O setor energético sempre foi intensivo em engenharia. Agora, também está se tornando intensivo em dados e modelos de decisão.
A Inteligência Artificial já é aplicada para identificar desvios em ativos, prever demanda e geração, detectar perdas, apoiar a operação da rede e automatizar processos corporativos. A transformação em curso, porém, é mais ampla.
Medidores inteligentes, geração distribuída, baterias, veículos elétricos e a expansão do mercado livre estão aproximando três dimensões que antes eram tratadas separadamente:
Ativos físicos, operação do sistema e relacionamento com o cliente.
Essa transformação exige uma arquitetura especializada, capaz de combinar modelos estatísticos, Machine Learning, inferência bayesiana, otimização matemática, conhecimento de engenharia, modelos de linguagem e agentes conectados aos processos reais do setor.
Na Murabei, chamamos essa abordagem de IA Vertical.
Ativos que avisam antes de falhar
A manutenção preditiva é uma das aplicações mais consolidadas da IA no setor energético.
Transformadores, turbinas, inversores, módulos solares, geradores e equipamentos de subestações produzem continuamente dados de temperatura, tensão, corrente, potência, vibração, alarmes e condições ambientais.
Modelos analíticos podem aprender o comportamento esperado de cada ativo e identificar alterações antes que uma falha se torne evidente.
O valor da solução está em transformar o sinal em uma decisão operacional:
- qual desvio ocorreu;
- qual é sua provável causa;
- qual é a criticidade;
- quanto de energia está sendo perdido;
- qual procedimento deve ser executado;
- qual ocorrência deve ser atendida primeiro.
O Departamento de Energia dos Estados Unidos identifica aplicações de IA em planejamento, confiabilidade, resiliência, inspeção e manutenção de ativos da infraestrutura elétrica [1].
Um projeto concluído com a CEMIG
Em parceria com a CEMIG, a Murabei concluiu recentemente uma solução de manutenção preditiva para usinas solares.
O sistema analisa o desempenho da usina para identificar e classificar desvios, estimar perdas de geração, avaliar sua criticidade e sugerir procedimentos de inspeção ou manutenção.
A lógica é transformar dados operacionais em uma fila de decisões priorizada pelo impacto técnico e econômico.
Dois desvios aparentemente semelhantes podem ter consequências distintas. Um pode representar uma oscilação temporária. Outro pode indicar perda crescente de geração ou uma falha em evolução.
Previsão deixa de ser um número e passa a orientar decisões
A previsão de carga sempre foi central no setor elétrico. Entretanto, a pergunta deixou de ser somente:
Quanto será consumido amanhã?
Agora é necessário prever simultaneamente consumo por região e cliente, geração solar e eólica, geração distribuída, recarga de veículos elétricos, efeitos do clima, resposta dos consumidores a preços e disponibilidade de baterias e cargas flexíveis.
Também não basta entregar uma estimativa pontual.
Para apoiar planejamento e operação, o modelo deve representar explicitamente a incerteza. Em vez de informar apenas que o consumo esperado será de 100 MW, pode estimar a probabilidade de o consumo ultrapassar 105 MW, 110 MW ou outro limite relevante.
A previsão passa, assim, a alimentar decisões sobre contratação de energia, reserva operacional, armazenamento, manutenção, resposta da demanda e gestão de risco.
A Agência Internacional de Energia destaca aplicações de IA voltadas à melhoria das previsões, da eficiência operacional, da disponibilidade dos ativos e da integração das fontes renováveis. A instituição também ressalta que esses benefícios dependem de infraestrutura digital, acesso a dados, interoperabilidade e qualificação profissional [2].
Medidores inteligentes: de instrumento de cobrança a sensor do sistema
O medidor convencional registra principalmente quanto foi consumido em determinado período.
O medidor inteligente permite observar o perfil temporal e as variações do consumo com maior granularidade. Dependendo da infraestrutura implantada, também pode fornecer informações sobre tensão, interrupções, qualidade do fornecimento e geração local.
