Made available in DSpace on 2014-06-11T19:22:34Z (GMT). No. of bitstreams: 0 Previous issue date: 2010-03-02Bitstream added on 2014-06-13T18:08:32Z : No. of bitstreams: 1 ramos_cco_me_bauru.pdf: 615273 bytes, checksum: e67c9e65867e8155b656731b772bb8e1 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) / A detecção de fraudes nos sistemas de energia provocados por consumidores ilegais é o principal alvo em estudos de perdas comerciais pelas empresas de energia. Comumente usadas entre as técnicas de reconhecimento de padrões, as Redes Neurais Artificiais e as Máquinas de Vetores de Suporte têm sido aplicadas para a identificação de fraudes de maneira automática, entretanto essas técnicas sofrem com a demora na convergência e no alto peso computacional. Este trabalho introduziu o classificador Floresta de Caminhos Ótimos para um rápido reconhecimento das perdas comerciais, que tem demonstrado ser superior às demais técnicas inteligentes, como as Redes Neurais e as Máquinas de Vetores de Suporte, sendo muito mais rápido. Neste trabalho, também foram apresentadas comparações entre esses classificadores. / Fraud detection in energy systems by illegal consumers is the most actively pursued study in non-technical losses by electric power companies. Commonly used supervised pattern recognition techniques, such as Artificial Neural Networks and Support Vector Machines have been applied automatic frauds identification, however they suffer from slow convergence and high computacional burden. This work introduced the Optimum-Path Forest classifier for a fast non-technical losses recognition, which has been demonstrated to be superior than Neural Networks and Support Vector Machines, but much faster. Comparisons among these classifiers are also presented.