Aplicação de técnicas de machine learning na detecção de perdas não técnicas

• Ano de defesa: 2022
• Autor(a) principal: BARROS, Valescka Raysa Moura Soares de
• Orientador(a): AQUINO, Ronaldo Ribeiro Barbosa de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco
• Programa de Pós-Graduação: Programa de Pos Graduacao em Engenharia Eletrica
• País: Brasil
• Palavras-chave em Português: Engenharia elétrica; Machine learning; Perdas não técnicas; Perdas comerciais; K-means; Multilayer perceptron; Agrupamento hierárquico
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/48749

O alto índice de perdas não técnicas (PNT), também conhecidas como perdas comerciais (PC), afeta diretamente o faturamento das distribuidoras de energia elétrica no Brasil, onde, apenas no ano de 2020 chegaram a subtrair cerca de 7,5% do montante de energia adquirido pelas concessionárias. O prejuízo é repassado para os consumidores até o limite regulatório, a diferença entre o limite regulatório e o total de PNT é custeado pelas distribuidoras. As ações de combate às PNT nem sempresão assertivas, causando ainda mais prejuízos para as empresas. Afim de direcionar as inspeções vêm se utilizando algoritmos de Machine Learning (ML) para detectar clientes que possivelmente estão desviando energia ou possuem alguma falha em seu sistema de medição e faturamento. Este trabalho simula esta situação usando uma base de dados real e realizando testes com redes Multilayer Perceptron (MLP), K-means e Agrupamento hierárquico, aplicando padronização e normalização para o tratamento de dados. Foi utilizado o Jupyter notebbok, um ambiente de desenvolvimento integrado (IDE do inglês Integrated Development Environment), de código aberto disponibilizado no software Anaconda. Foram testados três modelos, cada um utilizando a base de dados original, usando a base de nados normalizada e também com a base de dados padronizada. O modelo que obteve os melhores resultados referentes ao conjunto de simulação foi o que utilizou arquitetura de Redes Neurais artificiais (RNA) do tipo MLP, com uma acurácia de 69%, no entanto são necessários a implementação de outras técnicas de tratamento de dados para obter um melhor tempo de processamento.