Mostrar registro simples

dc.contributor.advisorMichel, André Bernardes
dc.contributor.authorOliveira, Alisson Carvalho de
dc.contributor.otherMorales, Andréa Cantarelli
dc.contributor.otherLima, Danusia de Oliveira de
dc.date.accessioned2021-10-08T19:27:49Z
dc.date.available2021-10-08T19:27:49Z
dc.date.issued2020-12-18
dc.date.submitted2020-12-11
dc.identifier.urihttps://repositorio.ucs.br/11338/8854
dc.descriptionUma adversidade estabelecida desde os primórdios dos sistemas de distribuição de energia é o enfrentamento exercido entre empresas concessoras de energia e consumidores que buscam continuamente métodos para privilégio próprio, consumindo energia e não pagando corretamente por ela, representando uma das numerosas formas de perdas não-técnicas de energia elétrica. Enquanto ainda avalia-se a relação custo-benefício em instalar medidores inteligentes, que podem prover um controle em tempo real do consumo dos clientes, técnicas estatísticas aliadas ao entusiasmo recente provocado pelo desenvolvimento da inteligência artificial têm sido amplamente discutidas na literatura, com variados trabalhos e diferentes aplicações. Por essa razão, este trabalho modela dois métodos de aprendizado de máquina em Python, Redes Neurais e Random Forests, de modo a obter um classificador de clientes em regulares ou irregulares, esteados em aprendizado supervisionado. Para isso, foram pré-processadas amostras reais de dados históricos com códigos de retorno de inspeções e características de consumo, dados cedidos por uma concessionária da região sul do país. Um total de 104 testes foram realizados para treinamento dos algoritmos, finalizando nos melhores percentuais, em uma acurácia de 99,624%, especificidade de 100% e confiabilidade de 99,253%, critérios estes utilizados para avaliar o desempenho dos classificadores. [resumo fornecido pelo autor]pt_BR
dc.description.abstractAn adversity that has been established since the beginning of the energy distribution systems is the confrontation between electric utilities and consumers that continuously searching methods for their own privilege, consuming energy and not paying for it correctly, representing one of numerous forms of non-technical losses of electricity. While the agents are still evaluating the cost-benefit ratio of installing smart meters, which can provide real-time control of customer consumption, statistical techniques associated with the recent enthusiasm caused by the development of artificial intelligence have been widely discussed in the literature, with several works and different applications. For this reason, this work models two methods of machine learning in Python, Neural Networks and Random Forests, in order to obtain a classifier of customers in regular or irregular, based on supervised learning. For this, real samples of historical data with return codes for inspections and consumption characteristics were pre-processed, data provided by a concessionaire in the south of the country. A total of 104 tests were performed to train the algorithms, ending in the best percentages, with an accuracy of 99.624%, specificity of 100% and reliability of 99.253%, criteria used to evaluate the performance of the classifiers. [resumo fornecido pelo autor]pt_BR
dc.language.isoptpt_BR
dc.subjectEnergia elétricapt_BR
dc.subjectEnergia elétrica - Consumopt_BR
dc.titleAplicação de métodos de aprendizado de máquina para identificação de perdas não-técnicas de energia elétricapt_BR
dc.typeMonografiapt_BR
mtd2-br.advisor.instituationUniversidade de Caxias do Sulpt_BR
mtd2-br.program.nameEngenharia Elétrica - Bachareladopt_BR
mtd2-br.campusCampus Universitário de Caxias do Sulpt_BR


Arquivos deste item

Thumbnail

Este item aparece na(s) seguinte(s) coleção(s)

Mostrar registro simples