- O documento discute o desenvolvimento de um Sistema Imunológico Artificial para prever fraudes e furtos de energia elétrica usando dados de consumidores.
- O modelo proposto usa algoritmos imunológicos como expansão clonal para classificar consumidores.
- Os resultados experimentais mostraram que o sistema teve melhor desempenho em termos de precisão e recall em comparação com outros algoritmos de classificação.
Sistema Imunológico Artificial para Predição de Fraudes e Furtos de Energia Elétrica
1. Sistema Imunológico Artificial para
Predição de Fraudes e Furtos de
Energia Elétrica
Dissertação de Mestrado
Mauricio Volkweis Astiazara
Prof. Dr. Dante Augusto Couto Barone
Orientador
Porto Alegre, junho de 2012
2. Sumário
● Introdução
● Fraudes e Furtos de Energia Elétrica
● Modelo Proposto
● Metodologia de Validação
● Análise de Resultados
● Conclusões e Sugestões de Trabalhos
Futuros
3. Sumário
● Introdução
● Fraudes e Furtos de Energia Elétrica
● Modelo Proposto
● Metodologia de Validação
● Análise de Resultados
● Conclusões e Sugestões de Trabalhos
Futuros
5. Possíveis Aplicações
RECONHECIMENTO DE PADRÕES
VIDA ARTIFICIAL
MÉTODOS DE BUSCA E OTIMIZAÇÃO
CONTROLE E NAVEGAÇÃO AUTÔNOMA
APRENDIZAGEM DE MÁQUINA
ALOCAÇÃO DE TAREFAS
SISTEMAS BASEADOS EM AGENTES
CLASSIFICAÇÃO
MINERAÇÃO DE DADOS
DETECÇÃO DE ANOMALIAS E FALHAS
6. Motivação
● SIA ainda não está tão difundido quanto
outras áreas;
● Muitos trabalhos utilizando toy problems;
● Qual a eficácia de um Sistema
Imunológico Artificial aplicado a um
problema real?
7. Motivação
● Como seria a sua modelagem e
adaptação ao problema de um domínio
específico?
● E como ficaria seu desempenho
comparado aos algoritmos mais
tradicionais?
8. Sumário
● Introdução
● Fraudes e Furtos de Energia Elétrica
● Modelo Proposto
● Metodologia de Validação
● Análise de Resultados
● Conclusões e Sugestões de Trabalhos
Futuros
10. Fraudes e Furtos de Energia
Elétrica
● Exemplos de perdas não técnicas:
● furtos de energia,
● erros de medição,
● erros no processo de faturamento,
● consumidores sem equipamento de medição
● etc.
● ANEEL apontou em 2007 que as perdas
não técnicas correspondem a 5 bilhões de
reais anuais no país.
21. Sumário
● Introdução
● Fraudes e Furtos de Energia Elétrica
● Modelo Proposto
● Metodologia de Validação
● Análise de Resultados
● Conclusões e Sugestões de Trabalhos
Futuros
22. Conjunto de Dados
● Dados de consumidores reais de uma
cidade específica;
● Inicialmente a proporção era irreal e
alguns atributos não podiam ser usados;
● O conjunto final ficou com 19 atributos
incluindo o rótulo.
46. Sumário
● Introdução
● Fraudes e Furtos de Energia Elétrica
● Modelo Proposto
● Metodologia de Validação
● Análise de Resultados
● Conclusões e Sugestões de Trabalhos
Futuros
47. Metodologia de Validação
● Objetivos:
● Avaliar se o SIA consegue predizer os
consumidores desonestos: Ganho em
Precisão;
● Avaliar a eficácia: Medida-F;
● Avaliar a eficácia em relação a outros
métodos: Comparação com outros
algoritmos.
49. Metodologia de Validação
● Foram realizadas 10 Validações Cruzadas
Deixando Um de Fora;
● Foram calculados a Média, Desvio Padrão
e Intervalo de Confiança.
50. Sumário
● Introdução
● Fraudes e Furtos de Energia Elétrica
● Modelo Proposto
● Metodologia de Validação
● Análise de Resultados
● Conclusões e Sugestões de Trabalhos
Futuros
55. Sumário
● Introdução
● Fraudes e Furtos de Energia Elétrica
● Modelo Proposto
● Metodologia de Validação
● Análise de Resultados
● Conclusões e Sugestões de Trabalhos
Futuros
56. Conclusões (1 de 2)
● Diferente de outros trabalhos, este utilizou
métrica que faz sentido no contexto do
negócio em vez da acurácia de maneira
simplista;
● O SIA conseguiu aprender o conceito de
consumidor desonesto;
● Em termos de medida-F, o SIA ficou em
primeiro lugar.
57. Conclusões (2 de 2)
● SIA deve ser considerado um candidato
em potencial para resolver problemas de
classificação;
● Os algoritmos de classificação utilizados
poderão produzir resultados melhores
com uma parametrização adequada.
58. Sugestões de Trabalhos Futuros
● Algoritmos de seleção de atributos;
● Explorar outras medidas de distância para
dados categóricos;
● Uso do histórico de consumo poderia ser
melhorado (série temporal);
● Simplificação da parametrização.
59. Continuidade do Trabalho na CEEE
● Primeiros resultados com dados reais
foram considerados pela CEEE muito
positivos;
● CEEE solicitou continuidade com mais
dados reais;
● Sugerimos palestra sobre a tarefa de
classificação, suas etapas e ferramentas
(ensinar a pescar).