Detecção de perdas comerciais na rede de distribuição de energia elétrica a partir de técnicas de sistemas inteligentes

Abstract

As perdas não técnicas (PNTs), ou perdas comerciais, afetam negativamente a qualidade da energia elétrica e geram custos elevados para as distribuidoras. Este trabalho analisa métodos de pré-processamento de dados aplicados à detecção de PNTs no sistema de distribuição de energia elétrica, utilizando uma rede neural artificial perceptron multicamadas (PMC). As técnicas avaliadas incluem remoção de outliers, balanceamento de classes e seleção de atributos, com foco no impacto no desempenho e na eficiência computacional do modelo. Os resultados mostraram que, sem pré-processamento, o modelo apresentou um F1-Score de 0,88 e tempo de execução de 10,93s, destacando um bom desempenho inicial. No entanto, em datasets maiores, a ausência de pré-processamento pode aumentar significativamente o custo computacional. Entre as técnicas aplicadas, a seleção de atributos mostrou-se eficiente para reduzir o tempo de treinamento, mantendo F1-Score satisfatórios. Por outro lado, métodos como a remoção de outliers via IQR, que reduziu 33% do conjunto de treinamento, prejudicaram o desempenho do modelo, enquanto o balanceamento com NEARMISS apresentou F1-Score de apenas 0,2±0,12. A análise também revelou que combinações específicas de pré-processamento podem equilibrar desempenho e custo computacional. A aplicação dessas técnicas permitiu identificar casos com alto F1-Score e tempo reduzido de treinamento, tornando-os ideais para implementação prática. Observou-se ainda que a simplificação dos modelos, por meio de pré-processamento, não comprometeu sua capacidade de detecção em datasets de menor escala, mas pode ser indispensável em problemas mais complexos. Conclui-se que o uso de aprendizado de máquina, aliado ao pré-processamento, é uma ferramenta eficaz para mitigar PNTs, especialmente em cenários onde o custo-benefício de desempenho e eficiência é crítico. Apesar dos avanços tecnológicos, o trabalho reforça a importância do conhecimento humano para interpretar resultados e explorar novas abordagens, evidenciando a ciência de dados como uma área em constante evolução.

Non-technical losses (NTL), or commercial losses, negatively impact the quality of electric power and impose significant costs on energy distribution companies. This study analyzes data preprocessing methods applied to the detection of NTL in power distribution systems using a multilayer perceptron artificial neural network (MLP). The evaluated techniques include outlier removal, class balancing, and feature selection, focusing on their impact on model performance and computational efficiency. The results showed that, without preprocessing, the model achieved an F1-Score of 0.88 and an execution time of 10.93s, demonstrating good initial performance. However, in larger datasets, the absence of preprocessing significantly increased computational costs. Among the techniques applied, feature selection proved effective in reducing training time while maintaining satisfactory F1-Score. Conversely, methods such as outlier removal via IQR, which reduced 33% of the training set, impaired the model's performance, while class balancing using NEARMISS yielded an F1-Score of only 0.2±0.12. The analysis also revealed that specific preprocessing combinations can balance performance and computational cost. Applying these techniques allowed the identification of cases with high F1-Score and reduced training times, making them ideal for practical implementation. Furthermore, simplifying models through preprocessing did not compromise their detection capabilities in smaller datasets but may become indispensable for more complex problems. In conclusion, machine learning combined with preprocessing is an effective tool to mitigate NTL, especially in scenarios where the cost-benefit of performance and efficiency is critical. Despite technological advancements, this work emphasizes the importance of human expertise in interpreting results and exploring new approaches, demonstrating that data science is a constantly evolving field.