Caracterização de Perdas Comerciais em Sistemas de …...A detecção de furtos e fraudes nos...

CAIO CÉSAR OBA RAMOS

Caracterização de Perdas Comerciais em Sistemas deEnergia Através de Técnicas Inteligentes

São Paulo2014



Tese apresentada à Escola Politécnica daUniversidade de São Paulo para obtençãodo título de Doutor em Ciências

São Paulo2014



Tese apresentada à Escola Politécnica daUniversidade de São Paulo para obtençãodo título de Doutor em Ciências

Área de Concentração: Engenharia Elé-trica / Sistemas de Potência

Orientador: Prof. Dr. André Nunes deSouza

São Paulo2014

Dedicatória

Dedico este trabalho com todo carinho a meus pais que me incentivaram e que mederam total apoio para a concretização desta conquista.

i

Agradecimentos

Ao Prof. Dr. André Nunes de Souza, pela orientação e pelo constante estímulotransmitido durante todo os anos de pesquisa, desde 2003. Sua amizade foi um fatorfundamental que contribuiu bastante para a minha produtividade científica.

Ao Prof. Dr. João Paulo Papa, pela colaboração para o desenvolvimento destetrabalho e pela sua grande amizade desde os tempos de colégio.

Ao Grupo de Pesquisa RECOGNA (Biometric & Pattern Recognition ResearchGroup) da UNESP, campus de Bauru, pela assistência dada para a execução dosexperimentos.

Ao Prof. Dr. Luiz Lebensztajn, pelo apoio, incentivo e suporte para a continuidadedeste trabalho.

Aos meus amigos e colegas de trabalho do LSISPOTI, em especial, o Danilo Gas-taldello, o Tiago Forti da Silva e o Haroldo Amaral, sem esquecer aos demais, pelaajuda, pela companhia e pela amizade em todos os momentos bons e difíceis paracumprir com todos os cronogramas.

Ao Ricardo Torrezan, um grande amigo, cuja amizade começou durante o curso demestrado na UNESP, que contribuiu com significativas sugestões.

A CAPES, pelo incentivo e apoio financeiro dado para a execução deste trabalho.A minha família, em especial aos meus pais, Eunice Oba e Alcides de Amorim

Ramos, pela compreensão, incentivo, apoio e paciência que tiveram comigo durante odesenvolvimento deste trabalho.

E a todos que colaboraram direta ou indiretamente, na execução deste trabalho.

ii

Resumo

A detecção de furtos e fraudes nos sistemas de energia provocados por consumi-dores irregulares é o principal alvo em análises de perdas não-técnicas ou comerci-ais pelas empresas de energia. Embora a identificação automática de perdas não-técnicas tenha sido amplamente estudada, a tarefa de selecionar as característicasmais representativas em um grande conjunto de dados a fim de aumentar a taxa deacerto da identificação, bem como para caracterizar possíveis consumidores irregula-res como um problema de otimização, não tem sido muito explorada neste contexto.Neste trabalho, visa-se o desenvolvimento de algoritmos híbridos baseados em téc-nicas evolutivas a fim de realizar a seleção de características no âmbito da caracte-rização de perdas não-técnicas, comparando as suas taxas de acerto e verificandoas características selecionadas. Vários classificadores são comparados, com desta-que para a técnica Floresta de Caminhos Ótimos por sua robustez, sendo ela a téc-nica escolhida para o cálculo da função objetivo das técnicas evolutivas, analisandoo desempenho das mesmas. Os resultados demonstraram que a seleção de carac-terísticas mais representativas podem melhorar a taxa de acerto da classificação depossíveis perdas não-técnicas quando comparada à classificação sem o processo deseleção de características em conjuntos de dados compostos por perfis de consumi-dores industriais e comerciais. Isto significa que existem características que não sãopertinentes e podem diminuir a taxa de acerto durante a classificação dos consumido-res. Através da metodologia proposta com o processo de seleção de características, épossível caracterizar e identificar os perfis de consumidores com mais precisão, afimde minimizar os custos com tais perdas, contribuindo para a recuperação de receitadas companhias de energia elétrica.

Palavras-chave: Técnicas Inteligentes. Algoritmos Evolutivos. Identificação. Seleçãode Características. Floresta de Caminhos Ótimos. Perdas Não-Técnicas.

iii

Abstract

The detection of thefts and frauds in power systems caused by irregular consu-mers is the most actively pursued analysis in non-technical losses by electric powercompanies. Although non-technical losses automatic identification has been massi-vely studied, the task of selecting the most representative features in a large dataset,in order to boost the identification accuracy, as well as characterizing possible irregularconsumers as a problem of optimization, has not been widely explored in this con-text. This work aims at developing hybrid algorithms based on evolutionary algorithmsin order to perform feature selection in the context of non-technical losses characte-rization. Although several classifiers have been compared, we have highlighted theOptimum-Path Forest (OPF) technique mainly because of its robustness. Thus, theOPF classifier was chosen to compute the objective function of evolutionary techni-ques, analyzing their performances. This procedure with feature selection is comparedwith the procedure without feature selection in datasets composed by industrial andcommercial consumers profiles. The results demonstrated that selecting the most re-presentative features can improve the classification accuracy of possible non-technicallosses. This means that there are irrelevant features and they can reduce the classi-fication accuracy of consumers. Considering the methodology proposed with featureselection procedure, it is possible to characterize and identify consumer profiles moreaccurately, in order to minimize costs with such losses, contributing to the recovery ofrevenue from electric power companies.

Keywords: Intelligent Techniques. Evolutionary Algorithms. Identification. FeatureSelection. Optimum-Path Forest. Non-Technical Losses.

iv

Sumário

Lista de Abreviaturas, Siglas e Símbolos ix

Lista de Figuras xi

Lista de Tabelas xii

1 Introdução 11.1 Motivação e Justificativa . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21.3 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31.4 Organização do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Perdas Não-Técnicas ou Perdas Comerciais 52.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52.2 Perdas Não-Técnicas no Cenário Brasileiro e Mundial . . . . . . . . . . 72.3 Fraudes e Furtos de Energia . . . . . . . . . . . . . . . . . . . . . . . . 102.4 Inadimplência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.4.1 Nova Modalidade: Tarifa Branca . . . . . . . . . . . . . . . . . . 132.5 Procedimentos de Combate Contra as Perdas Comerciais . . . . . . . . 14

2.5.1 Projetos de Pesquisa e Desenvolvimento Regulados pela ANEEL 152.5.2 Smart Grid e sua Relação com Perdas Não-Técnicas . . . . . . 162.5.3 Sistema de Pagamento Pré-Pago . . . . . . . . . . . . . . . . . 17

2.6 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

3 Estado da Arte: Perdas Não-Técnicas 193.1 Alguns Projetos Importantes de P&D Regulados pela ANEEL . . . . . . 193.2 Teses e Dissertações . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243.3 Artigos Publicados em Periódicos e Conferências . . . . . . . . . . . . . 263.4 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

4 IA Para Reconhecimento de Padrões 314.1 Redes Neurais Artificiais . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

4.1.1 Mapas de Auto-Organização . . . . . . . . . . . . . . . . . . . . 32

v

SUMÁRIO vi

4.1.2 Redes Neurais Perceptron Multicamadas . . . . . . . . . . . . . 344.2 Máquinas de Vetores de Suporte . . . . . . . . . . . . . . . . . . . . . . 39

4.2.1 Classificadores por Hiperplano . . . . . . . . . . . . . . . . . . . 394.2.2 Nuclearização e Hiperplanos de Margem Suave . . . . . . . . . 434.2.3 Considerações Adicionais . . . . . . . . . . . . . . . . . . . . . . 45

4.3 k -Vizinhos Mais Próximos . . . . . . . . . . . . . . . . . . . . . . . . . . 464.4 Floresta de Caminhos Ótimos . . . . . . . . . . . . . . . . . . . . . . . . 47

4.4.1 Classificador por OPF . . . . . . . . . . . . . . . . . . . . . . . . 484.4.2 Fundamentação Teórica . . . . . . . . . . . . . . . . . . . . . . . 484.4.3 Treinamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 504.4.4 Classificação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

4.5 Redes Bayesianas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 524.6 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

5 Técnicas Evolutivas Para Otimização 545.1 Particle Swarm Optimization - PSO . . . . . . . . . . . . . . . . . . . . . 54

5.1.1 Teoria Básica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 545.1.2 PSO para Seleção de Características . . . . . . . . . . . . . . . 56

5.2 Gravitational Search Algorithm - GSA . . . . . . . . . . . . . . . . . . . 575.2.1 Teoria Básica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 575.2.2 GSA para Seleção de Características . . . . . . . . . . . . . . . 60

5.3 Harmony Search - HS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 625.3.1 Teoria Básica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 625.3.2 HS para Seleção de Características . . . . . . . . . . . . . . . . 655.3.3 Self-adaptive Global best Harmony Search . . . . . . . . . . . . 67

5.4 Cuckoo Search - CS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 675.4.1 Teoria Básica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 675.4.2 CS para Seleção de Características . . . . . . . . . . . . . . . . 68

5.5 Bat Algorithm - BA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 705.5.1 Teoria Básica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 705.5.2 BA para Seleção de Características . . . . . . . . . . . . . . . . 73

5.6 Firefly Algorithm - FFA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 735.6.1 Teoria Básica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 735.6.2 FFA para Seleção de Características . . . . . . . . . . . . . . . . 75

5.7 Charged System Search - CSS . . . . . . . . . . . . . . . . . . . . . . . 765.7.1 Teoria Básica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76


SUMÁRIO vii

6 Base de Dados e Procedimentos Metodológicos 796.1 Conjunto de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

6.1.1 Observações Adicionais . . . . . . . . . . . . . . . . . . . . . . . 806.2 Procedimentos Metodológicos . . . . . . . . . . . . . . . . . . . . . . . 836.3 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

7 Resultados Experimentais 867.1 Experimento 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

7.1.1 Procedimentos Experimentais . . . . . . . . . . . . . . . . . . . 867.1.2 Avaliação dos Métodos . . . . . . . . . . . . . . . . . . . . . . . 877.1.3 Avaliação da Robustez . . . . . . . . . . . . . . . . . . . . . . . 887.1.4 Comparação das Técnicas para Seleção de Características . . . 887.1.5 Observações Adicionais . . . . . . . . . . . . . . . . . . . . . . . 90

