Menu
As distribuidoras de energia estão concentrando os seus esforços para reduzir as suas perdas comerciais, visando um aumento das suas receitas e, principalmente, para cumprir as regulamentações da Agência Nacional de Energia Elétrica (ANEEL). Esta, por sua vez, visa reduzir os números de fraudes no sistema de medição e consequentemente diminuir os valores das tarifas e aumentar a qualidade dos serviços prestados. Neste contexto, o presente trabalho apresenta uma metodologia de análise para identificar possíveis anomalias de consumo, utilizando as redes neurais. Ao analisar os dados das medições elétricas, optou-se pela utilização das redes neurais não supervisionados, mais precisamente os mapas auto-organizáveis de Kohonen. A seleção deste modelo decorreu do volume de dados de medições e da ausência de uma identificação prévia dos dados de consumo que caracterizassem fraudes. O conhecimento mais detalhado dos mapas auto-organizáveis permitiu compreender os relacionamentos entre os neurônios e como se formam os agrupamentos, além da influência das técnicas de normalização no comportamento da rede neural. Este trabalho se diferencia ao utilizar diversas grandezas elétricas e na aplicação de uma normalização por tangente hiperbólica, sendo que esta teve o melhor resultado na formação dos grupos, bem como na sensibilidade da rede em identificar alterações nos padrões de consumo. Com o intuito de verificar esta metodologia, utilizou-se simulações alterando os valores da corrente elétrica, e consequentemente a respectiva potência, de forma a comprovar o grau de sensibilidade da rede em identificar as mudanças de comportamento, além de analisar cada consumidor individualmente ao invés de somente os grupos formados. Ao término das análises foi possível perceber o agrupamento das medições de cada consumidor pelos dias da semana, proporcionando uma análise diária do seu comportamento.
Energy utilities are concentrating their efforts to reduce their commercial losses, aiming to increase their revenues and mainly to comply with National Regulator ANEEL. However, these actions aim to reduce the numbers of frauds in the metering system and consequently decrease the values of tariffs and increase the power quality. In this context, this work proposes a method for analysis and identification of possibly consumption anomalies using neural networks. Analyzing the electrical data measurements, it was decided for the use of the unsupervised neural networks, more precisely Kohonen’s self-organizing maps. The selection of this model was due to the volume of measurement data and the lack of identification of consumption data that characterized frauds. For this, the Kohonen methodology was implemented, the more detailed knowledge of this architecture allowed to understand the relationships between the neurons and how the groupings are formed, in addition to the influence of the normalization techniques on the behavior of the neural network. This work differs when using several electric quantities and applying a hyperbolic tangent normalization, which had the best result in the formation of the groups, as well as in the sensitivity of the network to identify changes in consumption patterns. The verification of this methodology used simulations altering the values of the electric current and consequently the respective power, in order to prove the degree of sensitivity of the network in identifying the behavior changes, besides analyzing each consumer individually instead of only the groups formed. At the end of the analysis it was possible to perceive the grouping of the measurements of each consumer by days of the week, providing a daily analysis of their behavior.
Orlando Stein Junior
Data da defesa: 06/08/2018
Banca Examinadora
Orientador (a): Rodrigo Jardim Riella (Lactec)
Membro da Banca: Ana Paula Oening (Lactec)
Membro da Banca: Sebastião Ribeiro Junior (UFPR)
Membro da Banca: Germano Lambert Torres (PS soluções)
Palavra(s)-Chave: Mapas auto-organizáveis. Fraudes. Padrões de consumo. Normalização de dados.
Keywords: Self-organizing maps. Frauds. Patterns of consumption. Data normalizing.
