Download PDF
ads:
I
Detecção de fraudes em consumidores de energia elétrica
da classe Alta Tensão Horo Sazonal, utilizando Mapas
Auto Organizáveis Self-Organizing Maps (SOM),
baseado em análise de memórias de massa.
Fernando Antonio Camargo Guimarães
CAMPO GRANDE
2008
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
II
UNIVERSIDADE FEDERAL DO MATO GROSSO DO SUL
PROGRAMA DE PÓS-GRADUAÇÃO
EM ENGENHARIA ELÉTRICA
Detecção de fraudes em consumidores de energia elétrica
da classe Alta Tensão Horo Sazonal, utilizando Mapas
Auto Organizáveis Self-Organizing Maps (SOM),
baseado em análise de memórias de massa.
Tese submetida à
Universidade Federal de Mato Grosso do Sul
como parte dos requisitos para a
obtenção do grau de Mestre em Engenharia Elétrica
.
Fernando Antonio Camargo Guimarães
Campo Grande, Junho de 2008.
ads:
III
Detecção de fraudes em consumidores de energia elétrica
da classe Alta Tensão Horo Sazonal, utilizando Mapas
Auto Organizáveis Self-Organizing Maps (SOM),
baseado em análise de memórias de massa.
Fernando Antonio Camargo Guimarães
‘Este trabalho de dissertação foi julgado adequado como parte dos requisitos necessários
para a obtenção do grau de Mestre em Engenharia Elétrica, Área de Concentração em
Inteligência Artificial Teoria e Aplicações’.
Banca Examinadora:
____________________________
Prof. Dr. João Onofre Pereira Pinto
Orientador
DEL/CCET/UFMS
____________________________
Prof. Dr. Evandro Mazina Martins
DEL/CCET/UFMS
____________________________
Prof. Dr. Germano Lambert Torres
UNIFEI/Itajubá
IV
À minha esposa Raquel Andrés Caram Guimarães
À minha filha Catarina Andrés Caram Guimarães
Ao meu filho Victor Andrés Caram Guimarães
Aos meus pais,
Ruy Cardoso Guimarães e Gessy Camargo Guimarães
V
Agradecimentos
A Deus, porque me deu a oportunidade da vida.
Ao Professor João Onofre Pereira Pinto, pela paciência e compreensão de minhas limitações.
Aos colegas e amigos de mestrado Anderson Teruya e Faete sem os quais eu não teria
conseguido.
VI
Resumo da Dissertação apresentada à UFMS como parte dos requisitos necessários
para a obtenção do grau de Mestre em Engenharia Elétrica.
Detecção de fraudes em consumidores de energia elétrica
da classe Alta Tensão Horo Sazonal, utilizando Mapas
Auto Organizáveis Self-Organizing Maps (SOM), baseado
em análise de memórias de massa.
Fernando Antonio Camargo Guimarães
Junho/2008
Orientador: Dr. João Onofre Pereira Pinto, PhD.
Área de Concentração: Inteligência Artificial, teoria e aplicações.
Palavras-chave: SOM - Self-Organizing Maps, Detecção de Fraudes, Memória de
Massa, Consumo de Energia Elétrica, Grupo Tarifário Horo Sazonal, Redes Neurais
Número de Páginas: 78
RESUMO
O presente trabalho tem por objetivo pesquisar e identificar a melhor configuração de
rede SOM - Self-Organizing Maps, capaz de apontar a partir das memórias de massa
retiradas dos medidores de clientes de alta tensão da concessionária Enersul, potenciais
fraudadores. Uma vez determinada a melhor configuração da rede SOM, esta poderá
orientar a área de perdas das concessionárias, quais os clientes que apresentem
características de fraudadores e que deverão sofrer inspeções.
VII
Abstract of Dissertation presented to UFMS as a partial fulfillment of the
requirements for the degree of Master in Electrical Engineering.
