Desenvolvimento de ferramentas computacionais inteligentes para identificação de perdas comerciais em sistemas de energia
Carregando...
Data
2010-03-02
Autores
Ramos, Caio César Oba [UNESP]
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Resumo
A detecção de fraudes nos sistemas de energia provocados por consumidores ilegais é o principal alvo em estudos de perdas comerciais pelas empresas de energia. Comumente usadas entre as técnicas de reconhecimento de padrões, as Redes Neurais Artificiais e as Máquinas de Vetores de Suporte têm sido aplicadas para a identificação de fraudes de maneira automática, entretanto essas técnicas sofrem com a demora na convergência e no alto peso computacional. Este trabalho introduziu o classificador Floresta de Caminhos Ótimos para um rápido reconhecimento das perdas comerciais, que tem demonstrado ser superior às demais técnicas inteligentes, como as Redes Neurais e as Máquinas de Vetores de Suporte, sendo muito mais rápido. Neste trabalho, também foram apresentadas comparações entre esses classificadores.
Fraud detection in energy systems by illegal consumers is the most actively pursued study in non-technical losses by electric power companies. Commonly used supervised pattern recognition techniques, such as Artificial Neural Networks and Support Vector Machines have been applied automatic frauds identification, however they suffer from slow convergence and high computacional burden. This work introduced the Optimum-Path Forest classifier for a fast non-technical losses recognition, which has been demonstrated to be superior than Neural Networks and Support Vector Machines, but much faster. Comparisons among these classifiers are also presented.
Fraud detection in energy systems by illegal consumers is the most actively pursued study in non-technical losses by electric power companies. Commonly used supervised pattern recognition techniques, such as Artificial Neural Networks and Support Vector Machines have been applied automatic frauds identification, however they suffer from slow convergence and high computacional burden. This work introduced the Optimum-Path Forest classifier for a fast non-technical losses recognition, which has been demonstrated to be superior than Neural Networks and Support Vector Machines, but much faster. Comparisons among these classifiers are also presented.
Descrição
Palavras-chave
Engenharia eletrica, Fraudes de energia, Perdas comerciais, Técnicas inteligentes, Energy frauds, Commercial losses, Intelligent techniques
Como citar
RAMOS, Caio César Oba. Desenvolvimento de ferramentas computacionais inteligentes para identificação de perdas comerciais em sistemas de energia. 2010. 78 f. Dissertação (mestrado) - Universidade Estadual Paulista, Faculdade de Engenharia, 2010.