7.2 Experimento 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 907.2.1 Procedimentos Experimentais . . . . . . . . . . . . . . . . . . . 907.2.2 Experimentos e Resultados . . . . . . . . . . . . . . . . . . . . . 917.2.3 Observações Adicionais . . . . . . . . . . . . . . . . . . . . . . . 96

7.3 Experimento 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 977.3.1 Treinamento de ANN-MLP Através do CSS . . . . . . . . . . . . 977.3.2 Configuração dos Parâmetros . . . . . . . . . . . . . . . . . . . 977.3.3 Resultados Experimentais . . . . . . . . . . . . . . . . . . . . . . 987.3.4 Observações Adicionais . . . . . . . . . . . . . . . . . . . . . . . 99

7.4 Experimento 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 997.4.1 Software WEKA . . . . . . . . . . . . . . . . . . . . . . . . . . . 997.4.2 Procedimentos Experimentais . . . . . . . . . . . . . . . . . . . 1007.4.3 Avaliação dos Resultados e Discussões . . . . . . . . . . . . . . 1007.4.4 Observações Adicionais . . . . . . . . . . . . . . . . . . . . . . . 104


8 Estudo de Viabilidade Econômica 1058.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1058.2 Aspectos Sociais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1068.3 Aspectos Econômicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107

8.3.1 Experimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1078.4 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

9 Conclusões 1139.1 Conclusões Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1139.2 Trabalhos Publicados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

SUMÁRIO viii

Referências Bibliográficas 120

Lista de Abreviaturas, Siglas e Símbolos

ABRADEE Associação Brasileira de Distribuidores de Energia ElétricaACO Ant Colony Optimization (Otimização de Colônia de Formigas)ANEEL Agência Nacional de Energia ElétricaANN Artificial Neural Networks (Redes Neurais Artificiais)ANN-MLP Redes Neurais Artificiais com Perceptrons MulticamadasBA Bat Algorithm (Algoritmo do Morcego)BBA Binary Bat Algorithm (Algoritmo do Morcego Binário)Bc Base de Dados de Consumidores ComerciaisBCS Binary Cuckoo Search (Busca por Cuco Binário)BFFA Binary Firefly Algorithm (Algoritmo do Vaga-lume Binário)Bi Base de Dados de Consumidores IndustriaisBGSA Binary GSA (Algoritmo de Busca Gravitacional Binário)CS Cuckoo Search (Busca por Cuco)CSS Charged System Search (Busca por Partícula Carregada)DC Demanda ContratadaDF Demanda FaturadaDmax Demanda MáximaDmedia Demanda MédiaELM Extreme Learning Machines (Aprendizado Extrema de Máquinas)EPE Empresa de Pesquisa EnergéticaER Energia ReativaFANN Fast Artificial Neural Network Library (Biblioteca para ANN)FC Fator de CargaFFA Firefly Algorithm (Algoritmo do Vaga-lume)FIFO First-In-First-OutFP Fator de PotênciaGA Genetic Algorithm (Algoritmo Genético)GSA Gravitational Search Algorithm (Algoritmo de Busca Gravitacional)GWh Gigawatts-hora

ix

LISTA DE ABREVIATURAS, SIGLAS E SÍMBOLOS x

HM Harmony Memory (Memória Harmônica)HMCR Harmony Memory Considering Rate

(Taxa de Consideração da Memória Harmônica)HS Harmony Search (Busca Harmônica)IA Inteligência Artificialk-NN k-Nearest Neighbor (k-Vizinhos Mais Próximos)KTT Karush-Kuhn-TuckerkW QuilowattsLibSVM Biblioteca para SVM com Função NúcleoLibLINEAR Biblioteca para SVM sem Função NúcleoLibOPF Biblioteca para Floresta de Caminhos ÓtimosMME Ministério de Minas e EnergiaMSE Mean Squared Error (Erro Quadrático Médio)MST Minimum Spanning Tree (Árvore Geradora Mínima)NN Nearest Neighbor (Vizinhos Mais Próximos)NTL Non-Technical Losses (Perdas Não-Técnicas)OPF Optimum-Path Forest (Floresta de Caminhos Ótimos)Pinst Potência InstaladaPAR Pitch Adjusting Rate (Taxa de Ajuste de Passo)PNT Perdas Não-TécnicasPSO Particle Swarm Optimization

(Otimização por Enxames de Partículas)RB Redes BayesianasSOM Self-Organizing Maps (Mapas de Auto-Organização)SVM Support Vector Machines (Máquinas de Vetores de Suporte)SVM-noKernel Máquinas de Vetores de Suporte sem Função NúcleoSVM-RBF Máquinas de Vetores de Suporte com Função Base RadialTNB Tenaga Nasional BerhadTP Transformador de PotênciaUC Unidade Consumidora

Lista de Figuras

2.1 Percentual de perdas em relação à energia injetada no sistema brasileiro. 102.2 Ciclo com relação à inadimplência. . . . . . . . . . . . . . . . . . . . . . 13

4.1 Arquitetura bidimensional típica de uma rede de Kohonen. . . . . . . . . 344.2 Modelo simplificado do perceptron. . . . . . . . . . . . . . . . . . . . . . 364.3 Representação básica de uma rede feedforward (multicamadas). . . . . 374.4 Exemplo de hiperplano ótimo. . . . . . . . . . . . . . . . . . . . . . . . . 414.5 Mapeamento dos dados para um espaço de maior dimensionalidade. . 444.6 Processo de classificação do k-NN. . . . . . . . . . . . . . . . . . . . . 474.7 Treinamento e classificação baseado em OPF. . . . . . . . . . . . . . . 514.8 Exemplo de Rede Bayesiana. . . . . . . . . . . . . . . . . . . . . . . . . 53

5.1 Interpretação geométrica de PSO. . . . . . . . . . . . . . . . . . . . . . 555.2 Representação da força resultante. . . . . . . . . . . . . . . . . . . . . . 585.3 Analogia entre a improvisação musica e a otimização. . . . . . . . . . . 635.4 Escolha aleatório de um ninho hospereiro. . . . . . . . . . . . . . . . . . 685.5 Comportamento dos morcegos. . . . . . . . . . . . . . . . . . . . . . . . 715.6 Comportamento dos vaga-lumes. . . . . . . . . . . . . . . . . . . . . . . 745.7 Movimento de uma partícula carregada. . . . . . . . . . . . . . . . . . . 77

6.1 Curva de demanda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 816.2 Triângulo de potências . . . . . . . . . . . . . . . . . . . . . . . . . . . . 826.3 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 846.4 Modelo da arquitetura inteligente . . . . . . . . . . . . . . . . . . . . . . 84

7.1 Curva de taxa de acerto do OPF sobre Z3 para o conjunto de dados Bc. 947.2 Curva de taxa de acerto do OPF sobre Z3 para o conjunto de dados Bi. 957.3 Resultados de busca de grade para o conjunto de dados Bc. . . . . . . 967.4 Resultados de busca de grade para o conjunto de dados Bi. . . . . . . 967.5 Fluxograma dos experimentos com o WEKA . . . . . . . . . . . . . . . 101

xi

Lista de Tabelas

2.1 Índice de Perdas Não-Técnicas em Diversos Países . . . . . . . . . . . 82.2 Índice de Perdas Não-Técnicas por Região (Fonte: ANEEL-2011) . . . 92.3 Índice de Perdas Não-Técnicas por Distribuidora (Fonte: ANEEL-2011) 9

7.1 Taxa de Acerto e Tempo de Treinamento para as Bases Bc e Bi . . . . 887.2 Taxas de Acerto para as Bases Bc e Bi . . . . . . . . . . . . . . . . . . 897.3 Características Selecionadas para as Bases Bc e Bi . . . . . . . . . . . 897.4 Parâmetros usados para cada abordagem de otimização . . . . . . . . 927.5 Taxas de Acerto Média - Bc . . . . . . . . . . . . . . . . . . . . . . . . . 937.6 Taxas de Acerto Média - Bi . . . . . . . . . . . . . . . . . . . . . . . . . 937.7 Tempo, Limiar, Características e Taxa de Acerto - Bc . . . . . . . . . . . 947.8 Tempo, Limiar, Características e Taxa de Acerto - Bi . . . . . . . . . . . 957.9 Configuração dos Parâmetros dos Algoritmos Meta-heurísticos . . . . . 987.10 Média do MSE para os Conjuntos de Dados Bc e Bi . . . . . . . . . . . 987.11 Média da Taxa de Acerto para os Conjuntos de Dados Bc e Bi . . . . . 997.12 Tempo Médio de Execução do Treinamento para Bc e Bi . . . . . . . . . 997.13 Resultados com Todas as Características . . . . . . . . . . . . . . . . . 1007.14 Resultados da Busca Exaustiva . . . . . . . . . . . . . . . . . . . . . . . 1017.15 Resultados do Ranqueamento . . . . . . . . . . . . . . . . . . . . . . . 1017.16 Resultados com as Características Selecionadas pela Busca Exaustiva 1027.17 Resultados com as 3 Características Melhores Ranqueadas . . . . . . 1027.18 Matriz de Confusão do k-NN em Bc - Todas as Características . . . . . 1037.19 Matriz de Confusão do k-NN em Bi - Todas as Características . . . . . 1037.20 Matriz de Confusão do k-NN em Bc - 3 Características . . . . . . . . . . 1037.21 Matriz de Confusão do k-NN em Bi - 3 Características . . . . . . . . . . 104

8.1 Taxa de Acerto por Classe em Bc e Bi - Sem Seleção de Características 1088.2 Características Selecionadas para as Bases Bc e Bi . . . . . . . . . . . 1088.3 Taxa de Acerto por Classe em Bc e Bi - Com Seleção de Características 1088.4 Cenário Energético Brasileiro em 2011 . . . . . . . . . . . . . . . . . . . 1098.5 Projeção do Consumo/Prejuízos - Sem Seleção de Características . . . 1108.6 Projeção do Consumo/Prejuízos - Com Seleção de Características . . . 110

xii

LISTA DE TABELAS xiii

8.7 Projeção de Consumo de Energia Elétrica entre 2011-2021 . . . . . . . 111

Capítulo 1

Introdução

1.1 Motivação e Justificativa

Nos últimos 20 anos, o sistema elétrico brasileiro vem passando por várias mudan-ças, consolidando-se o período de privatização das empresas geradoras, transmis-soras e distribuidoras de energia elétrica, a qual introduziu um ambiente competitivono cenário nacional. Os investimentos realizados pelas concessionárias têm comoprincipal objetivo uma melhora significativa de seu desempenho financeiro e técnico,buscando produtividade, eficiência e rentabilidade. A fim de se obter uma melhorgestão com relação às perdas de energia, uma das formas de maximizar a energiadisponível para comercialização é a concessionária de energia combater as perdascomerciais, principalmente as fraudes de energia.