Fraud Detection in Hourly fashioned Electrical Energy
Consumer through the use of Artificial Neural Networks
(SOM) based on Mass Memories Analysis.
Fernando Antonio Camargo Guimarães
Junho/2008
Orientador: Dr. João Onofre Pereira Pinto, PhD.
Área de Concentração: Inteligência Artificial, teoria e aplicações.
Palavras-chave: SOM - Self-Organizing Maps, Detecção de Fraudes, Memória de
Massa, Consumo de Energia Elétrica, Grupo Tarifário Horo Sazonal, Redes Neurais
Número de Páginas: 78
ABSTRACT
The actual presentation target is to research and identify the best configuration for the
SOM (Self Organizing Maps) network, ready to show from the mass memories taken
from the service provider (Enersul) high tension consumers’ meters’, potential
fraudulent consumers. Once established the best SOM network configuration it will be
one which will guide the service provider losses department in pointing customers that
hint fraudulent characteristics behavior that must go through mandatory inspections.
VIII
Abreviaturas / Siglas
ANEEL Agência Nacional de Energia Elétrica
ABRADE Associação Brasileira de Distribuidores de Energia Elétrica
Ch. Af. Chave de aferição
CELESC Centrais Elétricas de Santa Catarina
CESP Centrais Elétricas de São Paulo
DEC Duração Equivalente de Interrupção por Unidade Consumidora
d (x,y) Distância do vetor x para o vetor y
Dem Demanda registrada na memória de massa
kj
d
Distância lateral entre o vizinho (k) e o neurônio vencedor (l)
ELETROBRÁS Centrais Elétricas do Brasil S/A
ESB Eletronic Services
FEC Freqüência Equivalente de Interrupção por Unidade Consumidora
)
(
)(
i
tkj
h
função de vizinhança para o vizinho (k) em relação ao vencedor
(l) para o dado (t) na iteração (i), determina o nível de operação;
I Corrente consumida em ampéres
KDD Descoberta de Conhecimento em Base de Dados
kV quilo volt
kVar quilo volt – ampère -reativo
kVarh quilo volt – ampère – reativo - hora
kW quilo watts
kWh quilo watts - hora
LVQ Learning Vector Quantization
MATLAB Programa de computador
MWh megawatts-hora
IX
MDA Minimal decision algorithm
n Número total de dimensões ou atributos.
P Potência requerida
PG Perdas globais
PLAWIN Programa desenvolvido pela ESB
PNTr Perdas não técnicas regulatórias
PTr Perdas técnicas regulatórias
RNA Rede Neural Artificial
SOM Self Organizing Maps
TCs Transformadores de Corrente
TMA Tempo Médio de Atendimento
TPM Topology Preserving Map
TPs Transformadores de Potencial
i
x
Elemento da dimensão ou atributo i do vetor x
i
y
Elemento da dimensão ou atributo i do vetor y
)
(
i
σ
Largura da vizinhança (abrangência) na iteração (i).
