Case de Sucesso
Inspeção de parques solares e linhas de transmissão por IA
O LT2/RoboticSolar transforma imagens de drone em fotogrametria e detecção automática de defeitos — do voo ao dashboard, sem planilha no meio do caminho.
Leia antes de continuar: os resultados operacionais e financeiros apresentados nesta página foram medidos no parque solar operado pela Elera Renováveis. Tarifa de energia, modelo de placa solar, contrato de O&M e porte do parque variam entre operações — por isso, cada cliente deve ter seu ROI recalculado a partir das próprias condições, não a partir dos números deste case.
Desafio
Cobrir parques solares e linhas de transmissão sem depender de inspeção manual
A Elera Renováveis opera parques solares e linhas de transmissão que reúnem dezenas de tipos diferentes de componentes — de cruzetas e isoladores a conectores e módulos fotovoltaicos — cada um com seus próprios modos de falha, espalhados por grandes extensões de território.
Inspecionar esse volume de ativos item a item é lento e caro de escalar. Boa parte dos defeitos mais críticos, como pontos quentes em módulos solares, só fica evidente em imagem térmica, algo que uma inspeção visual convencional simplesmente não captura.
Dentro do programa de Pesquisa, Desenvolvimento e Inovação da ANEEL, a Elera buscava um sistema capaz de padronizar a inspeção de dois ativos muito diferentes — parques solares e linhas de transmissão — sob a mesma lógica de captura, processamento e priorização, sem depender de deslocamento de equipe a campo para cada verificação de rotina.
Solução
Um pipeline único, do voo autônomo ao dashboard de criticidade
A Robotictech desenvolveu o LT2/RoboticSolar, uma plataforma que une automação de missões de drone, fotogrametria e inteligência artificial em um único fluxo, processado em nuvem e acessível por dashboard web.
O sistema automatiza a captura em campo, elimina a pilotagem manual repetitiva e envia as imagens para processamento em nuvem, onde modelos de IA treinados especificamente para cada tipo de ativo — parque solar ou linha de transmissão — identificam e classificam os defeitos.
Cada ocorrência é georreferenciada, associada a uma imagem de evidência e classificada automaticamente em quatro níveis de criticidade, com limiares de temperatura ajustáveis conforme a necessidade da operação. O resultado chega em dashboards dedicados, com prioridade operacional já calculada — sem planilha nem triagem manual no meio do caminho.
A entrega segue em ciclos: interface web, banco de dados, API e processamento em nuvem já estão em produção, enquanto a cobertura de novas classes de defeito segue em expansão dentro do cronograma do projeto.
Resultados
Cobertura ampla e priorização automática, sem inspeção item a item
Hoje, a maior parte do que a plataforma identifica em parques solares já nasce priorizado. Pontos quentes térmicos respondem por 83% de tudo o que é detectado, contra uma fração ligada a falhas em diodos — e cada ocorrência é automaticamente classificada por gravidade, sem que a equipe da Elera precise revisar imagem por imagem para saber onde olhar primeiro.
No lado das linhas de transmissão, a cobertura se mostrou igualmente ampla: entre todas as torres mapeadas pelo sistema, 86% apresentavam ao menos um defeito identificado automaticamente — de ferrugem e rachaduras a isoladores soltos ou sujos — dentro de um catálogo de mais de 30 classes de componentes e defeitos já treinadas.
Com missões de drone automatizadas, banco de dados estruturado, API e processamento em nuvem já em produção, o projeto avança dentro do cronograma de 24 meses definido com a Elera, com validação em campo e transferência de tecnologia para a equipe da operadora previstas para o encerramento.
86%
das torres mapeadas com ao menos um defeito identificado automaticamente
83%
das ocorrências detectadas correspondem a pontos quentes térmicos
+30
classes de componentes e defeitos catalogadas e treinadas pela IA
