15jun2026
15:00 Defesa de Doutorado UNICAUCA (Colômbia)
Tema
Network Slicing in 5G for communication network management in power substations
Aluno
Edwin Ferney Castillo Quintero
Orientador / Docente
Nelson Luis Saldanha da Fonseca e Oscar Mauricio Caicedo Rendon (cotutela - UNICAUCA)
Breve resumo
A Smart Grid 2.0 (SG 2.0) integra comunicações avançadas, Aprendizado de Máquina (ML, Machine Learning) e Infraestrutura Avançada de Medição (AMI, Advanced Metering Infrastructure) para aprimorar as capacidades de controle, proteção, comunicação e monitoramento dos sistemas elétricos de potência. A Detecção de Furto de Energia Elétrica (ETD, Electricity Theft Detection) é fundamental na SG 2.0 porque o furto gera perdas econômicas superiores a US$ 25 bilhões anuais em todo o mundo, impede que os Operadores de Sistemas de Distribuição (DSOs, Distribution System Operators) recuperem os custos de energia não pagos e provoca desequilíbrios de tensão, sobre-cargas em transformadores e aumento dos custos operacionais. As soluções existentes de ETD utilizam dados de consumo em larga escala coletados por AMI, juntamente com ML centralizado e Aprendizado Federado (FL, Federated Learning), para detectar com precisão o furto de energia elétrica. No entanto, essas abordagens frequentemente negligenciam a necessidade de alcançar simultaneamente alto desempenho de detecção, baixo consumo de recursos e processos de tomada de decisão explicáveis. Essa limitação é particularmente relevante na SG 2.0, onde os resultados da ETD podem resultar em inspeções, penalidades ou interrupções do serviço, exigindo decisões auditáveis e transparentes.
Esta tese desenvolve uma abordagem baseada em Inteligência Artificial Explicável (XAI, eXplainable Artificial Intelligence) e FL para uma ETD eficaz e explicável em SG 2.0 habilitada por Network Slicing. Especificamente, busca: (i) projetar uma abordagem baseada em XAI e FL para explicar e otimizar a ETD; (ii) prototipar mecanismos que melhorem a eficácia e a explicabilidade da ETD; e (iii) avaliar a abordagem em termos de desempenho de aprendizado, sobrecarga de comunicação e computação e explicabilidade. Essa abordagem compreende dois componentes principais. Em primeiro lugar, uma abordagem explicável de seleção de clientes, denominada xCS, fornece uma seleção de clientes eficaz, explicável e confiável durante o treinamento federado. O xCS estende o FL tradicional por meio das políticas Ranking e Quartile, apoiadas por algoritmos para aplicação dessas políticas e cálculo do valor de contribuição. As contribuições dos clientes são estimadas utilizando índices da teoria dos jogos, incluindo Banzhaf (BZ), Least Core (LC), Johnston (JT) e Shapley Value (SV), aumentando a explicabilidade e a confiabilidade da seleção de clientes. Em segundo lugar, uma abordagem explicável de ETD, denominada xETD, combina FL, XAI e técnicas de compressão de modelos (i.e., pruning e quantization) para alcançar elevada eficácia de detecção com baixo consumo de recursos. O xETD estende o FL por meio de duas políticas baseadas em XAI: Adaptive Uplink Compression (AdapUp) e Static Downlink Compression (StatDown).
As avaliações do xCS sob diferentes níveis de heterogeneidade dos dados demonstraram sua eficácia e robustez. Os resultados indicam que BZ, LC e JT são recomendados para cenários de larga escala ou sensíveis ao tempo, nos quais a redução da duração do treinamento é crítica, enquanto o SV permanece preferível quando o objetivo principal é maximizar o desempenho de aprendizado. As análises de robustez mostraram que políticas baseadas em BZ produziram valores de contribuição mais estáveis sob perturbações nos dados do que as alternativas baseadas em SV, LC e JT. Esses achados demonstram que BZ, LC e JT oferecem alternativas leves e eficientes ao SV, mantendo desempenho de aprendizado comparável. As avaliações do xETD demonstraram sua eficácia e redução no consumo de recursos. Os resultados mostram que o xETD reduz a sobrecarga de comunicação e computação, bem como o tempo de convergência, incorrendo apenas em reduções marginais de accuracy e F1-score em comparação com abordagens existentes de ETD baseadas em FL. Em conjunto, os resultados demonstram que o uso combinado de xCS e xETD constitui uma solução promissora para uma detecção de furto de energia elétrica eficaz, explicável e confiável na SG 2.0.
Banca examinadora
Titulares:
| Nelson Luis Saldanha da Fonseca | IC/UNICAMP |
| Oscar Mauricio Caicedo Rendon | DTm/UNICAUCA |
| Gustavo Adolfo Ramirez Gonzalez | DTm/UNICAUCA |
| Carlos Alberto Astudillo Trujillo | IC/UNICAMP |
| Edmundo Roberto Mauro Madeira | IC/UNICAMP |
| Jeferson Campos Nobre | INF/UFRGS |
Suplentes:
| Não há | --- |