Please use this identifier to cite or link to this item: https://rd.uffs.edu.br/handle/prefix/3375
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Dal Bianco, Guilherme-
dc.creatorSareta, Laurivan-
dc.date2019-
dc.date.accessioned2020-02-04T12:18:13Z-
dc.date.available2019-
dc.date.available2020-02-04T12:18:13Z-
dc.date.issued2019-
dc.identifier.urihttps://rd.uffs.edu.br/handle/prefix/3375-
dc.description.abstractDue 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.pt_BR
dc.description.resumoDevido 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.pt_BR
dc.description.provenanceSubmitted by Suelen Spindola Bilhar (suelen.bilhar@uffs.edu.br) on 2019-12-20T14:26:17Z No. of bitstreams: 1 SARETA.pdf: 1461630 bytes, checksum: c052559f94eafa819d1ce0e9cb67b24c (MD5)en
dc.description.provenanceApproved for entry into archive by Franciele Scaglioni da Cruz (franciele.cruz@uffs.edu.br) on 2020-02-04T12:18:13Z (GMT) No. of bitstreams: 1 SARETA.pdf: 1461630 bytes, checksum: c052559f94eafa819d1ce0e9cb67b24c (MD5)en
dc.description.provenanceMade available in DSpace on 2020-02-04T12:18:13Z (GMT). No. of bitstreams: 1 SARETA.pdf: 1461630 bytes, checksum: c052559f94eafa819d1ce0e9cb67b24c (MD5) Previous issue date: 2019en
dc.languageporpt_BR
dc.publisherUniversidade Federal da Fronteira Sulpt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentCampus Chapecópt_BR
dc.publisher.initialsUFFSpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectSistemas elétricospt_BR
dc.subjectAlgoritmospt_BR
dc.subjectCiência da computaçãopt_BR
dc.titleIdentificação de perda não técnica de energia elétricapt_BR
dc.typeMonografiapt_BR
Appears in Collections:TCC Ciência da Computação

Files in This Item:
File Description SizeFormat 
SARETA.pdf1.43 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.