Esse trabalho tem por objetivo aprimorar a principal atividade das empresas de distribuição no que diz respeito ao combate às perdas comerciais: as inspeções em campo às unidades consumidoras (UCs). Para tanto, é feita a proposição de um método para identificar quedas de consumo atípicas dentro do universo de faturamento de UCs de uma concessionária de energia elétrica. A proposta está fundamentada na análise dos registros históricos de consumo, de modo que os dados considerados atípicos possam ser indicados e as UCs ranqueadas de acordo com a prioridade para as inspeções em campo. Para tanto, propõe-se a utilização combinada de técnicas de previsão de demanda e de estatísticas robustas. A validade do método foi verificada através de um estudo de caso em uma empresa de distribuição de energia elétrica do sul do Brasil. Através do estudo de caso, concluiu-se que o método é capaz de identificar quedas de consumo atípicas, tendo identificado satisfatoriamente 89,38% dos casos avaliados. Ao final do trabalho, são apresentadas sugestões de estudos complementares, de modo a aperfeiçoar o desempenho do método. / This study aims to enhance the main business of distribution companies regarding to the efforts to avoid non-technical losses, that means, field inspections at the consumer units (CUs). For that, the proposition of an algorithm to identify atypical consumption falls within the universe of PAs billing of an electric facility is made. The proposal is based on the analysis of historical records of consumption, so that the data which are considered atypical can be indicated and the CUs ranked according to their priority for inspections in the field. Combined techniques of demand forecasting and statistics robust are proposed. The validity of the algorithm was verified through a case study in an electric power distribution facility in southern Brazil. Through the case study, it was concluded that the algorithm is able to identify atypical consumption falls, and satisfactorily 89.38% of the cases was identified. At the end of this paper, suggestions for further studies in order to improve the performance of the algorithm are presented.

Esse trabalho tem por objetivo aprimorar a principal atividade das empresas de distribuição no que diz respeito ao combate às perdas comerciais: as inspeções em campo às unidades consumidoras (UCs). Para tanto, é feita a proposição de um método para identificar quedas de consumo atípicas dentro do universo de faturamento de UCs de uma concessionária de energia elétrica. A proposta está fundamentada na análise dos registros históricos de consumo, de modo que os dados considerados atípicos possam ser indicados e as UCs ranqueadas de acordo com a prioridade para as inspeções em campo. Para tanto, propõe-se a utilização combinada de técnicas de previsão de demanda e de estatísticas robustas. A validade do método foi verificada através de um estudo de caso em uma empresa de distribuição de energia elétrica do sul do Brasil. Através do estudo de caso, concluiu-se que o método é capaz de identificar quedas de consumo atípicas, tendo identificado satisfatoriamente 89,38% dos casos avaliados. Ao final do trabalho, são apresentadas sugestões de estudos complementares, de modo a aperfeiçoar o desempenho do método. / This study aims to enhance the main business of distribution companies regarding to the efforts to avoid non-technical losses, that means, field inspections at the consumer units (CUs). For that, the proposition of an algorithm to identify atypical consumption falls within the universe of PAs billing of an electric facility is made. The proposal is based on the analysis of historical records of consumption, so that the data which are considered atypical can be indicated and the CUs ranked according to their priority for inspections in the field. Combined techniques of demand forecasting and statistics robust are proposed. The validity of the algorithm was verified through a case study in an electric power distribution facility in southern Brazil. Through the case study, it was concluded that the algorithm is able to identify atypical consumption falls, and satisfactorily 89.38% of the cases was identified. At the end of this paper, suggestions for further studies in order to improve the performance of the algorithm are presented.

