Aplicação de métodos de aprendizado de máquina para identificação de perdas não-técnicas de energia elétrica
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UCS |
Texto Completo: | https://repositorio.ucs.br/11338/8854 |
Resumo: | Uma adversidade estabelecida desde os primórdios dos sistemas de distribuição de energia é o enfrentamento exercido entre empresas concessoras de energia e consumidores que buscam continuamente métodos para privilégio próprio, consumindo energia e não pagando corretamente por ela, representando uma das numerosas formas de perdas não-técnicas de energia elétrica. Enquanto ainda avalia-se a relação custo-benefício em instalar medidores inteligentes, que podem prover um controle em tempo real do consumo dos clientes, técnicas estatísticas aliadas ao entusiasmo recente provocado pelo desenvolvimento da inteligência artificial têm sido amplamente discutidas na literatura, com variados trabalhos e diferentes aplicações. Por essa razão, este trabalho modela dois métodos de aprendizado de máquina em Python, Redes Neurais e Random Forests, de modo a obter um classificador de clientes em regulares ou irregulares, esteados em aprendizado supervisionado. Para isso, foram pré-processadas amostras reais de dados históricos com códigos de retorno de inspeções e características de consumo, dados cedidos por uma concessionária da região sul do país. Um total de 104 testes foram realizados para treinamento dos algoritmos, finalizando nos melhores percentuais, em uma acurácia de 99,624%, especificidade de 100% e confiabilidade de 99,253%, critérios estes utilizados para avaliar o desempenho dos classificadores. [resumo fornecido pelo autor] |
id |
UCS_ac6c778c1be983d4ca8505dd4de3fa5c |
---|---|
oai_identifier_str |
oai:repositorio.ucs.br:11338/8854 |
network_acronym_str |
UCS |
network_name_str |
Repositório Institucional da UCS |
repository_id_str |
|
spelling |
Oliveira, Alisson Carvalho deMorales, Andréa CantarelliLima, Danusia de Oliveira deMichel, André Bernardes2021-10-08T19:27:49Z2021-10-08T19:27:49Z2020-12-182020-12-11https://repositorio.ucs.br/11338/8854Uma adversidade estabelecida desde os primórdios dos sistemas de distribuição de energia é o enfrentamento exercido entre empresas concessoras de energia e consumidores que buscam continuamente métodos para privilégio próprio, consumindo energia e não pagando corretamente por ela, representando uma das numerosas formas de perdas não-técnicas de energia elétrica. Enquanto ainda avalia-se a relação custo-benefício em instalar medidores inteligentes, que podem prover um controle em tempo real do consumo dos clientes, técnicas estatísticas aliadas ao entusiasmo recente provocado pelo desenvolvimento da inteligência artificial têm sido amplamente discutidas na literatura, com variados trabalhos e diferentes aplicações. Por essa razão, este trabalho modela dois métodos de aprendizado de máquina em Python, Redes Neurais e Random Forests, de modo a obter um classificador de clientes em regulares ou irregulares, esteados em aprendizado supervisionado. Para isso, foram pré-processadas amostras reais de dados históricos com códigos de retorno de inspeções e características de consumo, dados cedidos por uma concessionária da região sul do país. Um total de 104 testes foram realizados para treinamento dos algoritmos, finalizando nos melhores percentuais, em uma acurácia de 99,624%, especificidade de 100% e confiabilidade de 99,253%, critérios estes utilizados para avaliar o desempenho dos classificadores. [resumo fornecido pelo autor]An adversity that has been established since the beginning of the energy distribution systems is the confrontation between electric utilities and consumers that continuously searching methods for their own privilege, consuming energy and not paying for it correctly, representing one of numerous forms of non-technical losses of electricity. While the agents are still evaluating the cost-benefit ratio of installing smart meters, which can provide real-time control of customer consumption, statistical techniques associated with the recent enthusiasm caused by the development of artificial intelligence have been widely discussed in the literature, with several works and different applications. For this reason, this work models two methods of machine learning in Python, Neural Networks and Random Forests, in order to obtain a classifier of customers in regular or irregular, based on supervised learning. For this, real samples of historical data with return codes for inspections and consumption characteristics were pre-processed, data provided by a concessionaire in the south of the country. A total of 104 tests were performed to train the algorithms, ending in the best percentages, with an accuracy of 99.624%, specificity of 100% and reliability of 99.253%, criteria used to evaluate the performance of the classifiers. [resumo fornecido pelo autor]Energia elétricaEnergia elétrica - ConsumoAplicação de métodos de aprendizado de máquina para identificação de perdas não-técnicas de energia elétricainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisporreponame:Repositório Institucional da UCSinstname:Universidade de Caxias do Sul (UCS)instacron:UCSinfo:eu-repo/semantics/openAccessUniversidade de Caxias do SulEngenharia Elétrica - BachareladoCampus Universitário