17 dez 2021
14:00 Defesa de Doutorado Integralmente a distância
Tema
Detecção de Perdas Não-Técnicas na Rede Elétrica utilizando Representações de Séries Temporais
Aluno
Agnaldo Aparecido Esmael
Orientador / Docente
Ricardo da Silva Torres
Breve resumo
A energia elétrica é um insumo indispensável para o desenvolvimento socioeconômico de qualquer país. Entretanto, uma parte considerável dessa energia é perdida na fase de distribuição devido a ligações ilegais realizadas por alguns clientes com intuito de furtar eletricidade. No Brasil, por exemplo, essa prática criminosa resultou em um prejuízo de mais de R$ 7 bilhões às empresas distribuidoras de energia elétrica em 2019, de acordo com dados da Agência Nacional de Energia Elétrica (ANEEL). Atualmente, soluções baseadas em técnicas de aprendizagem de máquina têm sido amplamente utilizadas para analisar o consumo de energia dos clientes e identificar padrões suspeitos de fraude para posteriores inspeções em campo. Entretanto, o uso de tais técnicas, em particular dos atuais métodos de aprendizagem profunda, não são triviais e requerem atenção especial para lidar com questões de desbalanceamento de classes e overfitting. Além disso, os fraudadores estão sempre procurando maneiras de contornar os mecanismos de controle das distribuidoras. Nesse ambiente dinâmico, os modelos supervisionados tradicionais perdem rapidamente sua eficácia, necessitando de novas rodadas de treino. O desafio é que se leva algum tempo para as distribuidoras conseguirem amostras suficientes dessas novas fraudes para treinar modelos capazes de identificá-las. Nesta tese, nós apresentamos dois novos arcabouços de detecção de perdas não-técnicas. O primeiro modelo proposto é baseado no paradigma de Recuperação de Informação. Nessa abordagem, redes neurais convolucionais (CNNs) já treinadas em outras aplicações extraem características de séries temporais de consumo mensal de energia representadas como imagens. Em seguida, essas informações são codificadas em um formato de texto, resultando no que chamamos de assinatura textual. Essas assinaturas textuais são indexadas em banco de dados não-relacionais e, posteriormente, buscas por casos de fraudes são realizadas utilizando máquinas de busca do estado da arte. No arcabouço desenvolvido, o usuário utiliza um caso real de fraude para buscar na base de dados outros clientes com padrão semelhante de consumo de energia, os quais, potencialmente, também podem ser fraudadores. Na segunda abordagem proposta, modelamos o problema de detecção de fraudes como um problema de detecção de outliers. O método desenvolvido combina o pipeline descrito acima (de extração de deep features de representações visuais de séries temporais de consumo de energia) com um modelo estado da arte de detecção de outliers para identificar potenciais fraudadores. Essa segunda abordagem, diferentemente de nossa primeira proposta, é adequada para ser utilizada quando os usuários não têm um exemplo específico de fraude que poderia ser usado para orientar a busca de fraudes. Uma característica relevante de ambas as metodologias é que não há treinamento de classificadores, pois elas já foram concebidas para tirarem proveito da técnica de transfer learning, um procedimento bem sucedido adotado em diversas aplicações para explorar modelos pré-treinados e eliminar a necessidade de treinamento de classificadores de aprendizagem de máquinas. Outros pontos de destaque são que os dois arcabouços propostos podem ser usados tanto com medidores tradicionais quanto com medidores inteligentes e são facilmente escaláveis para trabalhar eficientemente com grandes quantidades de dados. Os experimentos de validação das propostas foram realizados em um conjunto de dados reais fornecido pela empresa CPFL Energia. Diferentes representações de imagem da série temporal e CNNs pré-treinadas foram testados para investigar qual é a melhor configuração para cada método proposto. Os resultados experimentais obtidos foram promissores tanto em termos de eficácia como de eficiência para a detecção de clientes fraudulentos.
Banca examinadora
Titulares:
Ricardo da Silva Torres IC/UNICAMP
João Paulo Papa FC/UNESP
Alexandre Mello Ferreira EEP
André Santanché IC/UNICAMP
Luiz Camolesi Júnior FT/UNICAMP
Suplentes:
Marcos Vinicius Mussel Cirne IC/UNICAMP
Fábio Luiz Usberti IC/UNICAMP
Edleno Silva de Moura ICOMP/UFAM