As Perdas Não-Técnicas (PNT), em inglês Non-Technical Losses (NTL), tambémconhecidas como Perdas Comerciais, são aquelas associadas à comercialização daenergia fornecida ao usuário e se referem à energia entregue e não faturada, gerandouma perda no faturamento. Também são definidas como a diferença entre as per-das totais e as perdas técnicas, e estão principalmente relacionadas com as ligaçõesclandestinas no sistema de distribuição.

As aplicações de técnicas de Inteligência Artificial (IA), como Redes Neurais Artifi-ciais (Artificial Neural Networks - ANN) [1], Lógica Nebulosa [2], Algoritmos Genéticos(Genetic Algorithm - GA) [3] e Máquinas de Vetores de Suporte (Support Vector Ma-chines - SVM) [4, 5], para a solução de problemas possibilitam o desenvolvimento deferramentas computacionais inteligentes utilizadas para a estimação e identificaçãode perdas não-técnicas (perdas comerciais) em diversas concessionárias de energia,analisando conjuntos de dados de um determinado cliente e suas transações, sendopossível verificar se existe ocorrência de alguma operação suspeita de irregularidade.

O processamento de informação em grandes conjuntos de dados tem sido um de-safio para a comunidade de aprendizado de máquina. Apesar de SVMs terem sidopropostas para superar o problema das amostras sobrepostas de uma maneira muitoeficaz, a carga computacional para o treinamento pode ser proibitiva em aplicações

1

CAPÍTULO 1. INTRODUÇÃO 2

que necessitam de retreinamento constantemente. Como alternativa, um esforço con-siderável tem sido dedicado a desenvolver técnicas de seleção de características, afim de acelerar o processo de classificação e também para aumentar a sua taxa deacerto (precisão).

Apesar da grande atenção e do uso maciço de técnicas de aprendizado de má-quina para identificação de perdas não-técnicas nos sistemas de distribuição de ener-gia [6–8], o problema de selecionar as características mais representativas não temsido muito abordado no contexto de perdas comerciais. Sabe-se que apenas Nizar etal. [9] propuseram um estudo mais aprofundado para selecionar um subconjunto deamostras a fim de tornar a classificação mais precisa. Nesse sentido, acredita-se tam-bém que identificar as características que melhor descrevem possíveis consumidorescom irregularidades é tão importante quanto reconhecê-los.

Dado que uma busca exaustiva de características ótimas em um alto espaço di-mensional é impraticável, vários autores têm abordado a seleção de característicascomo um problema de otimização, em que soluções ótimas são frequentemente ob-servadas. Técnicas evolutivas têm objetivado deixar clara a importância da concepçãode algoritmos baseados na dinâmica social e do comportamento coletivo, sendo degrande interesse no contexto da seleção de características. A facilidade de implemen-tação e a convergência rápida em algumas aplicações têm atraído muita atenção paraestas abordagens, que cobrem uma vasta gama de fenômenos naturais para modelarproblemas de otimização, como um bando de pássaros voando em conjunto em buscade comida na Otimização por Enxames de Partículas (Particle Swarm Optimization -PSO) [10], a evolução natural em GA [3], improvisação musical em Busca Harmô-nica (Harmony Search - HS) [11], e caminhos ótimos em Otimização de Colônia deFormigas (Ant Colony Optimization - ACO) [12], entre outros.

1.2 Objetivos

O trabalho desenvolvido nesta tese de doutorado apresenta o contexto de perdasnão-técnicas ou perdas comerciais no Brasil, bem como a importância das diferentesmaneiras de combatê-las, de modo a incentivar o desenvolvimento de procedimen-tos que possam auxiliar o aspecto financeiro das concessionárias de energia elétricaatravés da recuperação de receita.

Embora avanços nesta área possam ser constatados nos últimos 10 anos, prin-cipalmente com as técnicas de medição de energia elétrica, torna-se cada vez maisnecessária a pesquisa de métodos alternativos, levando-se em consideração diver-sos aspectos, que explorem arquiteturas de processamento inerentemente paralelas,adaptativas e flexíveis, como os modelos das técnicas computacionais inteligentes.

Este trabalho é voltado ao desenvolvimento de técnicas computacionais, por meiode IA, e possui como linha mestra estabelecer uma metodologia para classificar e


selecionar características dos padrões de comportamento de potenciais clientes comirregularidades na medição de energia elétrica em sistemas de distribuição, através deinformações advindas de um banco de dados disponibilizado por empresas de energiae pela agência reguladora (Agência Nacional de Energia Elétrica - ANEEL) e, destamaneira, esclarecer a importância de selecionar boas características no contexto daidentificação de perdas não-técnicas. Logo, este problema é focado analisando diver-sas técnicas evolutivas baseadas na seleção de características, utilizando principal-mente a técnica Floresta de Caminhos Ótimos (Optimum-Path Forest - OPF) [13, 14]para classificar os perfis de consumidores.

1.3 Contribuições

As contribuições deste trabalho para incentivar a tarefa de identificação de perdasnão-técnicas são motivadas pelo aumento das taxas de acerto para o reconhecimentode padrões e a caracterização do perfil de consumidores com irregularidades, ou seja,descobrir quais são as características que realmente precisam ser consideradas a fimde identificar possíveis perdas comerciais nos sistemas de distribuição de energia,auxiliando no trabalho de recuperação de receita das concessionárias de energia elé-trica. Enfatiza-se nesta tese, o desenvolvimento de algoritmos híbridos baseados emtécnicas evolutivas a fim de realizar a seleção de características no âmbito da carac-terização de perdas não-técnicas, comparando as suas taxas de acerto e verificandoas características selecionadas. Todos os algoritmos são fornecidos para mostrar astécnicas abordadas neste trabalho.

1.4 Organização do Trabalho

Este trabalho está organizado da seguinte forma:

• O Capítulo 2 demonstra os conceitos de perdas em sistemas de energia;

• O Capítulo 3 resume os principais estudos (estado da arte) nacionais e interna-cionais relacionados ao contexto de perdas comerciais;

• O Capítulo 4 aborda as técnicas de inteligência artificial para classificação depadrões;

• O Capítulo 5 descreve as técnicas evolutivas para otimização (seleção de carac-terísticas) desenvolvidas;

• O Capítulo 6 apresenta as bases de dados utilizadas e os procedimentos meto-dológicos para execução do trabalho;

• O Capítulo 7 discute os resultados experimentais;


• O Capítulo 8 faz um levantamento sobre a viabilidade econômica no contexto emquestão e, finalmente,

• O Capítulo 9 expõe as conclusões obtidas neste trabalho.

Capítulo 2

Perdas Não-Técnicas ou Perdas Comerciais

2.1 Introdução

As privatizações no setor de energia elétrica, a partir de 1995, determinando ofim do monopólio estatal, introduziram um ambiente competitivo no cenário nacional,forçando as empresas transmissoras e distribuidoras de energia elétrica a procurarmeios para reduzir as perdas de receita. Segundo o Ministério de Minas e Energia e aEmpresa de Pesquisa Energética (MME/EPE) [15], as perdas de energia no SistemaElétrico Nacional (SEN) reduziram da ordem de 18,1% em 2010 para 17,5% no finalde 2011. Logo, busca-se maximizar a energia disponível para comercialização parauma melhor gestão com relação a estas perdas, alcançando, assim, produtividade,eficiência e rentabilidade [16].

A energia elétrica é um bem derivado da exploração dos recursos da natureza,portanto, o seu uso racional deve ser incentivado, sob pena de transmitir para as gera-ções futuras problemas sociais maiores do que a sua capacidade de solução. Quandose fala em racionalização do uso de um recurso energético, existe como consequênciadireta o adiamento de investimentos e, principalmente, a redução de impactos ambi-entais associados aos novos empreendimentos.

Nesse sentido, é obrigação das empresas do setor elétrico em conjunto com a so-ciedade manter o controle das perdas de energia e racionalizar o uso da energia elé-trica, principalmente durante os períodos de seca, quando os reservatórios das usinashidrelétricas estão baixos devido a falta de chuvas. Durante a estiagem, a geração deenergia elétrica é prejudicada, levando ao aumento do valor da tarifa de energia, poisé preciso aumentar a sua produção através da inserção de usinas térmicas no sistemaelétrico, que possuem um custo maior para gerar energia elétrica.

As empresas têm por direito uma gestão ativa, exemplo disso são seus investimen-tos que possuem como principal objetivo uma melhora significativa do seu desempe-nho econômico-financeiro e técnico-operacional [17]. As perdas de energia elétricasão constituídas pela diferença entre a energia gerada e/ou comprada por uma em-presa de energia elétrica e a energia efetivamente faturada por ela (Equação (2.1)).

5

CAPÍTULO 2. PERDAS NÃO-TÉCNICAS OU PERDAS COMERCIAIS 6

Tais perdas podem ser divididas em perdas técnicas e perdas comerciais, conforme édetalhado a seguir.

Perdas Totais = Energia Gerada ou Comprada - Energia Faturada. (2.1)

Perdas Técnicas

As perdas técnicas são as energias perdidas no transporte, na transformação enos equipamentos de medição, portanto inerentes ao processo, isto é, um custo ope-racional esperado pela concessionária. Essas perdas localizam-se tanto nos sistemasde geração, de transmissão, como também de distribuição de energia e ocorrem noscomponentes agregados ao sistema, tais como: condutores, equipamentos, conexões,transformadores, capacitores, reguladores de tensão, para-raios, e outros [18].

As perdas técnicas podem ser definidas e determinadas por meio de simulações,medições e avaliações do sistema elétrico. Algumas metodologias abordam o tema,definindo mecanismos para a sua mensuração e controle. A redução de tais perdasdepende, fundamentalmente, da tecnologia em utilização, da qualidade dos serviçosde manutenção, da ampliação do sistema elétrico em concordância com a evoluçãodo mercado consumidor e do modo de operação dos sistemas, onde alguns pontoschave de controle são: os níveis de carregamento dos condutores e transformadores,as demandas de energia reativa, os perfis da tensão, entre outros [16]. Este trabalhonão foca o contexto de perdas técnicas, mas é possível obter maiores detalhes sobreelas, bem como os métodos de seus cálculos, em [19,20].

