Detecção de fraudes em consumidores de energia elétrica da classe Alta Tensão Horo Sazonal, utilizando Mapas Auto Organizáveis Self-Organizing Maps (SOM), baseado em análise de memórias de massa
Autor(a) principal: | |
---|---|
Data de Publicação: | 2008 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMS |
Texto Completo: | https://repositorio.ufms.br/handle/123456789/641 |
Resumo: | O presente trabalho tem por objetivo pesquisar e identificar a melhor configuração de rede SOM - Self-Organizing Maps, capaz de apontar a partir das memórias de massa retiradas dos medidores de clientes de alta tensão da concessionária Enersul, potenciais fraudadores. Uma vez determinada a melhor configuração da rede SOM, esta poderá orientar a área de perdas das concessionárias, quais os clientes que apresentem características de fraudadores e que deverão sofrer inspeções. |
id |
UFMS_d5bee523ffa8197a8b679c627e712e6b |
---|---|
oai_identifier_str |
oai:repositorio.ufms.br:123456789/641 |
network_acronym_str |
UFMS |
network_name_str |
Repositório Institucional da UFMS |
repository_id_str |
2124 |
spelling |
2011-10-25T18:10:59Z2021-09-30T19:56:12Z2008https://repositorio.ufms.br/handle/123456789/641O presente trabalho tem por objetivo pesquisar e identificar a melhor configuração de rede SOM - Self-Organizing Maps, capaz de apontar a partir das memórias de massa retiradas dos medidores de clientes de alta tensão da concessionária Enersul, potenciais fraudadores. Uma vez determinada a melhor configuração da rede SOM, esta poderá orientar a área de perdas das concessionárias, quais os clientes que apresentem características de fraudadores e que deverão sofrer inspeções.The actual presentation target is to research and identify the best configuration for the SOM (Self Organizing Maps) network, ready to show from the mass memories taken from the service provider (Enersul) high tension consumers’ meters’, potential fraudulent consumers. Once established the best SOM network configuration it will be one which will guide the service provider losses department in pointing customers that hint fraudulent characteristics behavior that must go through mandatory inspections.porConsumo de Energia ElétricaEnergia ElétricaRedes NeuraisInteligência ArtificialDetecção de fraudes em consumidores de energia elétrica da classe Alta Tensão Horo Sazonal, utilizando Mapas Auto Organizáveis Self-Organizing Maps (SOM), baseado em análise de memórias de massaFraud Detection in Hourly fashioned Electrical Energy Consumer through the use of Artificial Neural Networks (SOM) based on Mass Memories Analysisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisPinto, João Onofre PereiraGuimarães, Fernando Antonio Camargoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMSinstname:Universidade Federal de Mato Grosso do Sul (UFMS)instacron:UFMSTHUMBNAILFernando Antonio Camargo Guimarães.pdf.jpgFernando Antonio Camargo Guimarães.pdf.jpgGenerated Thumbnailimage/jpeg1274https://repositorio.ufms.br/bitstream/123456789/641/4/Fernando%20Antonio%20Camargo%20Guimar%c3%a3es.pdf.jpg4f954943c10cee42aeeca1fe4e0c5906MD54TEXTFernando Antonio Camargo Guimarães.pdf.txtFernando Antonio Camargo Guimarães.pdf.txtExtracted texttext/plain94098https://repositorio.ufms.br/bitstream/123456789/641/3/Fernando%20Antonio%20Camargo%20Guimar%c3%a3es.pdf.txtdb1a24636c45e8e7f1ef9ca8146a0460MD53ORIGINALFernando Antonio Camargo Guimarães.pdfFernando Antonio Camargo Guimarães.pdfapplication/pdf3291396https://repositorio.ufms.br/bitstream/123456789/641/1/Fernando%20Antonio%20Camargo%20Guimar%c3%a3es.pdf01b2a5d13eeccdbb8490445fc27481a7MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ufms.br/bitstream/123456789/641/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52123456789/6412021-09-30 15:56:12.789oai:repositorio.ufms.br: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Repositório InstitucionalPUBhttps://repositorio.ufms.br/oai/requestri.prograd@ufms.bropendoar:21242021-09-30T19:56:12Repositório Institucional da UFMS - Universidade Federal de Mato Grosso do Sul (UFMS)false |
dc.title.pt_BR.fl_str_mv |
Detecção de fraudes em consumidores de energia elétrica da classe Alta Tensão Horo Sazonal, utilizando Mapas Auto Organizáveis Self-Organizing Maps (SOM), baseado em análise de memórias de massa |
