Aprendizado federado explicável para Internet de Energia

• Processo: 25/06644-4
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de junho de 2025
• Data de Término da vigência: 31 de maio de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Nelson Luis Saldanha da Fonseca
• Beneficiário: Edwin Ferney Castillo Quintero
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 23/00673-7 - Inteligência distribuída em redes de comunicação e internet das coisas, AP.TEM
• Assunto(s): Aprendizado federado Sistemas distribuídos
• Palavra(s)-Chave do Pesquisador: Aprendizado federado | Sistemas Distribuídos

Resumo

Os Operadores do Sistema de Distribuição podem ser afetados por perdas não técnicas, sendo o furto de eletricidade o mais significativo. A Detecção de Roubo de Eletricidade (ETD) é o processo usado para lidar com o roubo de eletricidade, e geralmente é realizado manualmente por inspeções de linha no local. Vale ressaltar que o processo de inspeção é demorado, ineficiente e requer altos investimentos do DSO. A Infraestrutura de medição avançada (AMI), tem sido recentemente usada para lidar com as limitações da inspeção manual. As soluções AMI suportadas em hardware precisam da instalação de equipamentos na rede de distribuição, o qual é caro e difícil de implantar e gerenciar. As soluções AMI apoiadas por aprendizado de máquina tem problemas relacionados com sobrecarga na comunicação e armazenamento de grandes conjuntos de dados de treinamento e com a carência de explanação de como são feitas as decisões por parte dos agentes de aprendizagem. Para resumir, esta pesquisa se centrará em abordar a seguinte questão: Como fornecer uma detecção de roubo de eletricidade eficaz e explicável no SG 2.0?. Argumentamos que o Aprendizado Federado Explicável (Fed-XAI), permite que as partes interessadas do setor de energia tornem os modelos ML explicáveis, transparentes e confiáveis, minimizando a sobrecarga de comunicação e computação em um ambiente AMI.