X
Lista de Figuras
Figura 1.1 – Flagrante de furto de energia elétrica........................................................01
Figura 1.2 - Distribuidoras de Energia Elétrica no Brasil (51) Fonte ANEEL 2006....04
Figura 1.3 – Influência Consumo Irregular nas Perdas.................................................05
Figura 1.4 – Trajetória de perdas...................................................................................05
Figura 1.5 – Perdas por região – (Concessionária estudada ano 2003).........................06
Figura 1.6 – Número de Irregularidades por tipo (Fonte: Concessionária em estudo
2004) .............................................................................................................................08
Figura 1.7 – Exemplo de desvio no ramal de ligação....................................................09
Figura 1.8 – Exemplo de desvio no ramal de entrada...................................................09
Figura 1.9 – Exemplo de fraude interna no medidor.....................................................10
Figura 1.10 – Exemplo de fraude interna no medidor...................................................11
Figura 1.11 – Exemplo de fraude no medidor, sem a retirada da tampa de vidro e sem a
violação do lacre da tampa de bornes............................................................................12
Figura 1.12 – Exemplo de desvio na chave de aferição................................................13
Figura 3.1. Rede Neural do tipo Perceptron..................................................................24
Figura 3.2 - Rede Auto-Organizável.............................................................................25
Figura 3.3 – Rede feedforward......................................................................................27
Figura 3.4 - Representação do processo competitivo, todos os modelos recebem a
mesma informação, mas apenas um é ativado...............................................................30
Figura 3.5 - Função de vizinhança aplicada em um mapa hexagonal 4x4....................31
Figura 3.6 – Linha 1 – Função Seno – 63 Registros....................................................34
Figura 3.7 – Linha 2 – Função Co-seno – 63 Registros..............................................34
Figura 3.8 – Linha 3 – Função Tangente – 63 Registros.............................................34
XI
Figura 3.9- Classificação da rede SOM, com uma base de dados gerada a partir das
curvas das Funções Seno, Co-seno e Tangente.............................................................35
Figura 4.1 - Tela do Programa PLAWIN.....................................................................39
Figura 4.2 – Tela MATLAB.........................................................................................44
Figura 4.3 - Fluxograma da seqüência de trabalho.......................................................44
Figura 4.4 – Mapa SOM – Quarta Feira Sem Fraudadores...........................................47
Figura 4.5 – Mapa SOM – Quarta Feira Com Fraudadores..........................................48
Figura 4.6 – Consumo x Pulsos – Normal.....................................................................52
Figura 4.7 – Consumo x Pulsos – 1º semana normal e após com fraude em 1 fase (1/3
de redução)....................................................................................................................53
Figura 4.8 –Consumo x Pulsos-1º semana normal e após com fraude em 2 fases(2/3 de
redução).........................................................................................................................54
Figura 4.9 – Consumo x Pulsos – 1º e 2º semanas normais e após com fraude em 1 fase
(1/3 de redução) ............................................................................................................55
Figura 4.10 – Consumo x Pulsos – 1º e 2º semanas normais e após com fraude em 2
fases (2/3 de redução) ...................................................................................................55
Figura 5.1 – Mapa SOM – Quarta Feira Com Fraudadores Reais e 4 Novos
Fraudadores Construídos...............................................................................................57
XII
Lista de Tabelas
Tabela 3.1 – Histórico das Redes Neurais.....................................................................23
Tabela 3.2 – Planilha com curvas Seno Co-seno e Tangente........................................33
Tabela 4.1 – Tabela com características de consumo dos dias da semana dos clientes
Comerciais, Industriais, Rurais, Livres, Poder Público e Serviço Público para os meses
de Janeiro e Fevereiro....................................................................................................41
Tabela 4.2 – Tabela com características de consumo dos dias da semana dos clientes
Comerciais e Industriais para os meses de Janeiro e
Fevereiro........................................................................................................................42
Tabela 4.3 – Tabela com os arquivos utilizados para os testes de aplicação da SOM..43
Tabela 4.4 – Análise dos Clientes x Clientes Fraudadores...........................................50
Tabela 5.1 – Análise da apresentação dos novos clientes incluindo os novos
fraudadores criados........................................................................................................58
Tabela 5.2 – Relações apresentação dos novos clientes (e fraudadores
criados)..........................................................................................................................59
XIII
SUMÁRIO
Abreviaturas / Siglas................................................................................................VIII
