Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

A Probabilistic Optimum-Path Forest Classifier for Non-Technical Losses Detection

Texto completo
Autor(es):
Fernandes, Silas E. N. [1] ; Pereira, Danillo R. [2] ; Ramos, Caio C. O. [3] ; Souza, Andre N. [4] ; Gastaldello, Danilo S. [4] ; Papa, Joao P. [5]
Número total de Autores: 6
Afiliação do(s) autor(es):
[1] Univ Fed Sao Carlos, Dept Comp, BR-13565 Sao Carlos, SP - Brazil
[2] Univ Western Sao Paulo, Inst Informat, BR-19065 Presidente Prudente - Brazil
[3] Catarinense Fed Inst, Dept Elect Engn, BR-89163356 Rio Do Sul - Brazil
[4] Sao Paulo State Univ, Dept Elect Engn, BR-17033360 Bauru - Brazil
[5] Sao Paulo State Univ, Dept Comp, BR-17033360 Bauru - Brazil
Número total de Afiliações: 5
Tipo de documento: Artigo Científico
Fonte: IEEE TRANSACTIONS ON SMART GRID; v. 10, n. 3, p. 3226-3235, MAY 2019.
Citações Web of Science: 0
Resumo

Probabilistic-driven classification techniques extend the role of traditional approaches that output labels (usually integer numbers) only. Such techniques are more fruitful when dealing with problems where one is not interested in recognition/identification only, but also into monitoring the behavior of consumers and/ or machines, for instance. Therefore, by means of probability estimates, one can take decisions to work better in a number of scenarios. In this paper, we propose a probabilistic-based optimum-path forest (OPF) classifier to handle the problem of non-technical losses (NTL) detection in power distribution systems. The proposed approach is compared against naive OPF, probabilistic support vector machines, and logistic regression, showing promising results for both NTL identification and in the context of general-purpose applications. (AU)

Processo FAPESP: 14/16250-9 - Sobre a otimização de parâmetros em técnicas de aprendizado de máquina: avanços e paradigmas
Beneficiário:João Paulo Papa
Linha de fomento: Auxílio à Pesquisa - Regular
Processo FAPESP: 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?
Beneficiário:Alexandre Xavier Falcão
Linha de fomento: Auxílio à Pesquisa - Temático
Processo FAPESP: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria
Beneficiário:José Alberto Cuminato
Linha de fomento: Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs
Processo FAPESP: 17/02286-0 - Modelos probabilísticos para detecção de perdas comerciais
Beneficiário:André Nunes de Souza
Linha de fomento: Auxílio à Pesquisa - Regular
Processo FAPESP: 16/19403-6 - Modelos de aprendizado baseados em energia e suas aplicações
Beneficiário:João Paulo Papa
Linha de fomento: Auxílio à Pesquisa - Regular