, o estudo propõe uma nova arquitetura para utilização dos dados já disponíveis nas concessionárias, integrando diferentes tecnologias em uma única cadeia de processamento capaz de apoiar a tomada de decisão em tempo real.
Essa integração talvez seja o aspecto mais inovador do trabalho. Grande parte das pesquisas sobre inteligência artificial aplicada ao setor elétrico concentra esforços na construção de modelos preditivos cada vez mais precisos. Em geral, esses estudos encerram sua contribuição na capacidade de estimar uma variável futura, como a temperatura de um transformador ou sua vida útil remanescente. Embora extremamente importantes, essas previsões ainda dependem da interpretação humana para que alguma decisão operacional seja efetivamente tomada.
A proposta apresentada pelo estudo em questão avança um passo além. Em vez de entregar apenas uma previsão, a plataforma desenvolvida procura responder à pergunta que realmente interessa ao operador da subestação: diante desse cenário previsto, qual ação deve ser executada? Essa diferença muda completamente a natureza da ferramenta.
Enquanto modelos convencionais produzem diagnósticos, a arquitetura proposta produz recomendações. É justamente essa característica que aproxima o conceito de manutenção prescritiva da rotina operacional das empresas do setor elétrico.
Para alcançar esse resultado, entretanto, optou-se por um caminho metodológico que merece destaque. Antes mesmo da aplicação de qualquer modelo de inteligência artificial, foi necessário enfrentar um problema frequentemente negligenciado: a qualidade dos dados.
Os registros provenientes do sistema supervisório não foram originalmente concebidos para alimentar algoritmos de aprendizado de máquina. Eles são produzidos em função da dinâmica operacional dos equipamentos, com diferentes frequências de aquisição e intervalos temporais irregulares, característica perfeitamente adequada ao monitoramento da operação, mas incompatível com a maior parte dos modelos estatísticos e computacionais utilizados atualmente.
Foi justamente essa etapa de preparação que possibilitou transformar registros originalmente voltados à supervisão operacional em séries temporais consistentes, sincronizadas e prontas para alimentar os modelos analíticos. O trabalho envolveu processos de ordenação cronológica, reamostragem temporal, interpolação, tratamento de lacunas, agregação de variáveis e avaliação sistemática da qualidade das informações disponíveis.
Embora esse processo ocorra nos bastidores da plataforma, sua importância dificilmente pode ser superestimada. Em ciência de dados, costuma-se afirmar que modelos sofisticados não compensam bases inconsistentes. O estudo confirma exatamente esse princípio ao demonstrar que a confiabilidade das recomendações depende, antes de tudo, da confiabilidade dos dados utilizados para produzi-las.
Os próprios números da pesquisa ilustram a dimensão desse trabalho. Foram analisados mais de 15 milhões de registros analógicos e aproximadamente 93 mil registros digitais, coletados entre outubro de 2025 e março de 2026, a partir de dados extraídos do sistema supervisório SAGE da Subestação Londrina Sul. Após a etapa de harmonização temporal, os registros foram reorganizados em uma estrutura analítica regular, preservando a dinâmica operacional dos equipamentos e criando uma base adequada para o treinamento dos modelos de inteligência artificial.
Outro aspecto particularmente interessante é que a metodologia não se limitou a eliminar inconsistências. Foram desenvolvidos indicadores específicos para avaliar a “prontidão analítica” dos diferentes sinais monitorados, considerando fatores como presença de outliers, congelamento de sinais e integridade das informações. Essa abordagem permite compreender quais variáveis apresentam condições mais favoráveis para utilização em modelos preditivos, contribuindo para tornar futuras aplicações mais robustas e confiáveis.
Com essa base estruturada, iniciou-se a segunda etapa da arquitetura: a previsão do comportamento térmico do transformador.
Optou-se por utilizar redes neurais recorrentes do tipo LSTM (Long Short-Term Memory), tecnologia amplamente reconhecida por sua capacidade de modelar fenômenos que evoluem ao longo do tempo. O objetivo era prever, com antecedência de até 24 horas, a temperatura do óleo do transformador, uma das variáveis mais relevantes para a avaliação de sua condição operacional e do processo de envelhecimento do ativo.
