Use este identificador para citar ou linkar para este item: https://rd.uffs.edu.br/handle/prefix/3375
Tipo: Monografia
Título: Identificação de perda não técnica de energia elétrica
Autor(es): Sareta, Laurivan
Primeiro Orientador: Dal Bianco, Guilherme
Resumo: Devido às mudanças nos sistemas elétricos de vários países e o aumento da competitividade, as empresas distribuidoras de energia elétrica precisaram buscar melhorar o desempenho financeiro e técnico para obter maior produtividade, eficiência e lucratividade. Uma das maneiras de melhorar e maximizar a energia disponível é reduzindo as fraudes e roubos envolvendo o sistema de energia. Este percentual de energia que é entregue mas não é faturada devido a má fé dos consumidores é caracterizado como perda não técnica de energia elétrica. Para resolver esse problema, as operadoras dos sistemas de distribuição fazem inspeções nos consumidores. No entanto, é inviável inspecionar todos os clientes. Uma alternativa de menor custo é aplicação de algoritmos de aprendizado de máquina, como por exemplo, Floresta de Caminhos Ótimos, Máquina de vetores de suporte, Árvore de decisão, Detecção de outliers e Mapa de auto-organização. A intuição é obter a probabilidade do consumidor estar cometendo fraude. Atualmente os estudos para identificação de perda não técnica que utilizam métricas de avaliação diferentes e não há comparativos com algoritmos supervisionados tradicionais, tampouco com não supervisionados. Este trabalho propõe uma análise experimental dos algoritmos Floresta de Caminhos Ótimos, SVM, Árvore de decisão supervisionado e Floresta de Caminhos Ótimos não supervisionado. Desta forma, o objetivo é comparar os algoritmos para identificar as probabilidades de um consumidor estar cometendo fraude no sistema de energia elétrica, utilizando as mesmas métricas e base de dados de maneira a entender o comportamento dos algoritmos. Os experimentos demonstraram que é possível criar uma base de dados com rótulos sintéticos de fraudes, sendo que para estes experimentos o SVM se saiu superior aos algoritmos Floresta de Caminhos Ótimos e Árvore de decisão.
Abstract/Resumen: Due to changes in the electrical systems of many countries and increasing competitiveness, electric utilities have had to seek to improve financial and technical performance for greater productivity, efficiency and profitability. One of the ways to improve and maximize available energy is by reducing fraud and theft involving the power system. This percentage of energy that is delivered but not billed due to bad consumer faith is characterized as non-technical loss of electricity. To solve this problem, distribution system operators carry out inspections of consumers. However, it is impossible to inspect all customers. A lower cost alternative is the application of machine learning algorithms such as Optimal Path Forest, Support Vector Machine, Decision Tree, Outliers Detection, and Self-Organization Map. The intuition is to get the probability that the consumer is committing fraud. Currently, studies for non-technical loss identification using different evaluation metrics and no comparisons with traditional supervised or unsupervised algorithms. This paper proposes an experimental analysis of the optimal path forest, SVM, supervised decision tree and unsupervised optimal path algorithms. Thus, the objective is to compare the algorithms to identify the probabilities of a consumer committing fraud in the electricity system, using the same metrics and database in order to understand the behavior of the algorithms. The experiments demonstrated that it is possible to create a database with synthetic fraud labels, and for these experiments SVM was superior to the Optimal Path Forest and Decision Tree algorithms.
Palavras-chave: Sistemas elétricos
Algoritmos
Ciência da computação
Idioma: por
País: Brasil
Instituição: Universidade Federal da Fronteira Sul
Sigla da Instituição: UFFS
Faculdade, Instituto ou Departamento: Campus Chapecó
Tipo de Acesso: Acesso Aberto
URI: https://rd.uffs.edu.br/handle/prefix/3375
Data do documento: 2019
Aparece nas coleções:TCC Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
SARETA.pdf1.43 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.