[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.

[pt] A necessidade de simular um ambiente de mercado competitivo para incentivar ganhos de eficiência fez a Agência Nacional de Energia Elétrica (ANEEL) estipular metas para indicadores gerenciáveis, dentre eles o nível de perdas não técnicas (PNT’s) das distribuidoras de energia elétrica. Os prejuízos causados pelas perdas não técnicas de energia chegam à ordem de oito bilhões de reais anuais e impactam diretamente nos valores tarifários em exercício. É nesse contexto que a ANEEL, inspirada nas práticas de regulação por incentivo, estabeleceu um modelo econométrico que relaciona o nível aceitável de perdas não técnicas com a complexidade social das áreas de concessão das distribuidoras brasileiras. Entretanto, entidades do setor enxergam no modelo espaços para melhoria nos resultados e na robustez teórica do modelo, com isso, surge a idéia de propor uma abordagem de estimação diferenciada. É importante ressaltar que além da previsão, tem-se por objetivo testar novas variáveis potencialmente relevantes nesta análise, baseadas na recente literatura acerca do tema. O presente estudo demonstra que a variável de interesse, perdas não técnicas, não segue a distribuição normal, sendo assim, buscou-se a verdadeira distribuição dos dados e a modelagem se deu seguindo os arcabouços da abordagem linear generalizada. Os resultados corroboraram a aderência de uma distribuição que pertence a família exponencial (condição para a aplicação da abordagem linear generalizada). Além disso, o modelo proposto obteve boas estimativas, trazendo inclusive novas variáveis importantes para explicar as perdas não técnicas não utilizadas antes em outros estudos sobre estas perdas. O modelo proposto pode ser visto como uma alternativa viável ao modelo praticado pela ANEEL, sendo assim, sua discussão fundamental para o próximo ciclo de revisão tarifária. / [en] The need of simulating a competitive market environment in order to encourage efficiency gains made the National Electrical Energy Agency (ANEEL) fixes targets for manageable indicators, including the level of non-technical losses (NTL s) of electricity distributors. The financial damage caused by losses not techniques reach the order of eight billion reais per year and directly impacts on the electricity tariffs. In this context, ANEEL inspired by the practice of regulation by incentives, established an econometric model that relates the acceptable level non-technical losses to the social complexity in concession areas of each Brazilian distributor. However, entities in the sector find gaps in the model and improvement in the results and robustness of the model should be done, this brings idea of proposing a different approach to the estimation. It is important to emphasize that in addition to forecasting, there is the willing of testing new variables potentially relevant in this analysis, based on recent literature on the subject. This study proves that the variable of interest, nontechnical losses, does not follow the Gaussian distribution, thus, we sought the true distribution of data and modeling took place in the frameworks of general linear approach. The results confirm adherence to a distribution that belongs to the exponential family (condition for applying the generalized linear approach model), in addition, the proposed model obtained good estimates, including the use of new important variables to explain the non-technical losses not used in other studies. The proposed model can be seen as possible alternative to the model used by ANEEL, so, its discussion is really important to the next review cycle of electricity rates.

