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

Detalhes bibliográficos
Autor(a) principal: Guimarães, Fernando Antonio Camargo
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

Registros relacionados