No description available.

Submitted by LUCAS TELES DE FARIA null (lucas.teles.faria@gmail.com) on 2016-04-06T05:42:40Z No. of bitstreams: 1 TESE_DOUTORADO_ENG.ELETRICA_LUCAS-TELES-DE-FARIA.pdf: 4869615 bytes, checksum: 5cea8811bb7d053c5440e3d6fb5d55cd (MD5) / Approved for entry into archive by Juliano Benedito Ferreira (julianoferreira@reitoria.unesp.br) on 2016-04-07T19:51:32Z (GMT) No. of bitstreams: 1 faria_lt_dr_ilha.pdf: 4869615 bytes, checksum: 5cea8811bb7d053c5440e3d6fb5d55cd (MD5) / Made available in DSpace on 2016-04-07T19:51:32Z (GMT). No. of bitstreams: 1 faria_lt_dr_ilha.pdf: 4869615 bytes, checksum: 5cea8811bb7d053c5440e3d6fb5d55cd (MD5) Previous issue date: 2016-02-26 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Neste trabalho o espaço geográfico é incorporado ao estudo das perdas não técnicas. Os trabalhos avaliados em perdas comumente não consideram a localização espacial das mesmas de forma explícita. No entanto, o estudo das características do lugar onde elas ocorrem pode trazer informações imprescindíveis para melhor compreensão do problema. O espaço é incorporado via técnicas de análise espacial de dados geográficos. A saber: análise espacial de padrões de pontos e análise espacial de dados agregados por áreas. A localização das perdas é obtida através de dados de inspeções reais georreferenciados obtidos a partir de uma concessionária de energia elétrica. Os atributos socioeconômicos do censo demográfico e da rede de distribuição de energia do lugar onde ocorrem as perdas são considerados via técnicas de regressões espaciais. São elas: modelo aditivo generalizado (GAM) e regressão geograficamente ponderada (GWR). Esses atributos são as variáveis independentes das regressões espaciais e auxiliam na explicação da disposição das perdas no espaço geográfico do município em estudo. Essas regressões são combinadas com as cadeias de Markov para produção de mapas de probabilidades de perdas. Esses mapas indicam as subáreas do município que são mais vulneráveis às perdas em termos probabilísticos. Por meio deles, estima-se a evolução das perdas não técnicas no espaço geográfico do município ao longo do tempo. Os mapas de probabilidade de perdas são uma ferramenta gráfica, de fácil interpretação e que auxiliam no planejamento de uma série de ações de prevenção e combate às perdas. Este estudo foi realizado em um município de porte médio do interior paulista com aproximadamente 81 mil unidades consumidoras, sendo que os resultados das simulações foram comparados com dados reais de inspeções em campo. A taxa de acerto para estimação das áreas vulneráveis às perdas via modelo aditivo generalizado (GAM) e cadeias e Markov foi superior a 80%. / In this work the geographic space is incorporated into the study of non-technical losses. Studies on non-technical losses do not often consider the spatial location of them explicitly. However, the study of the characteristics of the place where they occur can provide essential information to better understanding of the problem. The space is incorporated via spatial analysis techniques of geographical data; to know: spatial analysis of point patterns and spatial analysis of data aggregated by areas. The location of the losses is determined via georeferenced inspections data obtained from an electrical power utility. Socioeconomic attributes of the census and the distribution network of energy of the place where the losses occur are considered using the spatial regressions techniques; namely: generalized additive model (GAM) and geographically weighted regression (GWR). These attributes are the independent variables of spatial regressions and assist in the provision of the explanation of the losses in the geographical space of the city under study. These regressions are combined with Markov chains to produce the loss probability maps. These maps show the city subareas that are more vulnerable to losses in probabilistic terms. Through them, the evolution of non-technical losses in the geographical area of the city over the time is estimated. The loss probability maps are a graphical tool, easy to interpret and to assist in planning a series of actions to prevent and combat to losses. This study was conducted in a medium-sized city of São Paulo with about 81,000 consumer units, and the simulation results were compared with real data obtained in field inspections. The hit rate for the estimation of areas vulnerable to losses via generalized additive model (GAM) and Markov chains surpasses 80%.