Notícias

Banca de DEFESA: GEAM WILLIAM PFEIFF

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: GEAM WILLIAM PFEIFF
DATA: 31/08/2021
HORA: 09:00
LOCAL: virutal
TÍTULO:

Métodos de detecção de fraudes em redes elétricas inteligentes utilizando técnicas de aprendizado de máquina


PALAVRAS-CHAVES:

Redes elétricas inteligentes, aprendizado de máquina, detecção de fraudes, classificadores de séries temporais


PÁGINAS: 55
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
RESUMO:

As perdas não técnicas, na maioria dos casos ocasionadas por fraudes, são as principais causadoras dos prejuízos financeiros das concessionárias de energia elétrica. Essas perdas diminuem drasticamente a qualidade das redes elétricas, aumentando os riscos de blackout, curtos-circuitos e avarias de equipamentos. Desta forma, torna-se estratégico o desenvolvimento de métodos que consigam detectar perdas não técnicas. Esta dissertação apresenta dois métodos desenvolvidos e validados para a detecção de perdas não técnicas em redes elétricas inteligentes. O primeiro método consiste em um Detector de Fraudes Elétricas Baseado em Aprendizado de Máquina, denominado DFEBAM, o qual classifica as amostras dos usuários em honestas ou fraudulentas. O DFEBAM emprega diferentes algoritmos de aprendizado de máquina que aprendem padrões com os dados de consumo elétrico dos usuários, posteriormente o método selecionado o algoritmo que obteve a melhor performance e é adicionado novas features estocásticas geradas a partir dos dados originais. Ao adicionar novas as novas features, o modelo final foi validado e obteve uma taxa de detecção igual a 98.02% e uma taxa de falsos positivos igual a 2,47%. O segundo método consiste em um preditor ensemble orientado aos dados baseado em classificadores de séries temporais para a detecção de fraudes (do inglês Data-oriented Ensemble Predictor based on Time Series Classiers for Fraud Detection), denominado DETECT. O preditor ensemble é criado a partir de cinco classificadores de séries temporais, o qual utiliza os dados de consumo elétrico dos usuários para aprender padrões e posteriormente classificar as novas amostras em honestas ou em um dos seis casos específicos de fraude. O DETECT é totalmente voltado para tratar dados de séries temporais, o que o diferencia da maioria dos detectores de perdas não técnicas da literatura. Além de utilizar classificadores de séries temporais individuais para serem comparados com o DETECT, também foram utilizados classificadores convencionais, no final o DETECT teve uma taxa de falsos positivos igual a 1,61%, o que é considerada extremamente baixa, assim como uma melhora de até 24% em termos de taxa de detecção quando comparado a outros classificadores.


MEMBROS DA BANCA:
Presidente - 2244893 - DENIS LIMA DO ROSÁRIO
Interno - 1700540 - EDUARDO COELHO CERQUEIRA
Interno - 824.988.812-04 - THIAGO MOTA SOARES - UFPA
Externo ao Programa - 3138738 - HELDER MAY NUNES DA SILVA OLIVEIRA
Notícia cadastrada em: 19/08/2021 10:10
SIGAA | Centro de Tecnologia da Informação e Comunicação (CTIC) - | Copyright © 2006-2022 - UFPA - castanha.ufpa.br.castanha2