Com esses dados, a IA pode apoiar:
- previsão individual de consumo;
- localização de interrupções;
- identificação de mudanças de perfil;
- detecção de perdas e fraudes;
- segmentação de clientes;
- tarifas horárias;
- resposta da demanda;
- recomendações de eficiência.
No Reino Unido, a UK Power Networks desenvolveu e testou uma ferramenta baseada em Machine Learning para ampliar a visibilidade sobre a demanda da rede e apoiar decisões mais direcionadas de investimento e flexibilidade [3].
O valor do medidor inteligente depende, portanto, da capacidade de transformar os dados produzidos em decisões operacionais e comerciais.
Essa evolução exige governança, consentimento, interoperabilidade e proteção dos dados. Sem uma arquitetura de Open Energy, cada nova aplicação tende a demandar uma integração específica, aumentando custo, prazo e risco.
O mercado livre muda a natureza da competição
A expansão do mercado livre introduz uma transformação comercial no setor.
Em 2025, a CCEE registrou a entrada de 22.00 novas unidades consumidoras no mercado livre de energia. A maior parte dos novos participantes foi formada por empresas de pequeno e médio porte dos setores de comércio, serviços e indústria [4].
A infraestrutura elétrica continuará regulada e sujeita a restrições físicas. Na camada comercial, entretanto, a abertura aproxima o setor de energia de mercados como bancos, telecomunicações e seguros.
As empresas passam a disputar aquisição, permanência, margem e participação na carteira do cliente.
Isso cria uma nova família de aplicações analíticas.
Propensão e recomendação
Modelos de propensão estimam a probabilidade de um consumidor migrar para o mercado livre, contratar energia renovável, financiar geração solar ou adquirir serviços adicionais.
A recomendação da oferta deve considerar, além da chance de contratação, a margem esperada, o risco, a permanência e a aderência ao perfil de consumo.
Elasticidade de preço
Modelos de elasticidade medem como a probabilidade de contratação, o consumo ou a permanência mudam quando o preço e as condições contratuais são alterados.
Eles podem apoiar testes de preço fixo, preço variável, contratos híbridos, tarifas horárias, assinaturas e ofertas vinculadas a serviços adicionais.
Churn, lealdade e valor do cliente
Modelos de churn identificam clientes com maior risco de migrar para um concorrente e os fatores associados a esse comportamento.
Modelos de Lifetime Value estimam o valor econômico esperado do cliente, combinando margem, consumo, permanência, risco de crédito e potencial de contratação de novos serviços.
Já os modelos de lealdade podem relacionar aquilo que o cliente declara em pesquisas, NPS e reclamações com aquilo que revela em seu comportamento: consumo, atrasos, renegociações, permanência e contratação de produtos.
Isso permite distinguir clientes efetivamente leais daqueles que permanecem por inércia ou falta de alternativa.
Marketing Mix Modeling
Modelos de Marketing Mix Modeling medem a contribuição dos diferentes investimentos em comunicação para aquisição, conversão e retenção.
Também permitem simular como distribuir o orçamento comercial entre campanhas digitais, mídia tradicional, canais próprios e ações de relacionamento.
Precificação, crédito e novos produtos
A competição não será resolvida apenas oferecendo um preço menor.
A IA permite testar estruturas contratuais distintas para perfis diferentes:
- preço fixo ou variável;
- contratos híbridos;
- tarifas por horário;
- assinaturas;
- ofertas de energia renovável;
- proteção contra oscilações;
- financiamento de eficiência energética;
- pacotes combinando energia, geração solar, armazenamento e serviços.
Os modelos precisam estimar simultaneamente a atratividade da oferta para o cliente e o risco para o fornecedor.
Uma proposta pode apresentar alta probabilidade de conversão e, ainda assim, ser economicamente ruim se não considerar volatilidade do consumo, custo de aquisição, inadimplência e risco de saída.