Um aspecto metodológico chama a atenção. Ao contrário da expectativa intuitiva de que um número maior de variáveis produziria previsões mais precisas, os experimentos realizados no escopo da pesquisa demonstraram que a melhor configuração foi justamente aquela baseada apenas no histórico da própria temperatura do óleo.
Os testes comparativos mostraram que a incorporação simultânea de correntes, tensões e outras grandezas aumentava a complexidade do modelo sem gerar ganhos proporcionais de desempenho. Em determinados cenários, a mistura de variáveis de diferentes naturezas físicas introduzia ruídos adicionais que reduziam a capacidade preditiva da rede neural.
O resultado reforça um princípio importante da modelagem baseada em dados: nem sempre mais informação significa mais conhecimento. Muitas vezes, compreender profundamente o comportamento da variável crítica produz resultados superiores à simples ampliação do conjunto de entradas utilizadas pelo algoritmo.
Os resultados alcançados confirmam essa estratégia. No conjunto de dados analisado, o modelo foi capaz de prever a temperatura do óleo com erro absoluto médio de 2,17 °C e erro percentual médio de 3,67%, mantendo boa aderência entre valores previstos e observados ao longo das 24 horas analisadas. Mais do que atingir indicadores estatísticos favoráveis, a pesquisa demonstrou que o algoritmo conseguiu acompanhar adequadamente os ciclos naturais de aquecimento e resfriamento do transformador, preservando sua dinâmica operacional mesmo diante das variações típicas do sistema elétrico.
Esses resultados tornam-se ainda mais relevantes quando se considera a aplicação prática pretendida pelos envolvidos na pesquisa. O objetivo da plataforma não é produzir projeções operacionais de longo prazo nem estimativas de comportamento para meses à frente. Seu propósito é fornecer ao operador uma janela de antecipação suficientemente ampla para que decisões operacionais possam ser tomadas antes que o equipamento alcance condições críticas de funcionamento.
É exatamente nesse ponto que a terceira etapa da pesquisa diferencia esta proposta de grande parte das aplicações atuais de inteligência artificial na engenharia de manutenção.
Em vez de interromper o processo na previsão da temperatura, a plataforma utiliza esse resultado como ponto de partida para um segundo modelo de inteligência artificial, baseado em aprendizado por reforço profundo (Deep Q-Learning). Nessa etapa, o algoritmo deixa de responder “o que provavelmente acontecerá?” para responder “o que deve ser feito diante do que provavelmente acontecerá?”.
Essa mudança aparentemente sutil representa, na prática, a passagem da inteligência analítica para a inteligência operacional.
A manutenção prescritiva como próximo estágio da gestão inteligente de ativos
Ao incorporar um módulo capaz de recomendar ações operacionais, a plataforma desenvolvida na pesquisa introduz uma mudança conceitual importante na forma como a inteligência artificial pode apoiar a engenharia de manutenção.
Tradicionalmente, os sistemas supervisórios desempenham um papel essencialmente descritivo: apresentam ao operador aquilo que está acontecendo naquele instante. Em um estágio mais avançado, modelos preditivos acrescentam uma nova camada de inteligência ao estimar o comportamento futuro do equipamento. A proposta apresentada neste estudo, entretanto, acrescenta uma terceira dimensão ao processo decisório. Em vez de limitar-se a prever um possível aumento de temperatura, o sistema interpreta esse cenário, avalia o nível de risco associado e sugere a resposta operacional mais adequada.
Sob a perspectiva da engenharia, essa diferença é significativa. Previsões, por si só, não evitam falhas. Elas apenas ampliam a capacidade de compreender cenários operacionais futuros e de subsidiar intervenções preventivas. A prevenção efetiva depende da transformação dessa informação em decisões concretas, executadas no momento oportuno. É justamente esse intervalo entre conhecer um risco e agir sobre ele que a manutenção prescritiva procura reduzir.
Para isso, recorreu-se a técnicas de aprendizado por reforço profundo (Deep Reinforcement Learning), permitindo que o sistema associasse diferentes estados operacionais do transformador às ações consideradas mais adequadas em cada condição. Em vez de trabalhar com respostas binárias (isto é, operar normalmente ou desligar o equipamento), o modelo foi estruturado para produzir recomendações graduais, compatíveis com diferentes níveis de severidade.
