Optimized combating of non-technical losses in power distribution systems

Abstract

Non-technical losses (NTLs) cause significant financial impacts to power utilities. They threaten public safety, compromise energy quality, and reduce reliability of the power grid. Studies related to NTLs commonly use machine learning algorithms to generate a list of consumer units (CUs) with suspected irregularities, without considering the costs of field inspections. Unlike most existing studies, this work aims to optimize the cost-benefit ratio of field inspections. In this sense, a genetic algorithm (GA) is applied to trace optimized routes, defining an optimal sequence of CUs to be inspected by power utilities. A moving average algorithm estimates the theft energy by an irregular CU. Thus, inspections are prioritized in CUs whose estimated value of lost energy exceeds the operational cost of the inspection. The results are presented through subtours that represent the optimal inspection routes for a subset of CUs. For each subtour, the route to be taken and the estimated financial return are provided, helping to minimize the operational cost of inspections and making it possible to combat NTL.

As perdas não técnicas (PNTs) provocam impactos financeiros significativos às distribuidoras de energia, representam riscos à segurança pública, comprometem a qualidade da energia e reduzem a confiabilidade da rede de distribuição. Os estudos relacionados às PNTs comumente utilizam técnicas de aprendizagem de máquina para detectar e gerar listas de unidades consumidoras (UCs) suspeitas de irregularidades, sem, no entanto, considerar os custos envolvidos na realização das inspeções em campo pelas distribuidoras. Nesse contexto, este estudo tem como objetivo otimizar a relação custo-benefício das inspeções presenciais. Para isso, aplica-se um algoritmo genético para traçar rotas otimizadas, definindo a melhor sequência de UCs a serem inspecionadas. A estimativa da energia furtada por cada UC é realizada por meio de uma média móvel. Dessa forma, são priorizadas as inspeções em UCs cujo valor estimado da energia perdida supera o custo operacional da vistoria, contribuindo para uma alocação mais eficiente dos recursos. Os resultados são apresentados por meio de subtours, que representam rotas ótimas de inspeção para determinados grupos de UCs. Para cada subtour, são fornecidas a rota a ser percorrida e a estimativa do retorno financeiro, contribuindo para a minimização do custo total das operações de inspeções.