dc.title.alternative.pt_BR.fl_str_mv |
Fraud Detection in Hourly fashioned Electrical Energy Consumer through the use of Artificial Neural Networks (SOM) based on Mass Memories Analysis |
title |
Detecção de fraudes em consumidores de energia elétrica da classe Alta Tensão Horo Sazonal, utilizando Mapas Auto Organizáveis Self-Organizing Maps (SOM), baseado em análise de memórias de massa |
spellingShingle |
Detecção de fraudes em consumidores de energia elétrica da classe Alta Tensão Horo Sazonal, utilizando Mapas Auto Organizáveis Self-Organizing Maps (SOM), baseado em análise de memórias de massa Guimarães, Fernando Antonio Camargo Consumo de Energia Elétrica Energia Elétrica Redes Neurais Inteligência Artificial |
title_short |
Detecção de fraudes em consumidores de energia elétrica da classe Alta Tensão Horo Sazonal, utilizando Mapas Auto Organizáveis Self-Organizing Maps (SOM), baseado em análise de memórias de massa |
title_full |
Detecção de fraudes em consumidores de energia elétrica da classe Alta Tensão Horo Sazonal, utilizando Mapas Auto Organizáveis Self-Organizing Maps (SOM), baseado em análise de memórias de massa |
title_fullStr |
Detecção de fraudes em consumidores de energia elétrica da classe Alta Tensão Horo Sazonal, utilizando Mapas Auto Organizáveis Self-Organizing Maps (SOM), baseado em análise de memórias de massa |
title_full_unstemmed |
Detecção de fraudes em consumidores de energia elétrica da classe Alta Tensão Horo Sazonal, utilizando Mapas Auto Organizáveis Self-Organizing Maps (SOM), baseado em análise de memórias de massa |
title_sort |
Detecção de fraudes em consumidores de energia elétrica da classe Alta Tensão Horo Sazonal, utilizando Mapas Auto Organizáveis Self-Organizing Maps (SOM), baseado em análise de memórias de massa |
author |
Guimarães, Fernando Antonio Camargo |
author_facet |
Guimarães, Fernando Antonio Camargo |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Pinto, João Onofre Pereira |
dc.contributor.author.fl_str_mv |
Guimarães, Fernando Antonio Camargo |
contributor_str_mv |
Pinto, João Onofre Pereira |
dc.subject.por.fl_str_mv |
Consumo de Energia Elétrica Energia Elétrica Redes Neurais Inteligência Artificial |
topic |
Consumo de Energia Elétrica Energia Elétrica Redes Neurais Inteligência Artificial |
description |
O presente trabalho tem por objetivo pesquisar e identificar a melhor configuração de rede SOM - Self-Organizing Maps, capaz de apontar a partir das memórias de massa retiradas dos medidores de clientes de alta tensão da concessionária Enersul, potenciais fraudadores. Uma vez determinada a melhor configuração da rede SOM, esta poderá orientar a área de perdas das concessionárias, quais os clientes que apresentem características de fraudadores e que deverão sofrer inspeções. |
publishDate |
2008 |
dc.date.issued.fl_str_mv |
2008 |
dc.date.accessioned.fl_str_mv |
2011-10-25T18:10:59Z |
dc.date.available.fl_str_mv |
2021-09-30T19:56:12Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufms.br/handle/123456789/641 |
url |
https://repositorio.ufms.br/handle/123456789/641 |
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 UFMS instname:Universidade Federal de Mato Grosso do Sul (UFMS) instacron:UFMS |
instname_str |
Universidade Federal de Mato Grosso do Sul (UFMS) |
instacron_str |
UFMS |
institution |
UFMS |
reponame_str |
Repositório Institucional da UFMS |
collection |
Repositório Institucional da UFMS |
bitstream.url.fl_str_mv |
https://repositorio.ufms.br/bitstream/123456789/641/4/Fernando%20Antonio%20Camargo%20Guimar%c3%a3es.pdf.jpg https://repositorio.ufms.br/bitstream/123456789/641/3/Fernando%20Antonio%20Camargo%20Guimar%c3%a3es.pdf.txt https://repositorio.ufms.br/bitstream/123456789/641/1/Fernando%20Antonio%20Camargo%20Guimar%c3%a3es.pdf https://repositorio.ufms.br/bitstream/123456789/641/2/license.txt |
bitstream.checksum.fl_str_mv |
4f954943c10cee42aeeca1fe4e0c5906 db1a24636c45e8e7f1ef9ca8146a0460 01b2a5d13eeccdbb8490445fc27481a7 8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMS - Universidade Federal de Mato Grosso do Sul (UFMS) |
repository.mail.fl_str_mv |
ri.prograd@ufms.br |
_version_ |
1807552828560900096 |