de Caxias do SulORIGINALTCC Alisson Carvalho de Oliveira.pdfTCC Alisson Carvalho de Oliveira.pdfapplication/pdf4999586https://repositorio.ucs.br/xmlui/bitstream/11338/8854/1/TCC%20Alisson%20Carvalho%20de%20Oliveira.pdf0acb99ebf6537d89b3b0b0d4d697c56cMD51TEXTTCC Alisson Carvalho de Oliveira.pdf.txtTCC Alisson Carvalho de Oliveira.pdf.txtExtracted texttext/plain232748https://repositorio.ucs.br/xmlui/bitstream/11338/8854/2/TCC%20Alisson%20Carvalho%20de%20Oliveira.pdf.txt646f974e35de80cf46081086941d3dfbMD52THUMBNAILTCC Alisson Carvalho de Oliveira.pdf.jpgTCC Alisson Carvalho de Oliveira.pdf.jpgGenerated Thumbnailimage/jpeg1172https://repositorio.ucs.br/xmlui/bitstream/11338/8854/3/TCC%20Alisson%20Carvalho%20de%20Oliveira.pdf.jpg2a799b958bde7e3098692ceee5b6003dMD5311338/88542022-10-18 18:44:49.491oai:repositorio.ucs.br:11338/8854Repositório de Publicaçõeshttp://repositorio.ucs.br/oai/requestopendoar:2022-10-18T18:44:49Repositório Institucional da UCS - Universidade de Caxias do Sul (UCS)false |
dc.title.pt_BR.fl_str_mv |
Aplicação de métodos de aprendizado de máquina para identificação de perdas não-técnicas de energia elétrica |
title |
Aplicação de métodos de aprendizado de máquina para identificação de perdas não-técnicas de energia elétrica |
spellingShingle |
Aplicação de métodos de aprendizado de máquina para identificação de perdas não-técnicas de energia elétrica Oliveira, Alisson Carvalho de Energia elétrica Energia elétrica - Consumo |
title_short |
Aplicação de métodos de aprendizado de máquina para identificação de perdas não-técnicas de energia elétrica |
title_full |
Aplicação de métodos de aprendizado de máquina para identificação de perdas não-técnicas de energia elétrica |
title_fullStr |
Aplicação de métodos de aprendizado de máquina para identificação de perdas não-técnicas de energia elétrica |
title_full_unstemmed |
Aplicação de métodos de aprendizado de máquina para identificação de perdas não-técnicas de energia elétrica |
title_sort |
Aplicação de métodos de aprendizado de máquina para identificação de perdas não-técnicas de energia elétrica |
author |
Oliveira, Alisson Carvalho de |
author_facet |
Oliveira, Alisson Carvalho de |
author_role |
author |
dc.contributor.other.none.fl_str_mv |
Morales, Andréa Cantarelli Lima, Danusia de Oliveira de |
dc.contributor.author.fl_str_mv |
Oliveira, Alisson Carvalho de |
dc.contributor.advisor1.fl_str_mv |
Michel, André Bernardes |
contributor_str_mv |
Michel, André Bernardes |
dc.subject.por.fl_str_mv |
Energia elétrica Energia elétrica - Consumo |
topic |
Energia elétrica Energia elétrica - Consumo |
description |
Uma adversidade estabelecida desde os primórdios dos sistemas de distribuição de energia é o enfrentamento exercido entre empresas concessoras de energia e consumidores que buscam continuamente métodos para privilégio próprio, consumindo energia e não pagando corretamente por ela, representando uma das numerosas formas de perdas não-técnicas de energia elétrica. Enquanto ainda avalia-se a relação custo-benefício em instalar medidores inteligentes, que podem prover um controle em tempo real do consumo dos clientes, técnicas estatísticas aliadas ao entusiasmo recente provocado pelo desenvolvimento da inteligência artificial têm sido amplamente discutidas na literatura, com variados trabalhos e diferentes aplicações. Por essa razão, este trabalho modela dois métodos de aprendizado de máquina em Python, Redes Neurais e Random Forests, de modo a obter um classificador de clientes em regulares ou irregulares, esteados em aprendizado supervisionado. Para isso, foram pré-processadas amostras reais de dados históricos com códigos de retorno de inspeções e características de consumo, dados cedidos por uma concessionária da região sul do país. Um total de 104 testes foram realizados para treinamento dos algoritmos, finalizando nos melhores percentuais, em uma acurácia de 99,624%, especificidade de 100% e confiabilidade de 99,253%, critérios estes utilizados para avaliar o desempenho dos classificadores. [resumo fornecido pelo autor] |
publishDate |
2020 |
dc.date.submitted.none.fl_str_mv |
2020-12-11 |
dc.date.issued.fl_str_mv |
2020-12-18 |
dc.date.accessioned.fl_str_mv |
2021-10-08T19:27:49Z |
dc.date.available.fl_str_mv |
2021-10-08T19:27:49Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ucs.br/11338/8854 |
url |
https://repositorio.ucs.br/11338/8854 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UCS instname:Universidade de Caxias do Sul (UCS) instacron:UCS |
instname_str |
Universidade de Caxias do Sul (UCS) |
instacron_str |
UCS |
institution |
UCS |
reponame_str |
Repositório Institucional da UCS |
collection |
Repositório Institucional da UCS |
bitstream.url.fl_str_mv |
https://repositorio.ucs.br/xmlui/bitstream/11338/8854/1/TCC%20Alisson%20Carvalho%20de%20Oliveira.pdf https://repositorio.ucs.br/xmlui/bitstream/11338/8854/2/TCC%20Alisson%20Carvalho%20de%20Oliveira.pdf.txt https://repositorio.ucs.br/xmlui/bitstream/11338/8854/3/TCC%20Alisson%20Carvalho%20de%20Oliveira.pdf.jpg |
bitstream.checksum.fl_str_mv |
0acb99ebf6537d89b3b0b0d4d697c56c 646f974e35de80cf46081086941d3dfb 2a799b958bde7e3098692ceee5b6003d |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UCS - Universidade de Caxias do Sul (UCS) |
repository.mail.fl_str_mv |
|
_version_ |
1798308881295736832 |