Perdas Não-Técnicas ou Perdas Comerciais

As perdas comerciais, o foco desta pesquisa, são aquelas associadas à comerci-alização da energia fornecida ao usuário. Existe uma parcela de energia que é pro-duzida, transportada e fornecida; no entanto, não é faturada, propiciando uma perdadireta no faturamento [21]. Em geral, elas podem ser estimadas pela Equação (2.2),sendo classificadas em administrativas e de intervenção ilícita.

Perdas Comerciais = Perdas Totais - Perdas Técnicas. (2.2)

As perdas comerciais de natureza administrativa possuem como causas:

• Sistema de medição incompleto, obsoleto ou sem calibração;

• Cadastro de consumidores ineficiente;

• Erro na leitura registrada pelo medidor ou no processo de informação dessaleitura; e

• Erro no processo de faturamento.


As intervenções ilícitas correspondem ao montante de energia não faturado, e es-tão relacionadas às intervenções que não são autorizadas pela concessionária, sendorealizadas por usuários ilícitos, com a finalidade de alterar o registro de energia elétricaou o seu desvio [22].

As ligações clandestinas de energia elétrica são motivos de preocupação cons-tante, tanto para as concessionárias de energia elétrica, como para as agências regu-ladoras. Neste contexto, os diversos tipos de fraudes podem afetar o poder público,que não recolhe os tributos e taxas de iluminação pública, e os consumidores em ge-ral, que pagam pelo prejuízo rateado e deixam de receber benefícios sociais de obrasque seriam realizadas pelo poder público. Outro enfoque também muito importante éque a minimização das perdas provocadas por estas fraudes representa o aumentode investimentos na qualidade do produto, na manutenção do patrimônio da conces-são e, principalmente, na possibilidade de expansão do sistema elétrico com menorcusto [21].

A necessidade de se combater as perdas comerciais se destaca pelo fato de quequanto maior elas são, menor é o faturamento e o lucro para a concessionária deenergia e menor é o investimento de expansão para atender a demanda, pois as con-cessionárias de energia precisam cumprir todas as metas estabelecidas pela ANEEL.

2.2 Perdas Não-Técnicas no Cenário Brasileiro e Mundial

O problema das perdas comerciais não é apenas brasileiro, ou de países emer-gentes, e sim mundial, mesmo que em menores proporções. Alguns especialistas noassunto costumam correlacionar as perdas comerciais com o desenvolvimento de umpaís, incluindo aspectos de educação, distribuição de renda, violência, entre outros.

Em países desenvolvidos, onde os índices de perdas comerciais são menores,predominam os programas de conscientização e de denúncia para se combater essasperdas, ao contrário do que acontece em países menos desenvolvidos, onde a práticade se conscientizar e denunciar é de difícil implementação. Na Tabela 2.1 são apre-sentados os índices das perdas não-técnicas de distribuidoras de energia em diversospaíses durante o ano de 2007 [23].

Estima-se que concessionárias de todo o mundo percam US$ 20 bilhões todo anopor causa das perdas comerciais. Na Índia, onde o índice de perdas não-técnicasentre as companhias de energia é por volta de 20% a 40%, perde-se por volta deUS$ 4,5 bilhões todo ano, sendo que 10% da energia recuperada pode conservar 83mil gigawatts-hora (GWh) de energia anualmente [23, 24]. Nos Estados Unidos, asperdas comerciais anuais são estimadas em US$ 6 bilhões e, no Canadá, em US$100 milhões em apenas uma distribuidora [25].

No Brasil, segundo a ANEEL [26], o prejuízo com perdas não-técnicas (consumoirregular) de energia elétrica atingiu o patamar de R$ 8,1 bilhões ao ano, conside-


Tabela 2.1: Índice de Perdas Não-Técnicas de Distribuidoras de Energia em Diversos PaísesPaís Perdas Não-TécnicasÍndia 20,0% a 40,0%

Filipinas 3,5%Jamaica 13,2%China 10,0%Rússia 10,0%Turquia 6,0% a 64,0%

Tailândia 0,3%África do Sul 10,0%Venezuela 12,7%

Reino Unido 0,2% a 1,0%Austrália 0,2%

Estados Unidos 4%Nova Zelândia 0,3% a 1,0%

rando as 61 das 63 distribuidoras que passaram pelo 2o ciclo de revisões tarifáriasno período de 2007 a 2010. Em energia, o valor corresponde a mais de 27 mil GWhe equivale a aproximadamente 8% do consumo do mercado cativo elétrico brasileiro.O mercado cativo é formado pelos consumidores que só podem comprar energia daconcessionária de distribuição responsável pela rede à qual estão conectados. Essemontante seria suficiente, por exemplo, para abastecer anualmente os 774 municípiosatendidos pela Companhia Energética de Minas Gerais (CEMIG) e as 217 cidadescom fornecimento da Companhia Energética do Maranhão (CEMAR).

Lembrando que se enquadram em perdas não-técnicas os erros de medição, asdeficiências no processo de faturamento, a falta de medidor em unidades consumido-ras, as fraudes e os furtos de energia entre outros fatores. A fraude é um ato cometidopor consumidor que viola o sistema de medição para obter um registro de consumomenor que seu gasto real, enquanto o furto é praticado por quem não é consumidor ese liga clandestinamente à rede para consumir energia.

Na Tabela 2.2 [26] são apresentados os índices de perdas não-técnicas; nota-seque a região com maior índice de consumo irregular é o Norte, com 20% da ener-gia distribuída, seguida pela região Sudeste, com 10%, e do Nordeste, com 9%. NoCentro-Oeste, o percentual é de 5%, e no Sul, de 3%. Nota-se que as maiores perdasno cenário brasileiro atual ocorrem na região Norte, onde a implementação de proce-dimentos contra as perdas técnicas e comerciais não são fáceis de executar, devidoao difícil acesso e a grande extensão territorial que a concessionária de energia atua.As menores perdas ocorrem na região Sul, um panorama oposto do que acontece naregião Norte.

Nas regiões Sudeste e Nordeste, algumas empresas sofrem mais com os desviose furtos de energia motivados pelo grande número de favelas presentes em estados


Tabela 2.2: Índice de Perdas Não-Técnicas por Região (Fonte: ANEEL-2011)Posição Região Perdas Não-Técnicas (%)

1o Norte 20%2o Sudeste 10%3o Nordeste 9%4o Centro-Oeste 5%5o Sul 3%

como o Rio de Janeiro, São Paulo, Bahia e Pernambuco. Já nas regiões Centro-Oestee Sul são mais visadas as fraudes na unidade de medição do próprio consumidor. Agrande quantidade de ligações clandestinas existentes no Brasil e os números comrelação à quantidade de perdas comerciais dão uma ideia da magnitude do problemae do seu grau de dificuldade para equacionamento [22].

De acordo com o que é mostrado na Tabela 2.3 [26], onde é apresentada a listacom as 15 distribuidoras com registros das maiores perdas não-técnicas, a CentraisElétricas do Pará (CELPA) lidera o ranking de perdas não-técnicas, com 24,4% daenergia distribuída. Em segundo lugar, vem a LIGHT, no Rio de Janeiro, onde essetipo de perda chega a 24,2% da energia distribuída. A terceira posição é ocupada pelaCERON (RO), com 22%. Os índices abaixo de 10% consideram o percentual regu-latório permitido pela ANEEL para fins tarifários. Segundo [23], em 2007 os índicesestavam entre 0,5% e 25,0%.

Tabela 2.3: Índice de Perdas Não-Técnicas por Distribuidora (Fonte: ANEEL-2011)Posição Distribuidora Perdas Não-Técnicas (%)

1o CELPA 24,4%2o LIGHT 24,2%3o CERON 22,0%4o CEMAR 17,8%5o AMPLA 17,1%6o CEAL 17,0%7o AMAZONAS ENERGIA 16,8%8o ELETROACRE 15,9%9o CEPISA 15,8%

10o ENERGISA PARAÍBA 11,2%11o ELETROPAULO 10,8%12o CEEE 10,5%13o BANDEIRANTE 10,1%14o ESCELSA 10,0%15o BOA VISTA 10,0%

Distribuidoras de pequeno porte registram o menor índice de consumo irregular.Em algumas delas, como a Força e Luz Coronel Vivida Ltda (FORCEL), no Paraná,


a Empresa Força e Luz de Urussanga Ltda, em Santa Catarina, e a Hidrelétrica Pa-nambi S/A (HIDROPAN) no Rio Grande do Sul, não há perda não-técnica de energiaconsiderável [26].

As perdas não-técnicas impactam a tarifa, pois esse prejuízo acaba sendo rate-ado entre os consumidores legalmente cadastrados na distribuidora, no momento docálculo tarifário. Numa área de concessão como a da Light Serviços de EletricidadeS/A, por exemplo, a redução tarifária poderia ser de 18% se não houvesse consumoirregular [26].

Segundo a Associação Brasileira de Distribuidores de Energia Elétrica (ABRA-DEE), o percentual de perdas não-técnicas para 2012 em relação a energia injetadano sistema brasileiro foi de 5,91% (Figura 2.1), levando ao estado do Amazonas comoo recordista em ligações clandestinas.

Figura 2.1: Percentual de perdas em relação à energia injetada no sistema brasileiro. Extraídode [27].

2.3 Fraudes e Furtos de Energia

A fraude e o furto de energia podem ser definidos como atos conscientes e demá-fé de uma pessoa contra a distribuidora para eliminar ou reduzir o faturamento daenergia. Normalmente, o furto acontece quando uma unidade consumidora se ligadiretamente à rede da distribuidora, sem o consentimento da concessionária, ou seja,são realizadas ligações irregulares ou clandestinas, popularmente conhecidas como“gatos” e, geralmente, concentradas principalmente em áreas invadidas ou em favelas.

A fraude acontece quando o medidor de energia é adulterado, ou quando é feito


um desvio no ramal de entrada antes do medidor. Logo, o consumidor que tem umaumento de carga sem o conhecimento da concessionária pode cometer fraude paraevitar o aumento na conta de energia, em muitos casos de modo sofisticado, atravésde circuitos clandestinos.