Por isso, precificação, previsão de demanda, elasticidade, churn, crédito e valor do cliente precisam ser tratados de forma integrada.
Na gestão financeira, a IA também pode estimar probabilidade de atraso, inadimplência, perda esperada e chance de recuperação. A mesma estrutura pode apoiar a definição do melhor canal, momento e condição para renegociação.
Fraude, fronteiras de consumo e análise de conexões
As perdas não técnicas nem sempre aparecem como uma queda abrupta no consumo.
Uma irregularidade pode estar presente há anos e fazer parte de todo o histórico observado. Nesse caso, um modelo que procure somente mudanças recentes pode não encontrar nenhum evento anormal.
Uma abordagem complementar é o uso de modelos de fronteira estocástica.
Esses modelos permitem estimar uma fronteira de consumo compatível com unidades de características semelhantes, considerando fatores como classe tarifária, atividade econômica, perfil social, carga instalada, clima, sazonalidade e perfil operacional.
A distância entre o consumo observado e a fronteira estimada pode ser transformada em um indicador de afastamento persistente. Clientes sistematicamente muito abaixo do nível esperado passam a ter maior prioridade para análise.
A principal vantagem está na identificação de possíveis fraudes antigas. A referência deixa de ser apenas o histórico do próprio cliente e passa a considerar também o comportamento esperado de consumidores comparáveis.
Os modelos de fronteira estocástica procuram separar as variações aleatórias de um componente unilateral e persistente de afastamento da fronteira. A metodologia já foi aplicada ao setor elétrico brasileiro para estimar limites toleráveis de perdas não técnicas no nível das distribuidoras. Sua utilização no nível do consumidor representa uma adaptação dessa lógica para a priorização de inspeções [5].
A distância da fronteira, isoladamente, não comprova fraude. Consumo reduzido também pode resultar de imóvel desocupado, queda de atividade, mudança de processo, eficiência energética ou erro cadastral.
O indicador deve, portanto, ser combinado com:
- modelos de detecção de anomalias;
- dados cadastrais e territoriais;
- históricos de inspeção;
- características técnicas da instalação;
- modelos de grafos.
Os grafos ajudam a encontrar conexões entre consumidores, empresas, endereços, equipamentos, instaladores e ocorrências anteriores.
O resultado é uma priorização das unidades com maior probabilidade de irregularidade e maior retorno esperado da inspeção, sem produzir acusações automáticas.
Euler: análise de relacionamentos e propagação do risco
A Murabei desenvolve a solução Euler, voltada à construção de grafos de relacionamento entre pessoas, empresas, processos judiciais e outras informações internas da organização.
A solução permite analisar o risco para além do registro individual. Uma fraude identificada em uma pessoa física, por exemplo, pode direcionar a análise para empresas associadas a ela, outros endereços, contratos, processos ou pessoas conectadas. Da mesma forma, uma ocorrência envolvendo determinada empresa pode revelar vínculos com administradores, sócios, fornecedores ou casos anteriores relevantes.
Essa abordagem ajuda a identificar concentrações de risco, relações indiretas e padrões que não aparecem quando clientes, empresas e processos são avaliados separadamente. O grafo não substitui a análise técnica nem comprova uma irregularidade, mas amplia o contexto e melhora a priorização das investigações.
Resposta da demanda: o consumo também pode ser coordenado
Em determinados momentos, reduzir ou deslocar o consumo pode ser mais eficiente do que aumentar a geração ou reforçar imediatamente a infraestrutura.
Programas de resposta da demanda remuneram ou incentivam consumidores que alteram seu consumo em janelas críticas.
A IA pode estimar quais clientes possuem flexibilidade, qual incentivo é necessário, quanto cada consumidor pode reduzir e qual é o risco de não entrega.
Um desafio central é construir a linha de base: quanto o cliente provavelmente consumiria caso não tivesse participado do evento.