[pt] A redução das perdas não técnicas de energia elétrica (PNT) constitui atualmente um dos principais desafios enfrentados pelas concessionárias de distribuição de eletricidade nos países em desenvolvimento. Por depender em parte de fatores não gerenciáveis pelas distribuidoras, as PNT no Brasil são repassadas aos consumidores através de tarifas de eletricidade, seguindo os limites definidos pela Agência Nacional de Energia Elétrica (ANEEL). Apesar do notável progresso realizado pela ANEEL, à metodologia atualmente empregada pela Agência para definição desses limites apresenta uma série de limitações o que impõem ao regulador a adoção de medidas ad hoc que acaba resultando em metas de perdas pouco condizentes com a realidade das distribuidoras. Nas últimas três décadas diversos modelos matemáticos de Análise de Eficiência vêm sendo desenvolvidos com intuito de mensurar a eficiência relativa de grupos de agente. A adoção desses modelos, no entanto, tem se limitado a temas relacionados a custos operacionais e investimento. Essa dissertação tem por objetivo cobrir essa lacuna, propondo um modelo alternativo para a definição das metas regulatórias de PNT a partir de uma família particular de modelos de Análise de Eficiência – os modelos de Análise de Fronteira Estocástica (SFA). O modelo proposto foi aplicado a um painel de dados contendo observações anuais de 62 concessionárias de distribuição de energia elétrica brasileira no período de 2007 a 2017, resultando em um conjunto de metas de PNT mais aderentes às PNT reais das distribuidoras brasileiras. / [en] The reduction of non-technical losses of electrical power (NTL) are currently one of the main challenges faced by electricity utility companies in developing countries. Because it depends in part on factors not manageable by the utilities, in Brazil is passed on to consumers through electricity tariffs, following the limits defined by the National Electric Energy Agency (ANEEL). Despite the notable progress made by ANEEL, the currently used methodology by this Agency to define these limits has a number of limitations, which have impose the adoption of ad hoc measures that end up resulting in loss targets that are inconsistent with the reality of the utilities. In the last three decades, a several mathematical models of Efficiency Analysis have been developing in order to measure the relative efficiency of groups of agents. However, the adoption of these models by Regulator Bodies around the world has been limited to subjects related to operating costs and investment. This dissertation aims to fulfill this gap, proposing an alternative model for the definition of NTL regulatory targets from a particular family of Efficiency Analysis models - the Stochastic Frontier Analysis (SFA) models. The proposed model has been applied to a data panel containing annual observations of 62 distribution concessionaires in the Brazilian electrical system from 2007 to 2017, resulting in a set of NTL targets more adherent to the real PNT of Brazilian electricity utility distributors.

[pt] A perdas não técnicas de energia elétrica (PNT) constituem, atualmente, um dos principais problemas enfrentados pelas concessionárias de distribuição de eletricidade no Brasil. Entende-se que parte desses fatores não são gerenciáveis pelas distribuidoras, e assim, são repassadas aos consumidores através de tarifas de eletricidade, seguindo os limites definidos pela Agência Nacional de Energia Elétrica (ANEEL). Apesar do progresso realizado pela ANEEL, a metodologia atualmente empregada pela Agência utiliza-se de dados em painel para formulações desses limites, no entanto, define-se algumas medidas ad-hoc que acabam resultando em metas de perdas pouco condizentes com a realidade das distribuidoras brasileiras. Essa dissertação tem por objetivo selecionar modelos de forma automática para dados em painel, avaliando sua aplicabilidade na definição das metas de perdas não técnicas. Os modelos propostos foram empregados a um painel de dados contendo observações anuais de 62 concessionárias de distribuição de energia elétrica brasileira no período de 2007 a 2017, gerando, assim, 1.097.789 modelos com respeitando os tipos de regressões em dados em painel, resultando em 3 modelos potenciais com metas de PNT mais aderentes às PNT reais das distribuidoras brasileiras. / [en] Non-technical electricity losses (NTL) are currently one of the main problems faced by electricity distribution utilities in Brazil. It is understood that part of these factors is not manageable by the utilities, and thus, they are passed on to consumers through electricity tariffs, following the limits defined by the Brazilian Electric Energy Agency (ANEEL). Despite the progress made by ANEEL, the methodology currently used by the Agency uses panel data to formulate these limits, however, some ad hoc measures are defined which end up resulting in loss targets that are not consistent with the reality of Brazilian distribution utilities. This dissertation aims to select models automatically for panel data, evaluating their applicability in setting non-technical loss targets. The proposed models were used in a panel data containing annual observations from 62 Brazilian electricity distribution utilities in the period from 2007 to 2017, thus generating 1,097,789 models with respect to the types of regressions in panel data, resulting in 3 potential models with NTL targets more adherent to the real possibilities of the Brazilian distribution utilities.