Outra fraude muito comum ocorre quando a energia da unidade consumidora re-gular é cortada pela concessionária, devido, por exemplo, à falta de pagamento, e oconsumidor faz a religação direta à rede por conta própria. Assim, pode-se percebera correlação entre as fraudes e os furtos de energia. Segundo a ANEEL, essas irre-gularidades fazem parte de um segmento das perdas comerciais caracterizado comoperdas por ação do consumidor. A seguir estão relacionados os tipos de irregularida-des mais encontrados nos processos analisados pela ANEEL [28]:

• Ligação direta à rede secundária;

• Desvio no ramal de entrada (antes do medidor);

• Elemento móvel do medidor bloqueado por meio de perfuração da tampa devidro ou base e introdução de objetos ou material estranho;

• Ponteiros do medidor deslocados;

• Ligações do medidor invertidas;

• Terminal de prova aberto;

• Bobina de potencial interrompida;

• Engrenagem do medidor substituída;

• Dentes da engrenagem desgastados;

• Elemento móvel empenado;

• Ponteiro da demanda retrocedido;

• Chave de aferição aberta;

• Lâmina da chave de aferição isolada;

• Condutores de ligação entre a chave de aferição e medidor isolados;

• Condutores de ligação entre a chave de aferição e medidor seccionados;

• Curto circuito nos secundários dos transformadores de corrente;

• Alimentação do motor de temporização de demanda interrompida;


• Sequência de fases invertida (reativo); e

• Curto-circuito na entrada ou saída do medidor.

Além de prejuízos financeiros, o furto e fraude de energia oferecem riscos e danosà sociedade. As ligações clandestinas costumam sobrecarregar os transformadores,que são dimensionados para atender uma determinada carga. A sobrecarga podeocasionar acidentes na rede elétrica, como explosões e incêndios que, além de riscosfísicos à população, causam interrupções no fornecimento de várias unidades consu-midoras e, consequentemente, interferem negativamente na qualidade da energia [26].

O meio ambiente também pode ser prejudicado devido ao uso ineficiente de ener-gia, isto é, ao consumo desnecessário diante do aumento das perdas comerciais, tra-zendo maior necessidade de geração de energia, o que implica uma maior quantidadede hidrelétricas e termoelétricas. Logo, a redução dessas perdas adiaria a construçãode novas usinas, reduzindo os impactos ambientais e as emissões de gases do efeitoestufa.

A Resolução no. 414/2010 [29], com os direitos e deveres do consumidor de ener-gia elétrica, disciplina os procedimentos a serem adotados pela distribuidora para ca-racterização de irregularidades de consumo de energia e a recuperação da receita. Ofurto e fraude de energia elétrica são considerados como crime. O responsável ficasujeito a penalidades que vão desde o pagamento de multas até a detenção por atéquatro anos.

2.4 Inadimplência

Estimou-se que, em 2002, a inadimplência no Brasil tenha sido de R$ 3,15 bilhõesde reais e, segundo dados da ANEEL, em 2005, o total de perdas era por volta de3,7 bilhões de reais, sendo 1,2 bilhões de reais procedentes de perdas comerciais,deixando de arrecadar tributos, o que aumentam ainda mais os custos oriundos dasperdas de energia [18]. Existe uma complementaridade entre perdas de energia einadimplência, pois os dois fenômenos estão muito ligados e a redução de um podelevar ao incremento do outro, por isso é importante estar atento com relação a estesproblemas [18].

Logo, a inadimplência é uma grande preocupação das concessionárias de energia,que pode ser definida como a diferença entre o valor total faturado e o valor totalrecebido no mês pelas distribuidoras de energia, ou seja, relação do montante dascontas não-pagas do mês com o total de contas faturadas.

A inadimplência vem crescendo nas últimas décadas do Brasil, pois o aumento dastarifas de energia, a elevação do desemprego e a queda na renda contribuem com oatraso das faturas de energia elétrica pelos consumidores. Segundo a ABRADEE, ovolume de atrasos superior a 10 dias para o pagamento das faturas cresceu 295%


desde 1991 até 2004 [18]. A ANEEL divulgou em 2007 um aumento das tarifas deenergia de 327% entre abril de 1995 e abril de 2007, fato que estimula ainda mais aprática da inadimplência [18].

Em 2004, a ABRADEE publicou que a maior ocorrência das inadimplências acon-tece por parte de consumidores residenciais, comercias e industriais de pequenoporte, seguidos por consumidores comerciais e industriais de médio e grande portee pelo Poder Público [18]. A inadimplência pode ser início de um ciclo (Figura 2.2)em que o consumidor que não consegue pagar sua conta tem o seu fornecimento deenergia suspenso, podendo vir a furtar energia, ou a fim de reduzir o custo de suaconta para facilitar o pagamento.

Figura 2.2: Ciclo com relação à inadimplência.

Atualmente, acredita-se que a inadimplência e os problemas de perdas de energiano setor de distribuição de energia estão associados não apenas com a renda dapopulação, mas também com a desigualdade social, localização do domicílio, o tipode urbanização, questões sociais e até culturais.

2.4.1 Nova Modalidade: Tarifa Branca

Em 2011, a ANEEL aprovou uma alteração da estrutura tarifária aplicada ao setorde distribuição de energia através da aplicação de tarifas diferenciadas por horário deconsumo, oferecendo tarifas mais baratas nos períodos em que o sistema é menosutilizado pelos consumidores [30].

A proposta da tarifa branca é estimular o consumo em horários nos quais a tarifa émais barata, diminuindo o valor da fatura no fim do mês e a necessidade de expansãoda rede da distribuidora para atendimento do horário de pico. Assim, busca-se tambémuma redução da inadimplência e o adiamento de grandes investimentos do sistemaelétrico.

A modalidade tarifária branca oferecerá três diferentes níveis para a tarifa de ener-gia, de acordo com os horários de consumo. De segunda a sexta-feira, uma tarifa maisbaixa será empregada na maioria das horas do dia, outra mais alta no horário em queo consumo de energia atinge o pico máximo, que acontece no início da noite, e uma


tarifa intermediária para ser cobrada entre esses dois horários. Nos finais de semanae feriados, a tarifa mais baixa será empregada para todas as horas do dia.

Os consumidores residenciais e comerciais poderão aderir a um novo modelo decobrança de energia elétrica a partir de 2014, e caso o consumidor reduza a zeroo consumo no horário de pico, a economia poderá chegar a 45%. Os interessadosdeverão fazer o pedido às distribuidoras de energia elétrica, sendo que para a novatarifa, será necessário trocar os antigos relógios de captação por outros mais moder-nos, e, segundo a ANEEL, o valor do novo equipamento poderá ser repassado aoconsumidor nas próximas faturas [30]. Porém, a tarifa branca será opcional, e casoo consumidor não pretenda modificar seus hábitos de consumo, a tarifa convencionalcontinuará disponível.

Outra mudança, válida a partir de janeiro de 2014, é a criação das bandeiras tari-fárias verde, amarela e vermelha, que funcionarão como um semáforo de trânsito e serefletirão em diferença de tarifa para o consumidor. A bandeira verde significa custosbaixos para gerar a energia. A bandeira amarela indicará um sinal de atenção, pois oscustos de geração estão aumentando. Por sua vez, a bandeira vermelha indicará quea situação anterior está se agravando e a oferta de energia para atender a demandados consumidores ocorre com maiores custos de geração como, por exemplo, o acio-namento de grande quantidade de termelétricas para gerar energia, que é uma fontemais cara do que as usinas hidrelétricas. O público alvo será todos os consumidoresdo Sistema Interligado Nacional (SIN) de alta e baixa tensão [30].

2.5 Procedimentos de Combate Contra as Perdas Comerciais

O problema da detecção de perdas comerciais em sistemas de distribuição temsido determinante. Roubo e adulteração de medidores de energia, com a finalidade demodificar a medição do consumo de energia, são as principais causas que conduzemas perdas não-técnicas em concessionárias de energia. É uma tarefa difícil de calcularou medir a quantidade de perdas e, na maior parte dos casos, é quase impossívelsaber onde eles ocorrem.

Com o objetivo de reduzir os valores das perdas comerciais, as empresas de ener-gia elétrica atuam, geralmente em:

• Programas de inspeção: consiste na verificação da integridade do sistema demedição, detectando falhas nos equipamentos, fraudes e desvios de energia,erros de ligação e outros problemas que possam comprometer a medição deenergia elétrica;

• Substituição de medidores: consiste na avaliação de lotes de medidores atravésde amostragem no campo, testes em laboratório e análise dos medidores retira-dos em campo. Além disso, a substituição de medidores com vida útil vencida


ou com possíveis falhas técnicas;

• Regularização de focos possíveis de ligações clandestinas, tais como favelas,através de um programa de caráter regulatório, reduzindo consequentemente asperdas comerciais;

• Implementação de políticas comerciais: consiste em atendimentos para a co-munidade sobre explicações, negociações e treinamentos sobre o consumo deenergia elétrica; e

• Ações de eficiência energética com foco na diminuição das contas elétricas euso efetivo da energia, servindo de incentivo aos consumidores para que nãocometam as fraudes.

Uma das formas mais tradicionais de combate às perdas comerciais é a realizaçãode inspeções periódicas nos consumidores, o que não é muito vantajoso, pois elascostumam ter um custo muito alto para a concessionária de energia. Entretanto, aseleção de quais consumidores que devem ser inspecionados é uma tarefa árduapara os especialistas no assunto. As distribuidoras geralmente empregam e investembastante em um conjunto de metodologias heurísticas para identificar os clientes debaixa tensão suspeitos de estarem cometendo algum tipo de irregularidade, atravésdo uso da inteligência artificial. Todavia, a taxa média de acertos dessas metodologiasainda é bastante inferior ao desejado, ou seja, a maioria dos processos adotados nãoé eficaz o bastante.

2.5.1 Projetos de Pesquisa e Desenvolvimento Regulados pela ANEEL

A ANEEL, com a criação da Lei no 9.991 de 24 de julho de 2000, estabeleceque as concessionárias de energia elétrica devem aplicar um mínimo percentual desua receita operacional líquida (no mínimo 0,75% para as distribuidoras e 1% para asgeradoras e transmissoras) em projetos de Pesquisa e Desenvolvimento Técnológicodo Setor de Energia Elétrica (P&D) visando a busca de inovações para fazer frente aosdesafios tecnológicos e de mercado das empresas de energia elétrica. A pesquisaempresarial no setor de energia elétrica deve ter metas e resultados previstos bemdefinidos, porque é diferente da pesquisa acadêmica pura, que se caracteriza pelaliberdade de investigação [31].

