1 |
[en] NEURAL NETWORKS IN THE IDENTIFICATION OF COMMERCIAL LOSSES OF THE ELECTRICAL SECTOR / [pt] REDES NEURAIS NA IDENTIFICAÇÃO DE PERDAS COMERCIAIS DO SETOR ELÉTRICOGUSTAVO VICTOR CHAVEZ ORTEGA 16 April 2009 (has links)
[pt] Atualmente, um dos maiores problemas das empresas brasileiras distribuidoras de
energia elétrica é o de perdas comerciais, responsáveis pela maior parte das perdas do
setor. A Light, por exemplo, é a terceira distribuidora com maiores perdas comerciais no
Brasil, com 3,79 milhões de clientes de baixa tensão em 31 municípios do Estado do Rio
de Janeiro. Estas perdas são causadas por fraudes nos medidores de energia, por
equipamentos defeituosos e, principalmente, pelas ligações clandestinas, conhecidas por
gatos, gambiarras ou macacos. Uma forma tradicional de combate às Perdas
Comerciais é a realização de inspeções nos consumidores. Entretanto, a seleção de
quais consumidores devem ser inspecionados é uma tarefa árdua para os especialistas
no assunto. As distribuidoras geralmente empregam um conjunto de metodologias
heurísticas para identificar os clientes de baixa tensão suspeitos de estarem cometendo
algum tipo de irregularidade. Todavia, a média de acertos dessas metodologias ainda é
bastante inferior ao desejado, acarretando prejuízos elevados para as distribuidoras
brasileiras. No caso específico da Light, a média de acerto na comprovação de clientes
fraudadores é de apenas 25%. Verifica-se, portanto, que o processo adotado não é
eficiente. Portanto, este trabalho tem como objetivo desenvolver uma metodologia que
identifique, com maior precisão, o perfil do cliente irregular (comprovada fraude no
medidor, furto por ligação clandestina ou irregularidade técnica). O sistema inteligente
resultante, denominado SIIPERCOM, baseia-se em Redes Neurais, para a filtragem
agrupando clientes com comportamentos semelhantes e classificação dos clientes de
cada grupo em normais ou irregulares. / [en] Currently, one of the biggest problems of Brazilian companies distributing electrical power is the loss commercial, responsible for most of the losses in the sector. The Light, for example, is the third largest distributor with commercial losses in Brazil, with 3.79 million clients of low voltage in 31 municipalities in the State of Rio de Janeiro. These losses are caused by fraud in the energy meters, for defective equipment, and principally by illegal connections, known as cats, stage lights or monkeys. The traditional form to combat to the commercial losses is the realization of inspections on consumers. However, the selection of which consumers should be inspected is an arduous task to specialists in the subject. The distributors usually employ a range of methodologies heuristics to identify customers with low voltage suspected to be committing some type of irregularity. However, the average of correct these methodologies is still much lower than desired, causing heavy losses to Brazilian distributors. In the specific case of Light, the average hit the evidence of customers fraudsters is only 25%. It appears therefore that the process adopted is not efficient. Therefore, this study aims to develop a methodology to identify, with greater precision, the irregular profile of the customer (meter was proven fraud, theft by illegal connection or technical irregularity). The resulting intelligent system, called SIIPERCOM, based on Neural Networks, for the 'filtering' grouping customers with similar behaviors and classification of the customers of each group in normal or irregular.
|
2 |
[en] INTELLIGENT SYSTEMS APPLIED TO FRAUD ANALYSIS IN THE ELECTRICAL POWER INDUSTRIES / [pt] SISTEMAS INTELIGENTES NO ESTUDO DE PERDAS COMERCIAIS DO SETOR DE ENERGIA ELÉTRICAJOSE EDUARDO NUNES DA ROCHA 25 March 2004 (has links)
[pt] Esta dissertação investiga uma nova metodologia, baseada em
técnicas inteligentes, para a redução das perdas comerciais
relativas ao fornecimento de energia elétrica. O objetivo
deste trabalho é apresentar um modelo de inteligência
computacional capaz de identificar irregularidades na
medição de demanda e consumo de energia elétrica,
considerando as características sazonais não lineares
das curvas de carga das unidades consumidoras,
características essas que são difíceis de se representar em
modelos matemáticos. A metodologia é baseada em três
etapas: categorização, para agrupar unidades consumidoras
em classes similares; classificação para descobrir
relacionamentos que expliquem o perfil da irregularidade no
fornecimento de energia elétrica e que permitam prever a
classe de um padrão desconhecido; e extração de
conhecimento sob a forma de regras fuzzy interpretáveis. O
modelo resultante foi denominado Sistema de Classificação
de Unidades Consumidoras de Energia Elétrica. O trabalho
consistiu em três partes: um estudo sobre os principais
métodos de categorização e classificação de padrões;
definição e implementação do Sistema de Classificação de
Unidades Consumidoras de Energia Elétrica; e o estudo de
casos. No estudo sobre os métodos de categorização foi
feito um levantamento bibliográfico da área, resultando em
um resumo das principais técnicas utilizadas para esta
tarefa, as quais podem ser divididas em algoritmos de
categorização hierárquicos e não hierárquicos. No estudo
sobre os métodos de classificação foram feitos levantamentos
bibliográficos dos sistemas Neuro-Fuzzy que resultaram em
um resumo sobre as arquiteturas, algoritmos de aprendizado
e extração de regras fuzzy de cada modelo analisado. Os
modelos Neuro-Fuzzy foram escolhidos devido a sua
capacidade de geração de regras lingüísticas. O Sistema de
Classificação de Unidades Consumidoras de Energia Elétrica
foi definido e implementado da seguinte forma: módulo de
categorização, baseado no algoritmo Fuzzy C-Means (FCM); e
módulo de classificação baseado nos Sistemas Neuro-Fuzzy
NEFCLASS e NFHB-Invertido. No primeiro módulo, foram
utilizadas algumas medidas de desempenho como o FPI
(Fuzziness Performance Index), que estima o grau de
nebulosidade (fuziness) gerado por um número específico de
clusters, e a MPE (Modified Partition Entropy), que estima
o grau de desordem gerado por um número específico de
clusters. Para validação do número ótimo de clusters,
aplicou-se o critério de dominância segundo o método de
Pareto. No módulo de classificação de unidades consumidoras
levou-se em consideração a peculiaridade de cada sistema
neuro-fuzzy, além da análise de desempenho comparativa
(benchmarking) entre os modelos. Além do objetivo de
classificação de padrões, os Sistemas Neuro-Fuzzy são
capazes de extrair conhecimento em forma de regras fuzzy
interpretáveis expressas como: SE x é A e y é B então
padrão pertence à classe Z. Realizou-se um amplo estudo de
casos, abrangendo unidades consumidoras de atividades
comerciais e industriais supridas em baixa e média tensão.