Este trabalho tem por objetivo apresentar e discutir alguns modelos para cálculo de perdas técnicas e não técnicas em sistemas de distribuição, considerando diversas alternativas em função da disponibilidade de dados. A discussão é de fundamental importância, na medida que o setor elétrico passa a enfrentar novos desafios, tais como o cálculo de redes de baixa tensão com cadastro incompleto e o cálculo de perdas não técnicas com sua respectiva parcela de perdas técnicas. Para o cálculo das perdas em redes de baixa tensão com cadastro incompleto, duas situações são consideradas. Na primeira, a rede é conhecida, porém não se conhece a localização de seus consumidores. Na segunda situação, também a rede é desconhecida. Neste último caso, para superar o problema de ausência de informações, são utilizadas técnicas de classificação para definir um conjunto de padrões de redes típicas e posterior associação de cada rede a um padrão previamente estabelecido. Também são utilizados alguns modelos de distribuição da carga e a consideração de incertezas é contemplada a partir de números difusos. Para calcular as perdas não técnicas com sua respectiva parcela de perdas técnicas, propõe-se um método para corrigir a energia faturada dos consumidores a partir do conhecimento da energia medida e das perdas técnicas calculadas. Uma extensão desse método ainda permite calcular as perdas de forma rápida e sem grandes esforços computacionais (método expedito), partindo do resultados de um cálculo realizado com um método convencional. Todos os modelos propostos são aplicados a redes de distribuição reais. Os resultados obtidos são analisados e comparados a valores de referência e é discutida a aplicabilidade dos modelos, bem como suas respectivas faixas de validade. / This work aims at presenting and discussing some models for calculating technical and non-technical losses in distribution systems. The proposed methods comprise several possibilities depending on the available data. This discussion is very important since the electric sector faces new challenges, such as technical loss estimation in low voltage networks with incomplete data. The evaluation of non-technical losses is also herein discussed. Regarding loss estimation with incomplete data, two conditions are considered. In the first one, the network data is known, but the customers location are unavailable. In the second one, the network data is not completely known as well. In this latter condition, in order to overcome the lack of sufficient data, classification techniques are used to establish a set of typical network patterns and to associate each network to a previously established pattern. Some load distribution models are also used and the uncertainties are considered by the use of fuzzy sets. In order to estimate the non-technical losses and their related technical losses, a method to adjust the billed energy in all customers is proposed. This is accomplished by using the computed technical losses and the measured energy at the substation site. This method also makes possible the assessment of technical losses in a quick way with a low computational effort (fast method). Such method is accomplished by using the results of a calculation previously performed using the conventional method. All the proposed methods are applied to real distribution networks. The obtained results are discussed and compared to the results obtained with the conventional method. The applicability of each model is also discussed.

Este trabalho tem por objetivo apresentar e discutir alguns modelos para cálculo de perdas técnicas e não técnicas em sistemas de distribuição, considerando diversas alternativas em função da disponibilidade de dados. A discussão é de fundamental importância, na medida que o setor elétrico passa a enfrentar novos desafios, tais como o cálculo de redes de baixa tensão com cadastro incompleto e o cálculo de perdas não técnicas com sua respectiva parcela de perdas técnicas. Para o cálculo das perdas em redes de baixa tensão com cadastro incompleto, duas situações são consideradas. Na primeira, a rede é conhecida, porém não se conhece a localização de seus consumidores. Na segunda situação, também a rede é desconhecida. Neste último caso, para superar o problema de ausência de informações, são utilizadas técnicas de classificação para definir um conjunto de padrões de redes típicas e posterior associação de cada rede a um padrão previamente estabelecido. Também são utilizados alguns modelos de distribuição da carga e a consideração de incertezas é contemplada a partir de números difusos. Para calcular as perdas não técnicas com sua respectiva parcela de perdas técnicas, propõe-se um método para corrigir a energia faturada dos consumidores a partir do conhecimento da energia medida e das perdas técnicas calculadas. Uma extensão desse método ainda permite calcular as perdas de forma rápida e sem grandes esforços computacionais (método expedito), partindo do resultados de um cálculo realizado com um método convencional. Todos os modelos propostos são aplicados a redes de distribuição reais. Os resultados obtidos são analisados e comparados a valores de referência e é discutida a aplicabilidade dos modelos, bem como suas respectivas faixas de validade. / This work aims at presenting and discussing some models for calculating technical and non-technical losses in distribution systems. The proposed methods comprise several possibilities depending on the available data. This discussion is very important since the electric sector faces new challenges, such as technical loss estimation in low voltage networks with incomplete data. The evaluation of non-technical losses is also herein discussed. Regarding loss estimation with incomplete data, two conditions are considered. In the first one, the network data is known, but the customers location are unavailable. In the second one, the network data is not completely known as well. In this latter condition, in order to overcome the lack of sufficient data, classification techniques are used to establish a set of typical network patterns and to associate each network to a previously established pattern. Some load distribution models are also used and the uncertainties are considered by the use of fuzzy sets. In order to estimate the non-technical losses and their related technical losses, a method to adjust the billed energy in all customers is proposed. This is accomplished by using the computed technical losses and the measured energy at the substation site. This method also makes possible the assessment of technical losses in a quick way with a low computational effort (fast method). Such method is accomplished by using the results of a calculation previously performed using the conventional method. All the proposed methods are applied to real distribution networks. The obtained results are discussed and compared to the results obtained with the conventional method. The applicability of each model is also discussed.