Na prática, isso significa que a plataforma pode sugerir desde um simples monitoramento reforçado até ações mais robustas, como verificar o funcionamento do sistema de ventilação, inspecionar sensores, programar intervenções de manutenção ou, em situações críticas, apoiar a recomendação de um desligamento controlado do equipamento, sempre sujeito à avaliação dos responsáveis pela operação. Essa gradação aproxima a inteligência artificial da lógica utilizada pelos próprios especialistas responsáveis pela operação dos ativos, evitando respostas excessivamente simplificadas para problemas naturalmente complexos.
Outro aspecto particularmente interessante é que as recomendações deixam de ser disparadas apenas pela condição atual do transformador. Elas passam a considerar também sua tendência de evolução nas horas seguintes.
Essa mudança amplia significativamente a capacidade de antecipação da operação. Em vez de esperar que um limite operacional seja efetivamente ultrapassado, torna-se possível agir quando as projeções indicam elevada probabilidade de que esse cenário venha a ocorrer. Em outras palavras, o foco deixa de ser a reação a eventos consumados para privilegiar intervenções preventivas orientadas por evidências quantitativas.
Sob esse ponto de vista, a plataforma representa uma evolução natural da digitalização das subestações.
Durante muitos anos, a transformação digital concentrou esforços na ampliação da capacidade de aquisição, transmissão e armazenamento de dados. Posteriormente, os avanços em ciência de dados passaram a permitir análises mais sofisticadas sobre essas informações. Agora, observa-se um novo movimento: a integração dessas capacidades analíticas diretamente ao processo decisório da operação.
Mais do que produzir indicadores, os sistemas passam a colaborar ativamente com a gestão dos ativos. Essa perspectiva torna-se ainda mais relevante diante das transformações pelas quais passa o setor elétrico mundial.
A crescente participação de fontes renováveis intermitentes, a expansão da geração distribuída, o aumento da eletrificação de diversos segmentos da economia e a necessidade de tornar as redes mais flexíveis impõem novos desafios operacionais às empresas de transmissão e distribuição de energia. Nesse ambiente, a confiabilidade dos equipamentos deixa de representar apenas uma questão de manutenção para assumir papel estratégico na segurança energética.
É justamente nesse cenário que pesquisas como esta encontram sua maior contribuição. Ao demonstrar que informações já produzidas diariamente pelos sistemas supervisórios podem ser convertidas em recomendações inteligentes, o estudo aponta um caminho de evolução que independe, em grande medida, da substituição imediata da infraestrutura existente. A inovação passa a ocorrer também pela utilização mais eficiente dos ativos instalados, ampliando sua disponibilidade operacional e contribuindo para prolongar sua vida útil.
Esse raciocínio dialoga diretamente com um dos princípios mais relevantes da transição energética contemporânea: sustentabilidade não significa apenas construir novos ativos mais eficientes, mas também utilizar melhor aqueles que já existem. Sob essa perspectiva, a digitalização da operação transforma-se em um instrumento de sustentabilidade.
Quanto maior for a capacidade de antecipar degradações, reduzir intervenções emergenciais e otimizar programas de manutenção, maiores tendem a ser a disponibilidade dos equipamentos, a eficiência operacional dos sistemas elétricos e o aproveitamento dos investimentos já realizados em infraestrutura. A engenharia de manutenção passa, assim, a contribuir diretamente para objetivos mais amplos de eficiência energética, redução de desperdícios e fortalecimento da resiliência das redes elétricas.
Outro mérito da pesquisa reside no próprio modelo de desenvolvimento adotado. Os resultados apresentados são fruto da colaboração entre universidade e setor produtivo, utilizando dados reais obtidos em operação comercial. Essa aproximação entre pesquisa acadêmica e ambiente industrial reduz uma das principais dificuldades históricas da inovação tecnológica, a saber, transformar conhecimento científico em soluções capazes de enfrentar desafios concretos da engenharia.
A utilização de um autotransformador de 50 MVA em operação na Subestação Londrina Sul, operada pela CESBE, permitiu validar a metodologia em condições representativas da operação de uma instalação do sistema elétrico brasileiro. Essa característica confere maior relevância prática aos resultados obtidos e amplia seu potencial para orientar futuras pesquisas e aplicações em outros contextos operacionais.
