Made available in DSpace on 2016-08-17T14:53:04Z (GMT). No. of bitstreams: 1 Eduardo Werley Silva dos Angelos.pdf: 3115744 bytes, checksum: 6426e6a53fa69a9616988e00882cb314 (MD5) Previous issue date: 2009-08-07 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / This work proposes a computational technique for classification of electricity consumption profiles. The approach is based on the assumption that it s possible to find out groups of consumers with similar patterns of energy use. So, given the found groups, which can be also viewed as a normal consumption profile, ones can associate a high chance of fraud or abnormality to that consumers lying more apart from the groups. The methodology comprises two steps. A fuzzy clustering c-means-based is done in order to search for consumers with similar consumption profiles, in the first one. Afterwards, a fuzzy classification is performed using a fuzzy membership matrix and the Euclidian distance to the cluster centers. Then, the distance measures are normalized and ordered, yielding an unitary index score, where the possible fraudulent or abnormal consumers are those with the higher scores. The approach was tested and validated with real data base, showing good performance in both fraud and metering defect detection tasks. / Este trabalho apresenta uma metodologia computacional para classificação de perfis anormais de consumo de energia elétrica. A abordagem parte da premissa que um dado cliente deve permanecer o mais próximo possível de seu padrão de consumo histórico, sendo que os desvios do padrão registrado representam possíveis fraudes de energia ou irregularidades de medição. A parte inicial da metodologia busca de consumidores com perfis de consumo semelhantes é efetuada por meio da técnica computacional de clusterização fuzzy. Já a tarefa de mensurar o desvio do padrão histórico é realizada por meio de uma metodologia de classificação nebulosa, baseada na matriz de partição fuzzy e distância dos elementos aos centros dos agrupamentos. Por fim, as distâncias para os grupos são normalizadas, gerando um índice no intervalo unitário, sendo que os elementos de maior chance de estarem irregular são aqueles com índices mais próximos de um. A metodologia foi validada com uma base de dados de uma concessionária local. Os resultados alcançados foram satisfatórios, sendo obtida adequada performance tanto no processo de detecção de fraudes quanto irregularidades na medição.