[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.

Irrigation of large agricultural areas represents a significant portion of energy consumption in food producing countries. The electric power of irrigation pumps in rice crops, for example, may exceed 800 HP, while these systems are continually used during the harvest. In Brazil, non-technical losses in this type of consumer are generally due to fraud or error in power meters, or illegal connections. This type of problem is difficult to control because of the large length of rural feeder, in addition to access difficulties in many cases. This work presents a proposal for identifying non-technical losses in rural feeders containing pumping systems for irrigation of rice crops. The proposed methodology is based on the correlation of patterns of energy consumption, characteristics of the irrigated area and climatic conditions of the irrigation period. The developed system employs Artificial Neural Network technique, and it has as input a dataset of rainfall, temperature, solar irradiation, humidity, installed power and irrigated area of rice cultivation. The final result of the analysis indicates the percentage risk of each set of data and inconsistencies that can result in non-technical losses. The results of the developed methodology were obtained and validated from a real data base of crops of the period between 2009 and 2014, in the State of Rio Grande do Sul, Brazil. / A irrigação de grandes áreas agrícolas representa uma porção significativa do consumo de energia elétrica em países produtores de alimentos. A potência das bombas de irrigação em lavouras de arroz, por exemplo, pode ser superior a 800 CV, sendo que esses sistemas são utilizados continuamente no período da safra. No Brasil, as perdas não técnicas neste tipo de consumidor geralmente são devidas a fraudes, erros em medidores de energia e ligações clandestinas. Esse tipo de problema é de difícil fiscalização devido à grande extensão das linhas rurais, além da dificuldade de acesso, em muitos casos. Este trabalho apresenta uma proposta para a identificação de perdas não técnicas em alimentadores rurais contendo sistemas de bombeamento para irrigação de lavouras de arroz. A metodologia proposta é baseada na correlação dos padrões de consumo de energia elétrica, das características da área irrigada e das condições climáticas do período de irrigação. A metodologia emprega a técnica de Rede Neural Artificial, e tem como entrada um conjunto de dados de precipitação pluviométrica, temperatura, incidência solar, umidade do ar, carga instalada e área de solo irrigado característico do cultivo de arroz. O resultado final das análises indica o risco percentual de cada conjunto de dados e inconsistências que possam implicar em perdas não técnicas. Os resultados do trabalho foram obtidos e validados a partir de uma base de dados reais de safras do período entre 2009 e 2014, de lavouras do Estado do Rio do Grande do Sul.

O sistema elétrico brasileiro possui atualmente níveis de perdas elétricas da ordem de 15%. Destes, aproximadamente a metade são provenientes das chamadas perdas comerciais (PC) que ocorrem nos sistemas de distribuição. As PC são a soma de toda energia não faturada pelas distribuidoras, á exceção das perdas técnicas. As suas causas mais frequentes são os furtos de energia elétrica, fraudes e defeitos em medidores. Os custos provenientes dessas perdas são normalmente repassados pelas distribuidoras aos consumidores regulares. No entanto, novas regulamentações do regulador brasileiro do sistema elétrico, a Agência Nacional de Energia Elétrica (ANEEL), impõem limite a esse repasse, o que cria nas concessionárias um maior incentivo para o seu combate. Entre as metodologias empregadas para a mitigação de PC, tem sido destacadas na literatura aquelas baseadas na análise das bases de dados de clientes das empresas distribuidoras com o objetivo de reconhecer padrões de clientes irregulares. Neste contexto, neste trabalho é proposto e desenvolvido um sistema de combate a PC baseado no classificador supervisionado Floresta de Caminhos Ótimos (Optimum-Path Forest, OPF). São propostas a utilização de dados categóricos e a normalização de dados como modificações nos métodos encontrados na literatura. Os testes com o sistema desenvolvido são aplicado a uma base de dados sintetizada a partir de clientes residenciais, diferentemente de trabalhos em que se utilizaram dados de consumidores comerciais e industriais. Os resultados mostram que as modificações propostas podem melhorar o desempenho do OPF. O comparativo com outros métodos de classificação reafirma a eficiência do OPF mas contesta alguns resultados presentes na literatura. / The Brazilian electric power system has about 15% of losses. About a half of this amount is due to the so called commercial losses. The commercial losses are the sum of the unbilled energy less the technical losses. The commercial losses are mainly caused by electricity theft, frauds in electricity meters and electricity meter failure. The financial costs caused by these losses are included in the electricity bill, paid by the regular consumers. New regulations approved by the Brazilian regulatory agency for the electric system create a limit for this, which stimulates the investments in commercial loss mitigation by distribution companies. Among the methods used to mitigate commercial losses, those based on pattern recognition of irregular consumers within electric companies’ clients’ databases are some of the most promising. In this work, a system for commercial losses mitigation based on the supervised classifier Optimum-Path Forest (OPF) is studied and developed. Categorical data and data normalization are proposed as methods for improving classifier performance. In order to check the system performance, tests are conducted on a database derived from residential consumer data found in the literature, differently from other works which proposed data classification for commercial and industrial consumers only. The results show that using categorical data and normalization may improve OPF performance. Comparing this method with other classifiers confirms OPF’s efficiency but contests some results shown in the literature.

