Advanced Analytics aplicado à gestão da perda não técnica de energia em sistemas elétricos de distribuição.

• Ano de defesa: 2021
• Autor(a) principal: BARROS, Rafael Mendonça Rocha.
• Orientador(a): COSTA, Edson Guedes da. , ARAÚJO, Jalberth Fernandes de.
• Banca de defesa: FELTRIN, Antônio Padilha. , MANTOVANI, José Roberto Sanches. , SOUSA, Benemar Alencar de. , LIRA, George Rossany Soares de.
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande
• Programa de Pós-Graduação: PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
• Departamento: Centro de Engenharia Elétrica e Informática - CEEI
• País: Brasil
• Palavras-chave em Português: Advanced Analytics; Inferência Causal; Machine Learning; Maximização; Perda não técnica,; Retorno financeiro; Sistemas elétricos de distribuição; Causal Inference; Maximization; Non- technical loss; Financial return; Distribution power systems
• Área do conhecimento CNPq: Engenharia Elétrica
• Link de acesso: https://dspace.sti.ufcg.edu.br/handle/riufcg/20761

Uma nova metodologia para o aprimoramento da gestão da perda não técnica de energia nos sistemas elétricos de distribuição é apresentada neste trabalho. A solução consiste na utilização de técnicas baseadas em Advanced Analytics para construção de um processo automatizado e adaptativo capaz de identificar os fatores de risco e de proteção para ocorrência da perda não técnica; a probabilidade de existência de perda; uma estimativa da energia não medida no sistema e o potencial de retorno financeiro para inspeções in-loco de consumidores. No desenvolvimento da pesquisa, foi utilizada uma base de dados com informações reais de 261.489 consumidores de uma distribuidora brasileira. A Inferência Causal foi aplicada para identificar o grau de associação de diversas variáveis com a ocorrência de perda não técnica e, assim, identificar os fatores de risco e de proteção. As variáveis associadas à ocorrência de perda foram utilizadas como entrada em modelos de Machine Learning com o objetivo de identificar a probabilidade de ocorrência de perda, bem como fornecer uma estimativa do valor da energia não medida no sistema. No total, foram avaliados 23 modelos de classificação e sete de regressão com diferentes algoritmos e abordagens no tratamento dos dados. Os resultados dos modelos preditivos foram utilizados para calcular o potencial de retorno financeiro das inspeções de campo. Posteriormente, foi proposto um modelo para o dimensionamento ótimo da infraestrutura de combate às perdas em uma distribuidora, o qual resulta na maximização do retorno financeiro das inspeções de campo. Todas as etapas da metodologia foram validadas por meio de novas inspeções de campo realizadas em 1.417 consumidores. Os principais resultados alcançados no trabalho foram a identificação de 76 fatores de risco ou proteção para ocorrência da perda não técnica; a identificação do algoritmo Rotation Forest como o mais adequado para a identificação da perda, o qual apresentou uma precisão de 66,5% nas inspeções realizadas em campo; a identificação do algoritmo XGBT como o mais adequado para a predição dos valores de energia não medida; o qual apresentou um desvio de 3,02% na estimativa do valor total de energia recuperada em um grupo de consumidores; a maximização do retorno financeiro das inspeções, que foi capaz de aumentar em até 11,5 vezes o retorno das inspeções de campo no melhor caso. A partir dos resultados alcançados, é possível concluir que a nova metodologia proposta neste trabalho representa um avanço em relação aos demais trabalhos disponíveis na bibliografia, já que fornece uma solução para a caracterização da perda não técnica; identifica um novo algoritmo com desempenho superior para classificação dos consumidores; apresenta uma abordagem para estimar a energia não medida nos sistemas; fornece uma estratégia para estimar o retorno financeiro das inspeções in-loco e, por fim, apresenta um método para maximização do retorno das ações de combate às perdas. De modo que todas essas contribuições preenchem lacunas existentes na bibliografia atualmente disponível. Por fim, destaca-se que os resultados deste trabalho podem ser utilizados por distribuidoras de energia elétrica para melhorar suas estratégias de gestão da perda não técnica de energia, propiciando um aumento de receita e a redução dos seus custos operacionais. O que, por sua vez, irá se refletir como redução na tarifa de energia elétrica em benefício de toda a sociedade.