Como esse consumo hipotético não pode ser observado diretamente, são necessários modelos estatísticos e probabilísticos, combinados com processos de medição, verificação e auditoria.
A operação de resposta da demanda envolve planejamento, segmentação, convocação dos participantes, acompanhamento da adesão e comprovação auditável dos resultados.
Por isso, depende de uma infraestrutura analítica capaz de prever, acionar, medir e verificar a flexibilidade entregue.
VPPs: milhares de recursos operando como um único portfólio
Uma Virtual Power Plant, ou usina virtual, agrega recursos energéticos distribuídos e os coordena como um portfólio único.
Esses recursos podem incluir painéis solares, baterias, veículos elétricos, sistemas de climatização, geradores, cargas industriais, edifícios inteligentes e consumidores flexíveis.
O Departamento de Energia dos Estados Unidos caracteriza as VPPs como agregações conectadas de recursos distribuídos capazes de ampliar a integração de fontes renováveis e a flexibilidade da demanda [6].
A IA pode desempenhar um papel central na previsão, coordenação e otimização desses recursos.
Uma VPP precisa determinar quais ativos estão disponíveis, quanto podem entregar, por quanto tempo, com qual nível de incerteza, qual combinação possui menor custo e risco, como comprovar a entrega e como remunerar os participantes.
Uma proposta da Murabei para uma VPP ponta a ponta
A Murabei submeteu à Finep o projeto VPP Orchestrator — VIGIA, voltado ao desenvolvimento de uma plataforma ponta a ponta para criação, operação e gestão de usinas virtuais.A proposta busca integrar cadastro e qualificação dos ativos, previsão de geração e consumo, monitoramento preditivo, otimização, despacho, medição, verificação e liquidação econômica entre os participantes.Um dos diferenciais é considerar a condição real dos ativos — incluindo disponibilidade, degradação, desempenho e risco de falha — e não apenas sua potência nominal. A operação seria baseada na capacidade efetivamente disponível e no risco de entrega de cada recurso.O projeto foi estruturado em parceria com o CEAR/UFPB, que contribui com apoio técnico-científico em energia, previsão, otimização e critérios de operação, e com o Venturus, que aporta competências em arquitetura de sistemas, interfaces e rastreabilidade das transações.
Veículos elétricos, clima e operação da rede
A eletrificação da mobilidade cria uma nova carga para a rede.
Sem coordenação, muitos veículos podem iniciar a recarga nos mesmos horários, aumentando picos locais e pressionando a infraestrutura.
Modelos de IA podem distribuir a recarga considerando horário de saída, estado da bateria, capacidade local da rede, preço da energia e disponibilidade de geração renovável.
Em sistemas bidirecionais, conhecidos como V2G, o veículo também pode devolver energia temporariamente à rede.
No Reino Unido, um projeto utilizou IA, dados meteorológicos, preços de energia e sinais da rede para automatizar a recarga e a devolução de energia em sistemas V2G [7].
A IA também pode combinar meteorologia, imagens de satélite, relevo, vegetação, histórico de ocorrências e localização dos ativos para estimar o impacto de eventos severos.
O uso conjunto de previsão meteorológica e modelos de impacto permite avançar de:
Vai ocorrer uma tempestade.
Para:
Quais ativos e clientes podem ser afetados e quais ações devem ser priorizadas?
Modelos de visão computacional podem analisar imagens de drones, satélites e câmeras térmicas. Algoritmos de otimização podem apoiar o posicionamento prévio de equipes, veículos e materiais.
Copilotos para operação e engenharia
Modelos de linguagem e agentes podem ampliar o acesso aos sistemas analíticos.
Um operador poderia perguntar:
Quais ativos possuem maior risco nas próximas 24 horas?
O que acontece se a previsão de carga superar o cenário esperado?
O agente não deveria responder com conhecimento genérico. Ele precisa consultar dados, modelos, normas, históricos de manutenção e procedimentos internos.
