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

dc.contributor.advisorGuirelli, Cleber Roberto
dc.contributor.authorGueldini, Amanda Vasconcellos
dc.contributor.authorSantos, Gabriel Antonio Mello Borges dos
dc.date.accessioned2022-05-18T13:30:03Z
dc.date.available2022-05-18T13:30:03Z
dc.date.issued2020-12-09
dc.description.abstractAo 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.pt_BR
dc.description.abstractBy 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.pt_BR
dc.identifier.urihttps://dspace.mackenzie.br/handle/10899/29199
dc.languagept_BRpt_BR
dc.publisherUniversidade Presbiteriana Mackenziept_BR
dc.publisher.departmentEscola de Engenharia (EE)pt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectclassificador Adaboostpt_BR
dc.subjectperdas não técnicaspt_BR
dc.subjectAdaboost classifierpt_BR
dc.subjectnon-technical lossespt_BR
dc.titleIdentificação de perdas não técnicas de energia utilizando técnica de regressão baseada em boostingpt_BR
dc.typeTCCpt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
AMANDA VASCONCELLOS GUELDINI - PROTEGIDO.pdf
Tamanho:
860.39 KB
Formato:
Adobe Portable Document Format
Descrição:
AMANDA VASCONCELLOS GUELDINI
Licença do Pacote
Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.95 KB
Formato:
Item-specific license agreed upon to submission
Descrição: