Análise da contribuição de atributos derivados do histórico de consumo para a detecção de perdas não técnicas.

• Ano de defesa: 2019
• Autor(a) principal: ALVES, Helem Monyelle de Melo.
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande; Brasil; Centro de Engenharia Elétrica e Informática - CEEI; PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA; UFCG
• Palavras-chave em Português: Processamento de energia; Correlation Based Feature Selection; Mineração de dados; Perdas não Técnicas; Redes neurais artificias; Relief; Seleção de Atributos; Energy processing; Data mining; Non-technical losses; Networks artificial neural; Attribute Selection; Engenharia Elétrica
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/27076

As perdas não técnicas são resultantes majoritariamente do consumo irregular de energia elétrica, por meio de fraudes ou furtos. A redução delas é um dos principais objetivos das concessionárias de distribuição de energia elétrica. Atualmente, as concessionárias têm utilizado sobretudo inspeções in loco para identificação de clientes irregulares. Entretanto, as inspeções frequentemente estão associadas a um alto custo e uma baixa eficácia. Neste sentido, as concessionárias têm recorrido a técnicas de mineração de dados com o intuito de aumentar a assertividade na seleção de clientes irregulares para inspeções. Neste trabalho, é analisada a contribuição de atributos derivados do histórico de consumo de energia elétrica na detecção de perdas não técnicas, utilizando técnicas de mineração de dados. Para isto, são criados novos atributos a partir dos dados de consumo, considerando características de sazonalidade, informações estatísticas, variações mensais, taxas de queda e informações do consumo no domínio da frequência. Para definir quais os melhores atributos (considerando-se os atributos originais e os atributos criados posteriormente) são utilizados os métodos para seleção de atributos Correlation Based Feature Selection e Relief. Na sequência, o algoritmo de Redes Neurais Artificias do tipo mutilayer perceptron é aplicado para classificar os clientes da base de dados entre regulares e irregulares a partir dos atributos selecionados. A partir dos resultados obtidos, verificou-se que a adição de novos atributos contribuiu para o aumento da assertividade do algoritmo de redes neurais artificias, proporcionando um ganho de aproximadamente 10 pontos percentuais, o que pode representar uma economia significativa no dinheiro gasto pelas concessionárias com inspeções improcedentes. Com isso, pode-se destacar que a análise de atributos pode contribuir para a redução de custos associados a detecção de perdas não técnicas ao melhorar a assertividade na identificação de potenciais clientes irregulares.