Um dos temas de interesse para investimentos em projetos de P&D é “Medição,Faturamento e Combate a Perdas Comerciais”, justamente o principal contexto destatese. De acordo com a Revista Pesquisa e Desenvolvimento da ANEEL de 2011 [32],63 projetos entre 2008 e 2010 foram cadastrados neste tema, com investimentos emmais de R$ 78 milhões de reais, o que é uma quantia bastante considerável.

Apesar de existirem inúmeros projetos de P&D, nem todos são divulgados commaiores detalhes, porém alguns deles são detalhados através de projetos publicados


pela Revista Pesquisa e Desenvolvimento da ANEEL, onde são apresentados o de-senvolvimento de diversos artifícios para o combate a perdas comerciais de muitasconcessionárias em conjunto com instituições de pesquisa.

Muitos trabalhos relacionados ao contexto de perdas não-técnicas são derivadosdesses projetos de pesquisa e desenvolvimento desenvolvidos pelas concessionáriasde energia para atingir metas elaboradas pela ANEEL. Alguns dos projetos divulgadosque se destacaram são apresentados no Capítulo 3.

2.5.2 Smart Grid e sua Relação com Perdas Não-Técnicas

O problema das perdas não-técnicas poderá ser minimizado num futuro próximocom a implantação da medição inteligente (smart metering). Mais informações elé-tricas, que possibilitam conhecer melhor o comportamento dos consumidores, alémdo consumo em tempo real, são coletadas através de sensores nos medidores deenergia e transmitidas para as concessionárias com determinada periodicidade, o queé um avanço para a medição, mas sem inserir o conceito de aprendizado ou o dereconhecimento de padrões de fraude, para uma tomada de decisões de forma autô-noma. Assim sendo, o medidor inteligente (smart meter ) não impede a fraude, apenasfornece as informações mais rapidamente [33].

Cabe à inteligência computacional determinar quais indícios tem maior probabili-dade de representar uma fraude, ou irregularidade, e qual o seu grau de importân-cia, mantendo um critério de priorização, seguida de uma inspeção de campo. Logo,(smart meters) são extremamente úteis na melhora do desempenho das redes deenergia e na estratégia de redução de perdas comerciais [25].

Paralelamente aos smart meters, tem-se o conceito de Rede Elétrica Inteligente(REI) ou Smart Grid, que possibilita a integração dos equipamentos da rede elétricae de redes de comunicação de dados em um sistema gerenciado e automatizado quepode abranger toda a área de uma concessionária, de modo que uma rede possapermitir [28,33]:

• Serviços inteligentes integrados com os consumidores;

• Utilização de medidores inteligentes e aplicação de tarifas diferenciadas por ho-rário/sazonalidade;

• Melhorias na qualidade de energia e redução de perdas técnicas e comerciais;

• Gerenciamento, monitoração e otimização do sistema elétrico em tempo real;

• Vigilância e segurança;

• Integração de serviços públicos; e

• Internet banda larga.


O conceito do Smart Grid está ganhando volume a partir do crescimento da de-manda de leitura automática de medidores. Além do objetivo de reduzir as fraudes, osfurtos de energia e medições com falhas, várias concessionárias de energia elétricatem se preocupado em caracterizar melhor o perfil dos consumidores com irregulari-dades, bem como identificar corretamente as ligações clandestinas realizadas [33].

A minimização das perdas pode contribuir para aumentar os investimentos em pro-gramas de qualidade de energia, assim como pode permitir uma redução do seu preçopara o consumidor. Mas, para que tudo isso aconteça, é necessário substituir os me-didores de energia analógicos para medidores de energia digitais, o que pode levarmuitos anos para se materializar.

O Smart Grid é o futuro das redes de energia. No Brasil, existem alguns projetos-piloto em São Paulo, Rio de Janeiro, Minas Gerais, Amazonas, Pernambuco, Cearáe no Paraná; logo, busca-se acompanhar esta tendência motivado pelos benefíciosquanto à melhoria nos serviços prestados, como a resolução de problemas mais rapi-damente através da mobilização de técnicos para a realização de reparos nas redesde energia, aumento da confiabilidade do sistema e da qualidade no fornecimento deenergia. Além disso, almeja-se a redução das perdas comerciais, do desperdício deenergia e da inadimplência.

2.5.3 Sistema de Pagamento Pré-Pago

A implantação do Smart Grid, a partir da implementação dos smart meters, tornao sistema mais flexível para optar por um plano de pagamento de energia elétrica,fazendo surgir uma nova modalidade através do sistema pré-pago, semelhante com opré-pagamento nos sistemas de telecomunicações, além do convencional plano pós-pago, onde se paga o que se consome, que já tem regulamentação consolidada. Aocontrário, o sistema de pré-pagamento não possui uma regulamentação ainda, porémestá em andamento, já que este tipo de sistema não é oficial no Brasil [30].

A ANEEL, com a implementação desse novo sistema, pretende estabelecer o pla-nejamento dos consumidores em relação ao consumo de energia elétrica. Contudoa sua adesão é opcional, tanto por parte das concessionárias quanto por parte dosusuários.

Com a adesão do serviço pré-pago, as distribuidoras estão em busca:

• Do fim das ligações clandestinas;

• Da redução da inadimplência;

• Da economia de mão de obra na medição;

• Da queda nos gastos com o envio de faturas; e


• Do controle efetivo do programa de gratuidade de energia para a população ca-rente, permitindo a ampliação do “Programa Luz Para Todos”.

Para o consumidor, essa modalidade permite uma maior flexibilidade de comprado serviço e um melhor gerenciamento do consumo de energia elétrica através dapossibilidade de monitoramento do consumo em tempo real. Além disso, podem-seter outros benefícios e facilidades, como por exemplo a não obrigatoriedade do paga-mento da assinatura mensal básica, já que se paga antecipadamente. Esse princípiopode ser aplicado na locação de um imóvel, ou de casas de veraneio, onde os crédi-tos podem ser comprados pelos proprietários ou pelos locatários temporários somentedurante período de sua utilização, evitando ser responsável pelo pagamento ou pelainadimplência, já que o serviço será imediatamente interrompido ao final do últimocrédito adquirido [30].

O sistema de medição e controle, através dos smart meters, deve informar quandoos créditos estiverem próximos a se esgotar por meio de avisos sonoros e luminosos,permitindo com que o usuário recarregue os créditos afim de evitar a interrupção dofornecimento de energia elétrica.

Este sistema já é utilizado em diversos países, como Reino Unido, Argentina, Áfricado Sul e Colômbia. No Brasil, existem projetos-piloto em São Paulo, Rio de Janeiro eem algumas regiões do Amazonas. Porém, são necessários altos investimentos paraa implantação do sistema de pré-pagamento e cuidados com a regulamentação destetipo de serviço, de maneira que ninguém saia prejudicado.

2.6 Considerações Finais

Neste capítulo foram apresentados alguns conceitos importantes para o compreen-são da importância do tema da tese. São definidos os conceitos de perdas comerciaisou perdas não-técnicas, bem como dos métodos de combate a essas perdas, o pro-blema da inadimplência e o uso da tarifa branca. Em [28], também é possível obtermaiores detalhes com relação a este tema, pois complementa muitas informaçõesabordadas nesta tese. No capítulo a seguir é abordado o estado da arte no contextodas perdas não-técnicas, onde são apresentados os principais trabalhos encontradosna literatura.

Capítulo 3

Estado da Arte: Perdas Não-Técnicas

Neste capítulo são apresentados estudos no contexto de perdas não-técnicas,sendo que muitos deles usam sistemas inteligentes e métodos estatísticos para clas-sificar, identificar e caracterizar os consumidores com instalações elétricas irregulares.Muitos trabalhos abordam profundamente o tema, explicitando a importância do pro-blema com relação às perdas comerciais.

3.1 Alguns Projetos Importantes de P&D Regulados pela ANEEL

Nesta seção são apresentados alguns dos projetos de P&D regulados pela ANEELque foram destaque em edições publicadas da Revista “Pesquisa e Desenvolvimento”da ANEEL no contexto de combate contra as perdas comerciais.

Em 2000, a Companhia de Eletricidade do Estado do Rio de Janeiro (CERJ), emconjunto com o Centro de Pesquisas de Energia Elétrica (CEPEL), desenvolveu umprojeto visando investigar a utilização de técnicas computacionais, conhecidas comointeligência artificial, com a finalidade de se desenvolver um programa de computadorpara melhorar o índice de acertos nas inspeções realizadas para a averiguação defraudes em consumidores. Para este projeto foi desenvolvido um sistema computacio-nal para auxiliar os especialistas na seleção das unidade consumidoras (UCs) a sereminspecionadas. Foi investigado o aumento de eficiência utilizando-se uma análise re-alizada com redes neurais artificiais treinadas com padrões de fraudes existentes naconcessionária. O sistema desenvolvido fornece ferramentas que auxiliam na exe-cução das seguintes tarefas: análise do consumo, gerenciamento das inspeções, eacompanhamento dos fraudadores [34].

No ciclo 2001/2002, a Espírito Santo Centrais Elétricas S.A. (ESCELSA), em con-junto com o Instituto de Tecnologia para o Desenvolvimento (LACTEC), desenvolveuum aparelho eletrônico para detecção de desvio de energia com a finalidade de reduziras perdas comerciais da ESCELSA entre os consumidores de baixa tensão atendidospela distribuidora. O detector é composto por duas partes: um módulo transmissor,instalado nos cabos dos postes; e um módulo receptor colocado no medidor do cli-ente. A identificação do desvio é feita por meio da comparação entre os valores de

19

CAPÍTULO 3. ESTADO DA ARTE: PERDAS NÃO-TÉCNICAS 20

corrente medidos pelos dois módulos. Sensores de alta exatidão medem a corrente,sendo que a comunicação entre os módulos segue o padrão tecnológico PLC (PowerLine Communication), em que se usa a própria rede como meio de transmissão de da-dos. Quando a diferença entre os valores ultrapassa 10%, o módulo receptor registraa informação, gravando data e hora da ocorrência. Os dados podem ser transporta-dos para um microcomputador por um leitor óptico portátil. A operação remota tornapossível a leitura sem a necessidade de abrir a caixa onde fica o medidor, o que evitadesligamentos no sistema [34].

