Modelo de Detecção de Fraudes Elétricas Baseado em Aprendizado de Máquina

• Geam Pfeiff UFPA
• Felipe Araújo UFPA
• Helder Oliveira UFPA http://orcid.org/0000-0003-3143-6280
• Denis Rosário UFPA http://orcid.org/0000-0003-1119-2450
• Eduardo Cerqueira UFPA http://orcid.org/0000-0003-2162-6523

DOI: https://doi.org/10.5753/sbcup.2020.11211

Resumo

As perdas não técnicas, na maioria dos casos ocasionadas por fraudes, são as principais causadoras dos prejuı́zos financeiros das concessionárias de energia elétrica. Essas perdas diminuem drasticamente a qualidade das redes elétricas, aumentando as chances de ocorrer blecautes, curtos circuitos e avarias de equipamentos. Desta forma, torna-se estratégico o desenvolvimento de modelos que consigam detectar perdas não técnicas. Este artigo apresenta um Detector de Fraudes Elétricas Baseado em Aprendizado de Máquina (DFEBAM), o qual classifica usuários em fraudulentos ou honestos baseados nos padrões de consumo elétrico e em features estocásticas. O DFEBAM obteve uma taxa de detecção de 98,02% e uma taxa de falso positivo de 2,47% após selecionar o algoritmo de aprendizado de máquina com a melhor desempenho.

Palavras-chave: Perdas não técnicas, Aprendizado de máquina, Redes elétricas inteligentes, Computação urbana

Referências

ANEEL (2019). Perdas de energia elétrica na distribuiçõa. http://www.encurtador.com.br/imrIS, Acesso: 20/1/2020.

Buzau, M. M., Tejedor-Aguilera, J., Cruz-Romero, P., and Gómez-Expósito, A. (2018). Detection of non-technical losses using smart meter data and supervised learning. IEEE Transactions on Smart Grid, 10(3):2661–2670.

CER (2012). Irish Social Science Data Archive. http://www.ucd.ie/issda/data/commissionforenergyregulationcer/, Acesso: 7/8/2019.

Han, W. and Xiao, Y. (2017). Nfd: Non-technical loss fraud detection in smart grid. Computers & Security, 65:187–201.

Heaton, J. (2016). An empirical analysis of feature engineering for predictive modeling. In SoutheastCon 2016, pages 1–6. IEEE.

Jindal, A., Dua, A., Kaur, K., Singh, M., Kumar, N., and Mishra, S. (2016). Decision tree and svm-based data analytics for theft detection in smart grid. IEEE Transactions on Industrial Informatics, 12(3):1005–1016.

Jokar, P., Arianpoo, N., and Leung, V. C. (2015). Electricity theft detection in ami using customers’ consumption patterns. IEEE Transactions on Smart Grid, 7(1):216–226.

Messinis, G. M. and Hatziargyriou, N. D. (2018a). Review of non-technical loss detection methods. Electric Power Systems Research, 158:250–266.

Messinis, G. M. and Hatziargyriou, N. D. (2018b). Unsupervised classification for non-technical loss detection. In 2018 Power Systems Computation Conference (PSCC),pages 1–7. IEEE.

Messinis, G. M., Rigas, A. E., and Hatziargyriou, N. D. (2019). A hybrid method for non-technical loss detection in smart distribution grids. IEEE Transactions on Smart Grid, 10(6):6080–6091.

Punmiya, R. and Choe, S. (2019). Energy theft detection using gradient boosting theft detector with feature engineering-based preprocessing. IEEE Transactions on Smart Grid, 10(2):2326–2329.

Ramos, C. C., Rodrigues, D., de Souza, A. N., and Papa, J. P. (2018). On the study of commercial losses in brazil: a binary black hole algorithm for theft characterization. IEEE Transactions on Smart Grid, 9(2):676–683.

Zheng, Z., Yang, Y., Niu, X., Dai, H.-N., and Zhou, Y. (2017). Wide and deep convolutional neural networks for electricity-theft detection to secure smart grids. IEEETransactions on Industrial Informatics, 14(4):1606–1615.