Modelos probabilísticos para detecção de perdas comerciais

• Processo: 17/02286-0
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de julho de 2017
• Data de Término da vigência: 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
• Pesquisadores associados: João Paulo Papa ; Pedro da Costa Junior
• Assunto(s): Perdas de energia Métodos probabilísticos
• Palavra(s)-Chave do Pesquisador: Perdas Comerciais | Perdas não técnicas

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

(10)

(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)

AFONSO, LUIS C. S.; PEDRONETTE, DANIEL C. G.; DE SOUZA, ANDRE N.; PAPA, JOAO P.; IEEE. Improving Optimum-Path Forest Classification Using Unsupervised Manifold Learning. 2018 24TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR), v. N/A, p. 6-pg., 2018-01-01. (14/12236-1, 13/07375-0, 17/22905-6, 13/08645-0, 17/02286-0, 16/19403-6)

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. (14/12236-1, 14/16250-9, 17/02286-0, 16/19403-6)

PASSOS, LEANDRO APARECIDO S.; JODAS, DANILO S.; RIBEIRO, LUIZ C. F.; AKIO, MARCO; DE SOUZA, ANDRE NUNES; PAPA, JOAO PAULO. Handling imbalanced datasets through Optimum-Path Forest. KNOWLEDGE-BASED SYSTEMS, v. 242, p. 13-pg., 2022-04-22. (18/21934-5, 14/12236-1, 20/12101-0, 19/18287-0, 19/07665-4, 17/02286-0, 13/07375-0)

IWASHITA, ADRIANA SAYURI; RODRIGUES, DOUGLAS; GASTALDELLO, DANILO SINKITI; DE SOUZA, ANDRE NUNES; PAPA, JOAO PAULO. An incremental Optimum-Path Forest classifier and its application to non-technical losses identification. COMPUTERS & ELECTRICAL ENGINEERING, v. 95, OCT 2021. (14/12236-1, 19/07665-4, 18/21934-5, 17/02286-0, 13/07375-0)

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. (13/07375-0, 17/02286-0, 16/19403-6, 14/12236-1, 17/22905-6, 13/08645-0)

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. (13/07375-0, 14/16250-9, 17/02286-0, 16/19403-6, 14/12236-1)

JODAS, DANILO SAMUEL; PASSOS, LEANDRO APARECIDO; ADEEL, AHSAN; PAPA, JOAO PAULO; IEEE. PL-kNN: A Parameterless Nearest Neighbors Classifier. 2022 29TH INTERNATIONAL CONFERENCE ON SYSTEMS, SIGNALS AND IMAGE PROCESSING (IWSSIP), v. N/A, p. 4-pg., 2022-01-01. (14/12236-1, 19/07665-4, 17/02286-0, 19/18287-0, 18/21934-5)

PASSOS, LEANDRO A.; PAPA, JOAO PAULO; HUSSAIN, AMIR; ADEEL, AHSAN. Canonical cortical graph neural networks and its application for speech enhancement in audio-visual hearing aids. Neurocomputing, v. 527, p. 8-pg., 2023-01-20. (14/12236-1, 19/07665-4, 13/07375-0, 17/02286-0, 19/18287-0, 18/21934-5)

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. (13/07375-0, 16/19403-6, 14/12236-1, 17/25908-6, 17/02286-0, 19/02205-5)

JODAS, DANILO SAMUEL; PASSOS, LEANDRO APARECIDO; ADEEL, AHSAN; PAPA, JOAO PAULO. PL-kNN: A Python-based implementation of a parameterless k-Nearest Neighbors classifier. SOFTWARE IMPACTS, v. 15, p. 3-pg., 2022-12-21. (14/12236-1, 19/07665-4, 13/07375-0, 17/02286-0, 19/18287-0, 18/21934-5)