No ciclo 2002/2003, outra concessionária a se preocupar com as perdas comer-ciais, foi a Companhia de Eletricidade do Estado da Bahia (COELBA) em conjuntocom a Universidade Estadual de Feira de Santana (UEFS). Juntas, elas desenvol-veram um aparelho eletrônico que permite a visualização de desvio embutido semo desligamento da unidade consumidora. O aparelho pode detectar o desvio comequipamentos elétricos desligados, possuindo sensibilidade elevada e baixa incidên-cia de alarmes falsos. A tecnologia empregada é baseada em propagação de ondasdo campo magnético, induzido ou não, gerada por ondas acústicas em eletroduto, eem propagação de calor com detecção infravermelho, que permitem a visualização dodesvio em vários casos [34].

A Ampla Energia e Serviços S.A (AMPLA), no ciclo 2003/2004, em conjunto como LACTEC, desenvolveu o lacre eletrônico motivado pelo alto índice de perdas comer-ciais. A integridade do dispositivo é analisada em campo, o que permite identificarcom rapidez se ele foi rompido, adulterado ou trocado. É possível também verificarse houve adulteração no medidor de energia elétrica, além de dificultar o acesso aoaparelho. A gravação de dados é feita por um tag de identificação por radiofrequên-cia. O lacre tem um componente que o danifica quando violado, impossibilitando aleitura dos dados. Um sistema computacional instalado em uma central de controleorganiza e avalia a identificação dos lacres e a compara com informações disponíveisno sistema da concessionária para seus pontos de instalação. A operação impedeque uns sejam trocados por outros sem prévia autorização da empresa e identifica, deimediato, os pontos onde houve fraude. Dessa maneira, o produto pode auxiliar emdois problemas: o alto número de inspeções e o furto de lacres convencionais, quepode ser rastreado [34].

Também nesse mesmo ciclo, a AMPLA, em conjunto com a Universidade FederalFluminense (UFF), desenvolveu um inibidor de furtos. O produto é colocado junto aotransformador e age como um gerador de ruídos, que distorce a tensão e “polui” aenergia a ser consumida. Próximo ao medidor de cada cliente, é instalado um filtroque elimina a distorção e torna a energia novamente adequada para o uso. A tensãomodificada impossibilita o consumo para quem furta. Sem a filtragem, geladeiras eoutros eletrodomésticos não funcionam e a insistência na ligação pode queimá-los


[34].Novamente, a AMPLA, em conjunto com a UFF, devido à facilidade de acesso aos

medidores atuais, possibilitando fraudes e práticas de vandalismo, desenvolveu ummedidor trifásico blindado que pode ser instalado nos ramais aéreos da rede e ter aleitura dos dados feita via radiofrequência. A localização, a blindagem e a tecnologiautilizada dificultam a atuação de fraudadores. Instalado próximo ao poste, o medidorprocessa os dados eletronicamente e transmite sinais que podem ser lidos de 20 a 30metros de distância em área livre. Na casa do cliente é colocado um visor, separadodo corpo de medição, que mostra a quantidade de energia consumida. A diferençaentre os valores medidos indica a ocorrência de fraude. O sistema traz uma série deinovações. Uma delas é que o cliente não tem mais acesso ao mecanismo de registrodo seu consumo de energia. Também não é possível apagar os valores no visor enem alterá-los, mesmo em caso de violação. Se o visor sofrer qualquer dano, a leituranão é comprometida, pois os dados continuam armazenados. Outra novidade é orevestimento do medidor, feito com uma resina que o torna mais resistente a impactose a condições climáticas adversas como chuva, ventos fortes ou altas temperaturas[34].

No ciclo 2002/2003, técnicos da Empresa Energética de Mato Grosso do Sul S/A(ENERSUL) e da Universidade Federal do Mato Grosso do Sul (UFMS) criaram umaferramenta que usa técnicas de inteligência artificial para identificar fraudes e errosde medição do consumo. O Sistema de Identificação de Fraudes e Erros de Medição(SIFEM) parte de um banco de dados e do histórico de consumo dos clientes que,a partir do processo de Knowledge Discovery in Database (KDD), consegue identifi-car comportamentos discrepantes que indicam a possibilidade de fraude. Com téc-nicas de inteligência artificial conhecidas como Conjuntos Incertos, Redes NeuraisAuto-organizáveis e Árvores de Decisão, foi possível, após a extração de amostras deunidades consumidoras, obter uma lista de clientes “suspeitos”, passíveis de fiscali-zação pela distribuidora. A utilização experimental do SIFEM apontou para taxas deacerto de 34%, consideradas significativas pela empresa. O sistema é paramétrico eos resultados são obtidos com um balanceamento entre a taxa de acerto e a quanti-dade de clientes inspecionados. Com sua implementação, torna-se possível fiscalizarmenos clientes e alcançar maior percentual de acerto. Os pesquisadores consideramque o SIFEM pode ser usado com sucesso no combate ao furto de energia pelasdistribuidoras e, como detecta anormalidades no consumo, gera ainda como subpro-duto a identificação de clientes em vias de desligamento ou unidades consumidorasdesocupadas [35].

No ciclo 2005/2006, uma maleta desenvolvida pela AMPLA, em conjunto com aUniversidade Católica de Petrópolis, se constitui em uma solução simples e eficazcontra perdas técnicas de energia causadas por medidores em pane ou por fraudes


cometidas por consumidores. Em vez de usar lâmpadas como carga e o relógio dofuncionário da distribuidora como cronômetro, método bem menos confiável, a Maletade Inspeção em uso pela AMPLA garante mais precisão ao trabalho. Portátil, fácil demanusear e com baixo custo, o equipamento é capaz de fazer leituras de energia ativae reativa em inspeções de medidores de baixa tensão instalados em residências e empequenos comércios e indústrias. Outra vantagem do equipamento é a inclusão deuma placa de Global Position System (GPS). Essa característica evita fraudes durantea inspeção, pois a localização exata do aparelho, bem como a hora da fiscalização,são captados pelo GPS e incluídos nos resultados do trabalho. O sucesso do projetolevou a empresa a programar a fabricação de um lote piloto para equipar o time deinspeção da companhia [35].

Para os ciclos 2005/2006 e 2007/2008, um programa que utiliza sistema de redeneural artificial (inteligência artificial) para identificar perdas comerciais e, dessa forma,ajudar a orientar e planejar ações de inspeção in loco, é o resultado do projeto de-senvolvido pela Companhia Energética de Pernambuco (CELPE) e pesquisadores daUniversidade Federal Fluminense (UFF) e Universidade Federal do Rio de Janeiro(UFRJ). Inicialmente, foram formados grupos de consumidores com característicassemelhantes de carga, ligados a um determinado transformador. Em seguida, foi rea-lizada uma Pesquisa Social de Posses e Hábitos de Consumo (PSPH), utilizada paracalcular as curvas de carga estimadas para cada agrupamento e para alimentar o pro-grama com informações. Dessa forma, a diferença entre os valores estimados pelaferramenta para cada transformador e aquele efetivamente medido resulta na perdacomercial calculada pelo sistema. De posse dessas informações, instaura-se um pro-cedimento de três etapas: tratamento de eventuais erros de cadastro, correção dessesdesvios e instalação de medidores comparativos na rede de baixa tensão onde a curvade carga corrigida for muito diferente da estimada, ou apresentar oscilações em rela-ção à curva projetada. Essas discrepâncias ocorrerão, entre outros motivos, por contade erros no processo de faturamento, furto de energia ou ligações clandestinas ouirregulares. Os pesquisadores chegaram à conclusão que o método proposto servepara indicar os transformadores que precisam ser inspecionados, o que reduz o custoelevado de verificar todos ou de se instalar medidores comparativos ao longo de todoo sistema [32].

Para tornar mais eficiente o combate às perdas comerciais de energia, pesqui-sadores da Companhia Energética do Maranhão (CEMAR) e do LACTEC, nos ciclos2006/2007 e 2007/2008, construíram um transformador de distribuição com mediçãode energia integrada. O equipamento tem o objetivo de reduzir as fraudes, por meioda medição remota do consumo mensal, diretamente no transformador. Isso possi-bilita o registro de ocorrências em tempo real e a avaliação das curvas diárias decarregamento, tensão de operação e de consumo no transformador. No protótipo de-


senvolvido, o medidor digital e os circuitos eletrônicos ficam instalados em uma caixametálica acoplada ao transformador, no alto do poste. Isso dificultada a realizaçãode fraudes na rede. A leitura mensal do consumo total do posto de transformaçãoé realizada remotamente, pela comunicação de curta distância, empregando-se umsmartphone, largamente utilizado pela concessionária para o registro da leitura men-sal de unidades consumidoras. Desse modo, toda a carga alimentada pelo transfor-mador de distribuição, incluindo eventuais fraudes, pode ser monitorada em temporeal pelo novo equipamento. A transmissão remota dos dados acumulados no postode transformação é feita por meio da tecnologia bluetooth e, alternativamente, pelacomunicação serial por rádio, com alcance superior a 15 metros. Os pesquisadoresinstalaram o protótipo do transformador com medição integrada no município de SãoJosé do Ribamar, região metropolitana de São Luiz, capital do Maranhão. Desde ainstalação, a leitura tem sido feita remotamente e os dados são armazenados em umcomputador portátil, que tem um aplicativo para avaliar o registro de interrupções, fa-lhas de comunicação, temperatura interna da caixa metálica, desequilíbrio de fases,tensão secundária, consumo total e médio diário do posto de transformação, entreoutros. Futuramente, os dados podem ser usados em redes integradas tipo SmartGrid [32].

Para combater o furto de energia, a Companhia Energética do Ceará (COELCE),nos ciclos 2006/2007 e 2007/2008, desenvolveu um equipamento que gera ruídos (in-terferências) na corrente e, dessa forma, impede que a energia furtada seja usadasem antes passar pelo sistema de medição do consumidor. O equipamento é um ge-rador de ruído que, quando instalado no transformador de distribuição, torna a energiaimprópria para uso até passar por um processo de filtragem que utiliza um removedorde ruídos instalado no equipamento de medição do consumidor. Após a filtragem, aenergia se torna novamente adequada ao uso. O instrumento é um aprimoramento deprojeto anteriormente realizado pelas concessionárias AMPLA e CEMAR. Na versãoanterior, o inibidor de furtos acabava por queimar equipamentos elétricos conectadosà rede sem filtragem. Além disso, uma vez acionado, o inibidor tinha que ser subs-tituído. Com o aperfeiçoamento, esses problemas foram sanados e, além disso, oequipamento ficou menor, o que facilita sua instalação nos postes. De acordo comos pesquisadores, os testes realizados em campo demonstraram a alta eficiência doequipamento em diferentes cenários. A redução das perdas, obtida com o piloto insta-lado em área urbana e na área rural irrigante, demonstraram que o inibidor de furto seconstitui em uma alternativa eficaz para o combate às perdas comerciais em circuitosde baixa tensão [32].