Naturalmente, como todo desenvolvimento científico consistente, entretanto, o próprio estudo reconhece seus limites. Esclarece-se que a plataforma representa uma prova de conceito, ainda em processo de evolução.
Embora os resultados demonstrem a viabilidade técnica da integração entre supervisão, previsão e recomendação, novas etapas de validação serão necessárias antes que soluções dessa natureza possam ser incorporadas em larga escala às rotinas operacionais das empresas do setor elétrico, incluindo testes em diferentes equipamentos, condições de carga, arranjos operacionais e horizontes temporais. Entre as perspectivas futuras estão a ampliação da base de dados utilizada, a validação em diferentes equipamentos e condições de operação e o refinamento contínuo dos modelos de inteligência artificial empregados.
Longe de representar uma limitação, essa postura reforça o rigor científico da pesquisa.
A maturidade tecnológica dificilmente resulta de soluções prontas. Ela é construída por meio da evolução contínua de métodos, experimentos e validações sucessivas. O reconhecimento explícito desse processo, nesse sentido, evidencia uma característica essencial da inovação científica: sua capacidade permanente de aperfeiçoamento.
Independentemente dos desdobramentos futuros, uma contribuição parece já estar consolidada. O estudo demonstra que a inteligência artificial aplicada ao setor elétrico pode cumprir um papel muito mais abrangente do que simplesmente automatizar análises ou aumentar a precisão de modelos matemáticos. Seu verdadeiro potencial reside em aproximar dados, conhecimento especializado e tomada de decisão, criando sistemas capazes de apoiar operadores e engenheiros na gestão cotidiana de ativos cada vez mais complexos.
Talvez esse seja o principal legado desta pesquisa. À medida que a infraestrutura elétrica se torna mais digital, a vantagem competitiva das organizações deixará de depender apenas da quantidade de informações que conseguem coletar. Ela estará cada vez mais relacionada à capacidade de transformar essas informações em conhecimento acionável, produzindo decisões mais rápidas, mais consistentes e mais inteligentes.
A plataforma apresentada pelo estudo em questão aponta exatamente nessa direção. Mais do que demonstrar uma aplicação bem-sucedida de inteligência artificial, ela sugere uma nova forma de compreender a gestão de ativos no contexto da transição energética: uma gestão orientada por dados, sustentada por modelos analíticos robustos e, sobretudo, capaz de antecipar decisões antes que os riscos se convertam em falhas.
Se esse paradigma se consolidar nos próximos anos, a evolução da manutenção não será medida apenas pela precisão de seus algoritmos, mas pela capacidade de transformar informação em ação. É justamente essa integração entre supervisão, previsão e prescrição que poderá definir uma nova geração de sistemas inteligentes para o setor elétrico, ampliando a confiabilidade da infraestrutura existente e contribuindo para uma transição energética mais segura, eficiente e sustentável.
Referências e notas metodológicas
Este artigo é baseado na pesquisa “Da Supervisão de Dados à Manutenção Prescritiva: Gestão Inteligente de Ativos para Transformadores na Transição Energética”, desenvolvida em parceria entre a CESBE Energia e a Universidade Federal do Paraná (UFPR). Pelo Grupo CESBE, participaram Rafael Celso Pereira, Aroldo Felix de Lima Junior, Bruno Panucci de Souza e Lucas Tavares Ferreira. Pela UFPR, participaram Larissa Charneski Lange, Alexandre Rasi Aoki, André Tamiarana Canetta, Clodomiro Unsihuay-Vila, Eduardo Scarante Demczuk, Kristie Kaminski Küster, Lucas Nóbrega Bezerra e Mateus Duarte Teixeira.
Sobre os autores:
Rafael Celso Pereira é consultor de Inovação no Grupo CESBE, com MBA Executivo em Gestão da Inovação Tecnológica pela FGV.
Mateus Duarte Teixeira é professor de Engenharia Elétrica da UFPR, com atuação em pesquisa, desenvolvimento e inovação no setor elétrico.
The post Da supervisão de dados à manutenção prescritiva: como a inteligência artificial pode transformar a gestão de ativos no contexto da transição energética appeared first on O Setor Elétrico | Conteúdo técnico para profissionais do setor elétrico.
Fonte: www.osetoreletrico.com.br