Detecção de perdas não técnicas em infraestruturas avançadas de medição : uma abordagem através de aprendizagem de máquina

• Ano de defesa: 2025
• Autor(a) principal: SOUZA, Murilo Araujo
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco; UFPE; Brasil; Programa de Pos Graduacao em Engenharia Eletrica
• Palavras-chave em Português: Perdas não técnicas; Aprendizagem de máquina; Extração de atributos; Multilayer perceptron; Long short- term memory
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/64443

Perdas de energia ocorrem em qualquer sistema elétrico, sejam elas devido à fenômenos físicos ou à ação humana. Essas perdas podem ser técnicas, aquelas inerentes ao sistema, e não técnicas, também conhecidas como perdas comerciais, geralmente associadas a algum tipo de fraude cometido pelo consumidor. Algoritmos de Aprendizagem de Máquina podem ser utilizados para detectar padrões de consumo de energia elétrica, afim de identificar consumidor que eventualmente esteja cometendo fraude. Através de dados reais de consumo de energia elétrica de consumidores honestos, foram empregadas equações matemáticas para modelar onze tipos de perdas não técnicas que podem ocorrer em um medidor inteligente de energia elétrica contido em uma infraestrutura avançada de medição. Além disso, baseado nas séries temporais de consumo de energia, foram extraídos atributos estatísticos (média e variância), temporais (coordenadas do centroide) e de redução de dimensionalidade (Uniform Manifold Approximation and Projection) para aumentar significativamente o desempenho de classificação do modelo. O modelo proposto é do tipo multientradas, com dois ramos em paralelo: um contendo uma rede Multilayer Perceptron e o outro uma rede Long Short-Term Memory que processam diferentes informações. As saídas dessas redes são combinadas e fornecidas como entrada para outra Multilayer Perceptron que realiza a classificação final. As simulações foram realizadas no IDE Spyder através da linguagem de programação Python. Os resultados demonstram o impacto positivo de cada atributo no aprimoramento da classificação. Em particular, os atributos derivados da técnica Uniform Manifold Approximation and Projection comprovam a eficácia desse método quando integrado ao modelo proposto. Este modelo, por sua vez, superou abordagens anteriores para a mesma finalidade, atingindo maior eficácia na identificação de perdas não técnicas.