3.2 Teses e Dissertações

Diversas dissertações de mestrado e teses de doutorado abordam o contexto deidentificação de perdas não técnicas, que é um tema bastante discutido nas últimasdécadas.

Na dissertação de Faria [36], em 2012, implementou-se computacionalmente umsistema inteligente híbrido intercomunicativo específico que combina técnicas da áreade sistemas inteligentes, tais como redes neurais e lógica nebulosa para detectar asperdas comerciais. O sistema é baseado em três pilares: extração automática deconhecimento a partir da base de dados da concessionária, incorporação na meto-dologia o conhecimento e experiência de especialistas e, por último, consultas nabase de dados por características específicas de cada cliente. A metodologia utilizasimultaneamente inúmeros dados reais de entrada de natureza diversa, bem comocombina várias técnicas a fim de verificar o risco percentual de cada cliente em pos-suir alguma anomalia que implique em perda comercial. Além dos dados cadastraise do histórico de consumo mensal dos clientes comumente utilizados pelos trabalhosorientados à detecção de perdas comerciais, a metodologia proposta utilizou tambémdados adicionais tais como a lista de nomes e de atividades suspeitas. A utilização dedados adicionais possibilitou uma melhoria na detecção de unidades consumidorascom anomalias, grande parte das quais seriam possivelmente consideradas normaispelos trabalhos da literatura avaliada.

Em 2008, Penin [28] estudou o problema das perdas não-técnicas ou perdas co-merciais utilizando-se de uma abordagem multidisciplinar, que analisa a experiênciatanto de concessionárias no Brasil como no exterior. O trabalho discute as melhorespráticas para mitigação das mesmas e propõe melhorias nos processos de combate ede prevenção, e também nos procedimentos legais para recuperação de receitas, apoi-ados sobre uma cuidadosa contextualização regulatória, chamando a atenção para adiversidade sócio-econômica nacional, onde é comparado com diversos exemplos in-ternacionais. Nele se identifica os aspectos mais relevantes a serem considerados naregulação sobre o tema, discutindo procedimentos e metodologias para o equaciona-mento do montante de recursos a serem aplicados pelas companhias distribuidoraspara a adequada redução dessas perdas de energia. O autor observa que grandeparte das PNT tem origem em questões de cunho social e que o Estado pode e deveestabelecer políticas para resolver tais questões, possibilitando a universalização doacesso e subsidiando o fornecimento de energia elétrica.

O trabalho de Araújo [18] teve como objetivo aprofundar a discussão sobre as per-das e inadimplência na distribuição de energia no Brasil a partir do seu dimensiona-mento e da identificação das principais variáveis físicas, econômicas e sociais queexplicam a diferença de intensidade da ocorrência do fenômeno nas distribuidoras de


energia no país. Foram também empregadas análises estatísticas que possibilitassema construção de modelos explicativos para o fato. É analisado, ainda, o tratamentoda questão das perdas, do ponto de vista tarifário, técnico e comercial, conferido pelaagência reguladora do setor (ANEEL), bem como são realizados comentários sobre asações implementadas pelas empresas distribuidoras de energia no equacionamentoda problema.

Vieiralves [17] analisou a situação das perdas comerciais na região Norte, dandoênfase ao “Caso Manaus”, procurando identificar as suas causas e efeitos, tanto paraa sociedade em geral como para os empresários do setor. Mais especificamente, seabordará o estudo de caso da empresa Manaus Energia S/A, por ser a maior dossistemas isolados e por apresentar índices de perdas muito acima do admissível e damédia das concessionárias do Setor Elétrico Nacional.

Eller [22], em sua tese de doutorado, propõe um método para auxiliar no geren-ciamento de perdas comerciais de energia elétrica através da mineração de dados,destacando-se o uso das redes neurais para descobrir comportamentos suspeitos deconsumidores de energia, indicando a possibilidade de fraude ou não.

O trabalho realizado por Ortega [37] desenvolveu uma metodologia que identifica,com maior precisão, o perfil do cliente irregular (comprovada fraude no medidor, furtopor ligação clandestina ou irregularidade técnica). O sistema inteligente resultante,denominado SIIPERCOM, baseia-se em redes neurais para o agrupamento dos cli-entes com comportamentos semelhantes e para a classificação dos clientes de cadagrupo em “normais” ou “irregulares”.

Paula [38] propôs a caracterização de consumidores por suas curvas de carga,aplicando redes neurais na análise dos dados. As curvas de carga foram estabele-cidas com base nas medições de consumidores de baixa e média tensão utilizandoequipamentos de medição digitais instalados por uma concessionária. O conjunto demedições foi submetido a uma avaliação em busca de inconsistências na massa dedados através de uma etapa de limpeza e pré-processamento. Em seguida, foi rea-lizado um processo de redução da massa de dados, onde cada consumidor passa aser representado por uma única curva representativa composta pela média das curvasmedidas para este consumidor. Para realizar devidamente a comparação de padrõespara o agrupamento, as curvas dos consumidores devem ser mapeadas para umamesma escala. Esta normalização pode ser obtida utilizando o valor da demanda mé-dia como valor de base. O conjunto de dados foi, então, dividido em grupos menoresde acordo com a finalidade da utilização da energia elétrica, o nível da tensão, o dia dasemana e a grandeza medida (potência ativa e reativa). Em seguida, são utilizadas re-des neurais auto-organizadas para a formação das curvas típicas de carga para cadaclasse de consumidor. A definição do número ideal de agrupamentos se deu atravésde funções de avaliação, buscando um número ótimo de grupos. O resultado desta


análise foi a formação de curvas típicas representativas para permitir uma avaliaçãode carga do mercado consumidor de baixa e média tensão da distribuidora.

Na dissertação de Calili [16], o objetivo foi classificar um grupo de consumido-res como normal (adimplente), inadimplente e fraudulento. Para tanto, foi feita ini-cialmente um agrupamento utilizando uma Rede Neural, mais especificamente umaRede de Kohonen, também chamado de Mapas Auto-Organizáveis (Self-OrganizingMaps - SOM) [39], para o banco de dados de cadastro disponibilizado pela distribui-dora. Para se ter a classificação de um grupo quanto à incidência de consumidoresnormais, inadimplentes e fraudulentos utilizou-se um processo de análise nebulosa, oqual identifica os agrupamentos com os consumidores de cada um dos segmentos.É feita uma análise de desempenho do modelo proposto com dados reais fornecidospela empresa, cujos os resultados apontaram para uma robustez do método.

3.3 Artigos Publicados em Periódicos e Conferências

Nesta seção são apresentadas algumas importantes contribuições por meio deartigos publicados em periódicos e conferências.

Recentemente, muitos trabalhos publicados abordam o tema perdas não-técnicas,porém não estão diretamente relacionados com o uso de técnicas inteligentes para aindentificação e caracterização de consumidores irregulares como aborda esta tesede doutorado, mas realça a importância de se combater o problema. Muitos dessesestudos são realizados em países menos desenvolvidos, como Brasil, Índia, Taiwan,Paquistão, entre outros, onde os índices de perdas não-técnicas são elevados, sendopossível perceber o crescimento dos investimentos em Smart Grid para minimizaressas perdas [40–48].

Entre os atuais trabalhos publicados que utilizam técnicas computacionais comalgoritmos inteligentes, tem-se o estudo de Shih-Che Huang et al. [49] que propuserama detecção de perdas não-técnicas através do uso de estimação de estado e análisede variância dos dados coletados dos consumidores.

Em [50], Ribeiro et al. propuseram uma metodologia que consiste em um modeloestatístico, onde são utilizados os dados históricos de concessionárias que são pro-cessados através de um algoritmo de otimização baseado em árvores de decisão paradar suporte para a tomada de decisão com relação aos investimentos feitos na redede energia e, também, para reduzir as perdas não-técnicas, o que gerou um softwareexperimental utilizado pela LIGHT.

Para selecionar os consumidores a serem inspecionados e, assim, reduzir as per-das comerciais, Costa et al. [51] utilizaram algoritmos genéticos na formulação doprocesso de estratificação, que foi considerado como um problema de otimização res-trito não-linear, para encontrar soluções práticas para o problema, baseando-se noprocedimento de divisão de consumidores de energia em subgrupos homogêneos.


Ramos et al. [8] propuseram a identificação automática de perdas não-técnicas uti-lizando uma nova técnica baseada em Floresta de Caminhos Ótimos (Optimum-PathForest - OPF), através de conjuntos de dados com perfis de consumidores comer-ciais e industriais disponibilizados por uma concessionária de energia brasileira. Osresultados com o OPF superaram tanto em precisão quanto em eficiência quandocomparados com as mais tradicionais técnicas de inteligência artificial, como SVM eANN, ou seja, o OPF demonstrou ser mais robusto no contexto de detecção de perdasnão-técnicas.

O trabalho proposto por Verdú et al. [52] apresenta a capacidade de técnicas com-putacionais modernas como ferramentas na classificação de consumidores de energiaelétrica e a extração de padrões de comportamento destes através de seus históricosde consumo, representados pelas curvas de carga. A classificação é feita através douso de redes neurais, utilizando métodos de análise dos dados das curvas de carga.As curvas de carga diárias são obtidas através de medições reais utilizando medidoreseletrônicos e o mapa auto-organizável de Kohonen (SOM) é utilizado como ferramentade classificação. Segundo Verdú et al. [52], existem inúmeras técnicas e ferramentasde estudo de comportamento. Seu objetivo principal é agrupar consumidores comcurvas de carga semelhantes.

Masselli et al. [53] apresentam um modelo baseado no hibridismo entre redes neu-rais artificiais e algoritmos genéticos, capaz de identificar na curva de carga adquirida,em um ponto qualquer do sistema de distribuição, as porções de consumo relativas acada um dos principais setores consumidores presentes naquele ponto. Seus resul-tados iniciais indicaram um melhor desempenho da rede neural convencional, porém,à medida que se aumentou a co

Caracterização de Perdas Comerciais em Sistemas de …...A detecção de furtos e fraudes nos...

Documents

Transcript of Caracterização de Perdas Comerciais em Sistemas de …...A detecção de furtos e fraudes nos...