Identificação de perdas não técnicas de energia utilizando técnica de regressão baseada em boosting

Imagem de Miniatura
Tipo
TCC
Data de publicação
2020-12-09
Periódico
Citações (Scopus)
Autores
Gueldini, Amanda Vasconcellos
Santos, Gabriel Antonio Mello Borges dos
Orientador
Guirelli, Cleber Roberto
Título da Revista
ISSN da Revista
Título de Volume
Membros da banca
Programa
Resumo
Ao identificar anomalias no consumo de energia, é possível detectar perdas comerciais através da utilização de algoritmos baseados em boosting. Utilizando a metodologia de árvores de decisão, via técnicas de regressão, em conjunto com um algoritmo denominado Adaboost, pode-se identificar possíveis anomalias no consumo. Ao recolher os dados dos consumidores, dividindo-os em grupos (clusters) de acordo com as curvas de consumo e aplicar o método estatístico RMSD nos dados permitiu classificá-los em normais e anormais. Isto possibilitou a inserção dos consumos no algoritmo para a realização da prova de sua competência relacionada à identificação de perdas não técnicas de energia com base nas informações disponibilizadas. Apesar do Adaboost apresentar-se um excelente classificador e estar entre os melhores, o resultado obtido ao comparado com outros algoritmos para a indicação das anomalias poderia ser aprimorado com a utilização de mais dados.
By identifying anomalies in energy consumption, it is possible to detect commercial losses using algorithms based on boosting. Using the decision tree methodology, via regression techniques, combined with an algorithm called Adaboost, it is possible to identify possible anomalies in consumption. By collecting consumer data, dividing them into groups (clusters) according to consumption curves and applying the RMSD statistical method to the data, it was possible to classify them into normal and abnormal. This made it possible to insert the consumptions in the algorithm to perform the proof of its competence related to the identification of non-technical energy losses based on the information made available. Despite Adaboost being an excellent classifier and being among the best, the result obtained when compared to other algorithms for the indication of anomalies could be improved with the use of more data.
Descrição
Palavras-chave
classificador Adaboost , perdas não técnicas , Adaboost classifier , non-technical losses
Assuntos Scopus
Citação