An incremental Optimum-Path Forest classifier and its application to non-technical losses identification

Autor(es)

Iwashita, Adriana Sayuri ^[1] ; Rodrigues, Douglas ^[2] ; Gastaldello, Danilo Sinkiti ^[3] ; de Souza, Andre Nunes ^[3] ; Papa, Joao Paulo ^[2]

Afiliação do(s) autor(es)

^[1] Univ Fed Sao Carlos, Dept Comp, Rod Washington Luis, Km 235, BR-13565905 Sao Carlos, SP - Brazil

^[2] Sao Paulo State Univ, Dept Comp, Av Eng Luiz Edmundo Carrijo Coube 14-01, BR-17033360 Bauru, SP - Brazil

^[3] Sao Paulo State Univ, Dept Elect Engn, Av Eng Luiz Edmundo Carrijo Coube 14-01, BR-17033360 Bauru, SP - Brazil

• Tipo de documento: Artigo Científico
• Fonte: COMPUTERS & ELECTRICAL ENGINEERING; v. 95, OCT 2021.
• Citações Web of Science: 0

Resumo

Non-technical losses stand for the energy consumed but not billed, affecting the energy grid as a whole. Such an issue somehow prevails in developing countries, harming the quality of energy and preventing social programs benefit from tax revenues. Machine learning techniques can help mitigate it by mining information from fraudsters and legal users for further decision-making. In this paper, we deal with a steady increase of dataset size, i.e., the incremental learning problem, which can cope with datasets regularly provided by energy companies, requiring the learner to be updated constantly. Since repeating the entire learning process might be prohibitive, adjusting the model to the new data shows to be a better choice. We propose an incremental Optimum-Path Forest approach with k-nn neighborhood that is considerably more efficient for training than its counterpart version, with experiments validated in general-purpose datasets and also in the context of non-technical losses identification. (AU)

• Processo FAPESP: 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?
• Beneficiário: Alexandre Xavier Falcão
• Modalidade de apoio: Auxílio à Pesquisa - Temático
• Processo FAPESP: 19/07665-4 - Centro de Inteligência Artificial
• Beneficiário: Fabio Gagliardi Cozman
• Modalidade de apoio: Auxílio à Pesquisa - Programa eScience e Data Science - Centros de Pesquisa em Engenharia
• Processo FAPESP: 18/21934-5 - Estatística de redes: teoria, métodos e aplicações
• Beneficiário: André Fujita
• Modalidade de apoio: Auxílio à Pesquisa - Temático
• Processo FAPESP: 17/02286-0 - Modelos probabilísticos para detecção de perdas comerciais
• Beneficiário: André Nunes de Souza
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Processo FAPESP: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria
• Beneficiário: Francisco Louzada Neto
• Modalidade de apoio: Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs