Identificação de perdas não técnicas em sistemas de distribuição agregando dados exógenos e inteligência artificial
Visualizar/ Abrir
Data
2022-08-29Primeiro membro da banca
Knak Neto, Nelson
Segundo membro da banca
Figueiredo, Rodrigo Marques de
Metadata
Mostrar registro completoResumo
Identificação de perdas não técnicas (PNT) é um dos encargos mais desafiadoras nos sistemas
de distribuição de energia elétrica devido a sua dificuldade técnica, adversidades encontradas
na localização e custo de deslocamento de unidades para verificação em campo. É encontrado
em quantidade maior em países em desenvolvimento como Índia e o Brasil e gera prejuízos na
ordem de bilhões para consumidores e agentes dos sistemas elétricos de potência. O emprego
de dados exógenos na identificação de PNT em sistemas de distribuição de energia é visto com
grande potencial agregado, uma vez que vivemos em uma época em que dados são
disponibilizados cada vez mais em grande quantidade. Esses devem ser analisados, validados e
empregados de maneira concisa para que sistemas inteligentes de machine learning sejam
capazes de identificar e gerar possíveis alvos de inspeções, deslocando equipes para unidades
consumidoras (UC) com maior probabilidade de PNT ser identificada. Este trabalho propõe um
trabalho completo de identificação de PNT orientado a dados, com o uso de base de dados das
concessionárias de distribuição de energia elétrica e base exógena (climática) em conjunto com
um modelo de redes neurais artificias, desempenhando um modelo supervisionado de
classificação. O banco de dados é severamente desbalanceado e isso é caracterizado pelo banco
de inspeções das concessionárias de energia elétrica, pois os consumidores são rotulados com
pareceres das inspeções realizadas anteriormente. A classificação por modelo de redes neurais
perceptron multicamadas otimizadas através de otimização bayesiana, obteve acurácia de
acerto global de 72,20%, a área abaixo da curva receiver operating characteristic com escore
de 0.684 e a taxa de acerto de UC irregulares de 43,66% no banco de testes rotulado por
unidades previamente inspecionadas. Enfatiza-se que a metodologia foi comparada sem o
emprego de dados exógenos, obtendo um aprimoramento de 6,26% em taxa de acerto de
unidades irregulares. Então é possível afirmar que o modelo é significativamente aprimorado
quando a informação de temperatura ambiente é inserida como uma variável de entrada.
Coleções
Os arquivos de licença a seguir estão associados a este item: