[en] NEURAL NETWORKS IN THE IDENTIFICATION OF COMMERCIAL LOSSES OF THE ELECTRICAL SECTOR
[pt] Atualmente, um dos maiores problemas das empresas brasileiras distribuidoras de energia elétrica é o de perdas comerciais, responsáveis pela maior parte das perdas do setor. A Light, por exemplo, é a terceira distribuidora com maiores perdas comerciais no Brasil, com 3,79 milhões de clientes de...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2009 |
| País: | Brasil |
| Institución: | Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) |
| Repositorio: | Repositório Institucional da PUC-RIO (Projeto Maxwell) |
| Idioma: | portugués |
| OAI Identifier: | oai:MAXWELL.puc-rio.br:13380 |
| Acceso en línea: | https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=13380&idi=1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=13380&idi=2 http://doi.org/10.17771/PUCRio.acad.13380 |
| Access Level: | acceso abierto |
| Palabra clave: | [pt] REDE NEURAL [pt] FILTRAGEM [pt] PERDAS COMERCIAIS [en] NEURAL NETWORKS [en] FILTERING [en] COMMERCIAL LOSSES |
| Sumario: | [pt] Atualmente, um dos maiores problemas das empresas brasileiras distribuidoras de energia elétrica é o de perdas comerciais, responsáveis pela maior parte das perdas do setor. A Light, por exemplo, é a terceira distribuidora com maiores perdas comerciais no Brasil, com 3,79 milhões de clientes de baixa tensão em 31 municípios do Estado do Rio de Janeiro. Estas perdas são causadas por fraudes nos medidores de energia, por equipamentos defeituosos e, principalmente, pelas ligações clandestinas, conhecidas por gatos, gambiarras ou macacos. Uma forma tradicional de combate às Perdas Comerciais é a realização de inspeções nos consumidores. Entretanto, a seleção de quais consumidores devem ser inspecionados é uma tarefa árdua para os especialistas no assunto. As distribuidoras geralmente empregam um conjunto de metodologias heurísticas para identificar os clientes de baixa tensão suspeitos de estarem cometendo algum tipo de irregularidade. Todavia, a média de acertos dessas metodologias ainda é bastante inferior ao desejado, acarretando prejuízos elevados para as distribuidoras brasileiras. No caso específico da Light, a média de acerto na comprovação de clientes fraudadores é de apenas 25%. Verifica-se, portanto, que o processo adotado não é eficiente. Portanto, este trabalho tem como objetivo desenvolver uma metodologia que identifique, com maior precisão, o perfil do cliente irregular (comprovada fraude no medidor, furto por ligação clandestina ou irregularidade técnica). O sistema inteligente resultante, denominado SIIPERCOM, baseia-se em Redes Neurais, para a filtragem agrupando clientes com comportamentos semelhantes e classificação dos clientes de cada grupo em normais ou irregulares. |
|---|