O sistema elétrico brasileiro possui atualmente níveis de perdas elétricas da ordem de 15%. Destes, aproximadamente a metade são provenientes das chamadas perdas comerciais (PC) que ocorrem nos sistemas de distribuição. As PC são a soma de toda energia não faturada pelas distribuidoras, á exceção das perdas técnicas. As suas causas mais frequentes são os furtos de energia elétrica, fraudes e defeitos em medidores. Os custos provenientes dessas perdas são normalmente repassados pelas distribuidoras aos consumidores regulares. No entanto, novas regulamentações do regulador brasileiro do sistema elétrico, a Agência Nacional de Energia Elétrica (ANEEL), impõem limite a esse repasse, o que cria nas concessionárias um maior incentivo para o seu combate. Entre as metodologias empregadas para a mitigação de PC, tem sido destacadas na literatura aquelas baseadas na análise das bases de dados de clientes das empresas distribuidoras com o objetivo de reconhecer padrões de clientes irregulares. Neste contexto, neste trabalho é proposto e desenvolvido um sistema de combate a PC baseado no classificador supervisionado Floresta de Caminhos Ótimos (Optimum-Path Forest, OPF). São propostas a utilização de dados categóricos e a normalização de dados como modificações nos métodos encontrados na literatura. Os testes com o sistema desenvolvido são aplicado a uma base de dados sintetizada a partir de clientes residenciais, diferentemente de trabalhos em que se utilizaram dados de consumidores comerciais e industriais. Os resultados mostram que as modificações propostas podem melhorar o desempenho do OPF. O comparativo com outros métodos de classificação reafirma a eficiência do OPF mas contesta alguns resultados presentes na literatura. / The Brazilian electric power system has about 15% of losses. About a half of this amount is due to the so called commercial losses. The commercial losses are the sum of the unbilled energy less the technical losses. The commercial losses are mainly caused by electricity theft, frauds in electricity meters and electricity meter failure. The financial costs caused by these losses are included in the electricity bill, paid by the regular consumers. New regulations approved by the Brazilian regulatory agency for the electric system create a limit for this, which stimulates the investments in commercial loss mitigation by distribution companies. Among the methods used to mitigate commercial losses, those based on pattern recognition of irregular consumers within electric companies’ clients’ databases are some of the most promising. In this work, a system for commercial losses mitigation based on the supervised classifier Optimum-Path Forest (OPF) is studied and developed. Categorical data and data normalization are proposed as methods for improving classifier performance. In order to check the system performance, tests are conducted on a database derived from residential consumer data found in the literature, differently from other works which proposed data classification for commercial and industrial consumers only. The results show that using categorical data and normalization may improve OPF performance. Comparing this method with other classifiers confirms OPF’s efficiency but contests some results shown in the literature.

