Modelos probabilísticos para detecção de perdas comerciais

• Processo: 17/02286-0
• Linha de fomento: Auxílio à Pesquisa - Regular
• Vigência: 01 de julho de 2017 - 30 de junho de 2019
• Área do conhecimento: Engenharias - Engenharia Elétrica - Sistemas Elétricos de Potência
• Pesquisador responsável: André Nunes de Souza
• Beneficiário: André Nunes de Souza
• Instituição-sede: Faculdade de Engenharia (FE). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil
• Pesq. associados: João Paulo Papa ; Pedro da Costa Junior
• Assunto(s): Perdas de energia Métodos probabilísticos

Resumo

Detecção de perdas não técnicas é um problema de grande interesse atualmente, principalmente no Brasil, onde a quantidade de ligações clandestinas pode chegar a níveis bastante preocupantes. Tais ligações podem comprometer a vida útil de dispositivos utilizados para transmissão e transformação de energia, dado que foram dimensionados para trabalhar de acordo com a quantidade de usuários conhecida pela concessionária de energia. O presente projeto de pesquisa objetiva o estudo e desenvolvimento de algoritmos probabilísticos para a detecção de fraudes em sistemas de energia domésticos e industriais. Tais técnicas conseguem modelar a dinâmica de padrões de dados, podendo ser mais eficazes em dados que mudam conforme o tempo como, por exemplo, usuários de energia. Assim, a ideia seria também prever quando um usuário pode vir a tornar-se clandestino, e não apenas identificá-lo após ele se tornar um fraudador. Tal sistema é de grande valia para o acompanhamento do perfil dos usuários, possibilitando, assim, a tomada de ações mais eficazes no combate à esse tipo de ilegalidade. Cabe destacar que medidas preventivas e educacionais podem ser realizadas, principalmente no intuito de evitar com que uma determinada região, por exemplo, com mais propensão à cometer fraudes, venha a prejudicar a companhia de energia e, por conseguinte, a população como um todo. A presente proposta também contempla pesquisadores de diferentes áreas de pesquisa, bem como alunos de pós-graduação. (AU)

Publicações científicas

(4)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

DE ROSA, GUSTAVO H.; PAPA, JOAO P.; YANG, XIN-SHE. A nature-inspired feature selection approach based on hypercomplex information. APPLIED SOFT COMPUTING, v. 94, SEP 2020. Citações Web of Science: 0.

RODRIGUES, DOUGLAS; DE ALBUQUERQUE, VICTOR HUGO C.; PAPA, JOAO PAULO. A multi-objective artificial butterfly optimization approach for feature selection. APPLIED SOFT COMPUTING, v. 94, SEP 2020. Citações Web of Science: 0.

FERNANDES, SILAS E. N.; PEREIRA, DANILLO R.; RAMOS, CAIO C. O.; SOUZA, ANDRE N.; GASTALDELLO, DANILO S.; PAPA, JOAO P. A Probabilistic Optimum-Path Forest Classifier for Non-Technical Losses Detection. IEEE TRANSACTIONS ON SMART GRID, v. 10, n. 3, p. 3226-3235, MAY 2019. Citações Web of Science: 1.

PAPA, JOAO P.; ROSA, GUSTAVO H.; DE SOUZA, ANDRE N.; AFONSO, LUIS C. S. Feature selection through binary brain storm optimization. COMPUTERS & ELECTRICAL ENGINEERING, v. 72, p. 468-481, NOV 2018. Citações Web of Science: 3.