O NREL identifica aplicações de IA generativa em previsão, estimação de estado, análise de alarmes, apoio à decisão, sistemas multiagentes e gêmeos digitais. O relatório também destaca a necessidade de testes rigorosos, validação, explicabilidade e supervisão humana [8].
Em infraestrutura crítica, uma recomendação sem rastreabilidade, validação operacional e supervisão humana pode criar mais risco do que valor.
IA também nos processos corporativos
O setor energético não é composto somente por redes, usinas e medidores.
Empresas de energia administram contratos, licenças, processos regulatórios, compras, atendimento, documentos técnicos e grandes carteiras judiciais.
Esses processos também podem ser tratados com IA.
Uma nova frente com a CEMIG
A Murabei iniciou recentemente, em parceria com a CEMIG, o desenvolvimento de uma solução de IA para apoiar o tratamento de processos judiciais em grande escala.
A proposta inclui classificação dos casos, estimativa da probabilidade de êxito, direcionamento para fluxos e estratégias mais adequados e apoio à elaboração de peças jurídicas.
O projeto está em fase inicial de construção e validação.
O objetivo é reduzir trabalho repetitivo, organizar a massa processual e concentrar os especialistas nos casos de maior risco e relevância, mantendo a decisão jurídica sob responsabilidade humana.
IA Vertical: integrar modelos, conhecimento e decisão
O setor energético precisa de sistemas capazes de combinar:
- estatística e Machine Learning;
- inferência bayesiana;
- modelos físicos e conhecimento de engenharia;
- otimização matemática;
- modelos de linguagem e agentes;
- conhecimento técnico e de negócio.
Na Murabei, essa integração é chamada de IA Vertical.
Um modelo prevê o consumo. Outro representa a incerteza. Um algoritmo de otimização recomenda uma decisão. Um agente consulta os resultados e os explica em linguagem natural. O especialista avalia, ajusta e permanece responsável pela ação crítica.
Essa arquitetura precisa incluir integração com sistemas internos, rastreabilidade, monitoramento da performance, documentação, segurança e governança.
Conclusão
O valor da IA no setor energético será criado pela integração entre dados dos ativos, modelos probabilísticos, conhecimento de engenharia, otimização e interação com clientes e operadores.
Na operação, isso significa antecipar falhas, eventos climáticos e desequilíbrios entre geração e consumo.
No mercado, significa compreender propensão, risco, preço, lealdade e valor do cliente.
Na gestão de perdas, significa combinar anomalias, fronteiras de consumo, dados territoriais e conexões entre agentes.
Nas VPPs, significa coordenar milhares de recursos distribuídos como um único portfólio operacional e econômico.
Essa é a lógica da IA Vertical: modelos especializados, conectados aos processos reais e submetidos a governança, validação e responsabilidade humana.
O setor energético continuará sustentado por infraestrutura física.
Mas uma parcela crescente de sua eficiência e competitividade será definida pela inteligência construída sobre essa infraestrutura.
Referências
[1] U.S. Department of Energy. AI for Energy: Opportunities for a Modern Grid and Clean Energy Economy. 2024.
[2] International Energy Agency. Energy and AI: AI for Energy Optimisation and Innovation. 2025.
[3] Ofgem. Case Study: Digitalising Energy Systems for Net Zero. 2021.
[4] Câmara de Comercialização de Energia Elétrica. CCEE apresenta estudo detalhado das migrações para o mercado livre em 2025. 2026.
[5] Leite, D.; Pessanha, J.; Simões, P.; Calili, R.; Souza, R. A Stochastic Frontier Model for Definition of Non-Technical Loss Targets. Energies, v. 13, n. 12, 2020.
[6] U.S. Department of Energy. Virtual Power Plants.
[7] Ofgem. Case Study: Electric Vehicle-to-Grid Charging. 2021.
[8] Choi, S. L. et al. Generative AI for Power Grid Operations. National Renewable Energy Laboratory, 2024.