Detecção de fraude em unidades consumidoras não telemedidas com uso de técnicas de aprendizado de máquina

• Ano de defesa: 2020
• Autor(a) principal: Paulo, Fernanda Rodrigues
• Orientador(a): Villanueva, Juan Moises Mauricio
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal da Paraíba
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica
• Departamento: Engenharia Elétrica
• País: Brasil
• Palavras-chave em Português: Perdas comerciais; Perdas não técnicas; Fraude de energia; Classificação de padrões; Aprendizado de máquina; Inteligência Artificial; Detecção de fraude; Recuperação de consumo; Commercial losses; Non-technical losses; Energy fraud; Pattern classification; Machine learning; Artificial intelligence; Fraud detection; Consumption recovery
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://repositorio.ufpb.br/jspui/handle/123456789/18759

Estima-se que em 2018 cerca de 310 TWh foram destinados a alimentação de ligações e medições irregulares no Brasil, aproximadamente R$ 9 bilhões de prejuízo para as distribuidoras. Para a concessionária de estudo, são observadas dificuldades para a detecção de fraudes, devido, principalmente, ao volume de dados e a limitação de encontrar padrões sem uma ferramenta estruturada. Considerando esse cenário, propõe-se o desenvolvimento de uma metodologia automatizada para detecção de fraude em clientes da baixa tensão, não telemedidos, com a utilização de ferramentas de inteligência artificial. Foram extraídas informações do banco de dados da empresa, gerados atributos, selecionadas as principais variáveis e, então, avaliados os modelos. A principal variável proposta compara a média de consumo da unidade com os vizinhos geográficos mais próximos com características de porte semelhantes. Também são propostas variáveis que detectam o momento que houve uma redução de consumo, bem como o percentual, através de cálculos estatísticos. As técnicas de aprendizado de máquina mais utilizadas na literatura foram testadas e, no fim, quatro modelos foram propostos: Support Vector Machine para unidades com indicação de suspeita de fraude; Gradiente Boosting para unidades residenciais sem suspeita de fraude; Random Forest para unidades rurais; Rede Neural Perceptron Multicamadas para as demais classes de consumo. Os modelos foram qualificados e as técnicas selecionadas a partir de um novo indicador, proposto como alternativa as métricas usuais de avaliação, que computa o percentual do benefício de energia teoricamente recuperada pelo modelo em relação a toda a energia que poderia ter sido recuperada. Em testes teóricos, foi possível obter uma efetividade de 39,4%, ultrapassando 19,5% a metodologia atual da empresa, com uma cobertura 69,8% maior. O indicador de benefício evidencia também que o método apresentado foi capaz de recuperar 59,5% de todo montante de energia disponível, 153,2% superior ao modelo da empresa. Novas pesquisas envolvem a aplicação da metodologia proposta a base da empresa para classificação das unidades e envio de inspeções para verificar o resultado do trabalho em campo.