O sistema elétrico brasileiro possui atualmente níveis de perdas elétricas da ordem de 15%. Destes, aproximadamente a metade são provenientes das chamadas perdas comerciais (PC) que ocorrem nos sistemas de distribuição. As PC são a soma de toda energia não faturada pelas distribuidoras, á exceção das perdas técnicas. As suas causas mais frequentes são os furtos de energia elétrica, fraudes e defeitos em medidores. Os custos provenientes dessas perdas são normalmente repassados pelas distribuidoras aos consumidores regulares. No entanto, novas regulamentações do regulador brasileiro do sistema elétrico, a Agência Nacional de Energia Elétrica (ANEEL), impõem limite a esse repasse, o que cria nas concessionárias um maior incentivo para o seu combate. Entre as metodologias empregadas para a mitigação de PC, tem sido destacadas na literatura aquelas baseadas na análise das bases de dados de clientes das empresas distribuidoras com o objetivo de reconhecer padrões de clientes irregulares. Neste contexto, neste trabalho é proposto e desenvolvido um sistema de combate a PC baseado no classificador supervisionado Floresta de Caminhos Ótimos (Optimum-Path Forest, OPF). São propostas a utilização de dados categóricos e a normalização de dados como modificações nos métodos encontrados na literatura. Os testes com o sistema desenvolvido são aplicado a uma base de dados sintetizada a partir de clientes residenciais, diferentemente de trabalhos em que se utilizaram dados de consumidores comerciais e industriais. Os resultados mostram que as modificações propostas podem melhorar o desempenho do OPF. O comparativo com outros métodos de classificação reafirma a eficiência do OPF mas contesta alguns resultados presentes na literatura. / The Brazilian electric power system has about 15% of losses. About a half of this amount is due to the so called commercial losses. The commercial losses are the sum of the unbilled energy less the technical losses. The commercial losses are mainly caused by electricity theft, frauds in electricity meters and electricity meter failure. The financial costs caused by these losses are included in the electricity bill, paid by the regular consumers. New regulations approved by the Brazilian regulatory agency for the electric system create a limit for this, which stimulates the investments in commercial loss mitigation by distribution companies. Among the methods used to mitigate commercial losses, those based on pattern recognition of irregular consumers within electric companies’ clients’ databases are some of the most promising. In this work, a system for commercial losses mitigation based on the supervised classifier Optimum-Path Forest (OPF) is studied and developed. Categorical data and data normalization are proposed as methods for improving classifier performance. In order to check the system performance, tests are conducted on a database derived from residential consumer data found in the literature, differently from other works which proposed data classification for commercial and industrial consumers only. The results show that using categorical data and normalization may improve OPF performance. Comparing this method with other classifiers confirms OPF’s efficiency but contests some results shown in the literature.

A detecção de furtos e fraudes nos sistemas de energia provocados por consumidores irregulares é o principal alvo em análises de perdas não-técnicas ou comerciais pelas empresas de energia. Embora a identificação automática de perdas nãotécnicas tenha sido amplamente estudada, a tarefa de selecionar as características mais representativas em um grande conjunto de dados a fim de aumentar a taxa de acerto da identificação, bem como para caracterizar possíveis consumidores irregulares como um problema de otimização, não tem sido muito explorada neste contexto. Neste trabalho, visa-se o desenvolvimento de algoritmos híbridos baseados em técnicas evolutivas a fim de realizar a seleção de características no âmbito da caracterização de perdas não-técnicas, comparando as suas taxas de acerto e verificando as características selecionadas. Vários classificadores são comparados, com destaque para a técnica Floresta de Caminhos Ótimos por sua robustez, sendo ela a técnica escolhida para o cálculo da função objetivo das técnicas evolutivas, analisando o desempenho das mesmas. Os resultados demonstraram que a seleção de características mais representativas podem melhorar a taxa de acerto da classificação de possíveis perdas não-técnicas quando comparada à classificação sem o processo de seleção de características em conjuntos de dados compostos por perfis de consumidores industriais e comerciais. Isto significa que existem características que não são pertinentes e podem diminuir a taxa de acerto durante a classificação dos consumidores. Através da metodologia proposta com o processo de seleção de características, é possível caracterizar e identificar os perfis de consumidores com mais precisão, afim de minimizar os custos com tais perdas, contribuindo para a recuperação de receita das companhias de energia elétrica. / The detection of thefts and frauds in power systems caused by irregular consumers is the most actively pursued analysis in non-technical losses by electric power companies. Although non-technical losses automatic identification has been massively studied, the task of selecting the most representative features in a large dataset, in order to boost the identification accuracy, as well as characterizing possible irregular consumers as a problem of optimization, has not been widely explored in this context. This work aims at developing hybrid algorithms based on evolutionary algorithms in order to perform feature selection in the context of non-technical losses characterization. Although several classifiers have been compared, we have highlighted the Optimum-Path Forest (OPF) technique mainly because of its robustness. Thus, the OPF classifier was chosen to compute the objective function of evolutionary techniques, analyzing their performances. This procedure with feature selection is compared with the procedure without feature selection in datasets composed by industrial and commercial consumers profiles. The results demonstrated that selecting the most representative features can improve the classification accuracy of possible non-technical losses. This means that there are irrelevant features and they can reduce the classification accuracy of consumers. Considering the methodology proposed with feature selection procedure, it is possible to characterize and identify consumer profiles more accurately, in order to minimize costs with such losses, contributing to the recovery of revenue from electric power companies.