Os resultados encontrados na etapa de categorização foram
satisfatórios, uma vez que as unidades consumidoras foram
agrupadas de forma natural pelas suas características de
demanda máxima e consumo de energia elétrica. Conforme o
objetivo proposto, esta categorização gerou um número
reduzido de agrupamentos (clusters) no espaço de busca,
permitindo que o treinamento dos sistemas Neuro-Fuzzy fosse
direcionado para o menor número possível de grupos, mas com
elevada representatividade sobre os dados. Os resultados
encontrados com os modelos NFHB-Invertido e NEFCLASS
mostraram-se, na maioria dos casos, superiores aos melhores
resultados encontrados pelos modelos matemáticos comumente
utilizados. O desempenho dos modelos NFHB-Invertido e
NEFCLASS, em relação ao te / [en] This dissertation investigates a new methodology based on
intelligent techniques for commercial losses reduction in
electrical energy supply. The objective of this work is to
present a model of computational intelligence able to
identify irregularities in consumption and demand
electrical measurements, regarding the non-linearity of the
consumers seasonal load curve which is hard to represent
by mathematical models. The methodology is based on three
stages: clustering, to group consumers of electric energy
into similar classes; patterns classification, to discover
relationships that explain the irregularities profile and
that determine the class for an unknown pattern; and
knowledge extraction in form of interpretable fuzzy rules.
The resulting model was entitled Electric Energy Consumers
Classification System. The work consisted of three parts: a
bibliographic research about main methods for clustering
and patterns classification; definition and implementation
of the Electric Energy Consumers Classification System; and
case studies. The bibliographic research of clustering
methods resulted in a survey of the main techniques used
for this task, which can be divided into hierarchical and
non-hierarchical clustering algorithms. The bibliographic
research of classification methods provided a survey of
the architectures, learning algorithms and rules extraction
of the neuro-fuzzy systems. Neuro-fuzzy models were chosen
due to their capacity of generating linguistics rules.
The Electric Energy Consumers Classification System was
defined and implemented in the following way: a clustering
module, based on the Fuzzy CMeans (FCM) algorithm; and
classification module, based on NEFCLASS and Inverted-NFHB
neuro-fuzzy sytems. In the first module, some performance
metrics have been used such as the FPI (Fuzziness
Performance Index), which estimates the fuzzy level
generated by a specific number of clusters; and the MPE
(Modified Partition Entropy) that estimates disorder level
generated by a specific number of clusters. The dominance
criterion of Pareto method was used to validate optimal
number of clusters. In the classification module, the
peculiarities of each neuro-fuzzy system as well as
performance comparison of each model were taken into
account. Besides the patterns classification objective, the
neuro-Fuzzy systems were able to extract knowledge in form
of interpretable fuzzy rules. These rules are expressed
by: IF x is A and y is B then the pattern belongs to Z
class. The cases studies have considered industrial and
commercial consumers of electric energy in low and medium
tension. The results obtained in the clustering step were
satisfactory, since consumers have been clustered in a
natural way by their electrical consumption and demand
characteristics. As the proposed objective, the system has
generated an optimal low number of clusters in the search
space, thus directing the learning step of the neuro-fuzzy
systems to a low number of groups with high representation
over data. The results obtained with Inverted-NFHB and
NEFCLASS models, in the majority of cases, showed to be
superior to the best results found by the mathematical
methods commonly used. The performance of the Inverted-NFHB
and NEFCLASS models concerning to processing time was also
very good. The models converged to an optimal
classification solution in a processing time inferior to a
minute. The main objective of this work, that is the non-
technical power losses reduction, was achieved by the
assertiveness increases in the identification of the
cases with measuring irregularities. This fact made
possible some reduction in wasting with workers and
effectively improved the billing.
|
Page generated in 0.0358 seconds