Lista de Figuras............................................................................................................X
Lista de Tabelas.........................................................................................................XII
1 – Conceito de Fraude em Consumo de Energia Elétrica......................................01
1.1 – Introdução..................................................................................................01
1.2 – Conceito de Fraude....................................................................................07
1.3 - Tipos mais comuns de fraudes..................................................................07
1.3.1 - Desvio no ramal de ligação........................................................08
1.3.2 - Desvio no disjuntor.....................................................................09
1.3.3 - Desvio do ramal de entrada.......................................................09
1.3.4 - Interferência no medidor...........................................................10
1.3.5 - Interferência na chave de aferição............................................12
1.3.6 - Interferência nos transformadores para instrumentos...........13
1.3.7 - Interferência na fiação secundária...........................................14
1.3.8 - Ligação à revelia.........................................................................14
1.3.9 - Religação à revelia......................................................................14
1.4 - Ações para combater as Fraudes..............................................................15
2 – Revisão bibliográfica ...........................................................................................16
3 – Ferramenta Proposta para a Solução do Problema SOM.................................21
3.1 – História.......................................................................................................22
3.2 - O Algoritmo................................................................................................28
3.3 – Formação do Mapa....................................................................................29
3.4 – Exemplo do uso da SOM para classificação de sinais............................32
4 – Metodologia Proposta para o desenvolvimento do trabalho.............................36
4.1 - Levantamento das memórias de massa dos clientes................................36
4.2 - Levantamento das memórias de massa dos clientes fraudadores..........36
4.3 - Escolha do método de análise – especialista.............................................37
XIV
4.4 - Formatação das memórias de massa........................................................38
4.5 - Aplicação da Ferramenta – SOM.............................................................43
4.6 – Criação de memórias de massa de clientes fraudadores........................51
5 – Simulações e resultados.........................................................................................56
6 – Conclusão...............................................................................................................60
7 – Bibliografia.............................................................................................................62
1
1 - Conceito de Fraude em Consumo de Energia Elétrica
1.1 - Introdução
A legislação do setor elétrico nacional estipula um valor máximo de repasse de
perdas, técnicas e comerciais, à tarifa de energia elétrica dos consumidores de uma
distribuidora. Deste modo a diminuição das perdas, além de possibilitar a redução da
tarifa para todos os seus consumidores, possibilita a diminuição da perda de receita das
concessionárias.
O combate e a prevenção à fraude/furto de energia representam um dos fatores
de maior importância para a minimização das perdas comerciais das concessionárias
de energia elétrica. Chegam a quase 3,5 bilhões de reais as perdas das distribuidoras de
energia no Brasil, com furtos e fraudes de eletricidade por parte dos consumidores. A
Figura 1.1 abaixo mostra um fragrante de furto de energia em um bairro da periferia de
uma das grandes cidades brasileiras. (Fonte: acervo da ABRADE 2000 a 2006).
Figura 1.1 – Flagrante de furto de energia elétrica.
O maior rombo ocorre na Light, que atende a 3,79 milhões de unidades
consumidoras em 28 municípios do estado do Rio de Janeiro. A concessionária perde
720 milhões de reais anuais com esses desvios.
Proporcionalmente, a maior distribuidora prejudicada no Brasil é a Ceron, de
Rondônia, em que as chamadas perdas não-técnicas alcançam 35% do mercado que ela
atende.
2
Os números fazem parte do levantamento preparado pela Agência Nacional de
Energia Elétrica (Aneel) em 2006, com base nas informações enviadas ao órgão
regulador pelas próprias distribuidoras no momento em que elas se submetem ao
processo de revisão tarifária, a cada quatro anos.
Foram levantados os números de 61 concessionárias, de todas as regiões do
país. A conclusão é alarmante: as perdas atingem 15 milhões de Mwh por ano – o
suficiente para abastecer ininterruptamente o Distrito Federal por quase quatro anos.
A seguir está detalhado o conceito de “Perdas Comerciais”, sua diferença em
relação as perdas técnicas, e os principais tipos de fraude encontradas.
De acordo com os contratos de concessão para distribuição de energia elétrica
celebrados com a União, a receita inicial da concessionária de energia elétrica é
dividida em duas parcelas: parcelas A e B.
A parcela A envolve os chamados “custos não gerenciáveis”, explicitados no
contrato e cujos montantes e variações fogem à vontade ou influência direta da
distribuidora, como a compra de energia, os custos de transmissão e os encargos
setoriais. A parcela B compreende o valor remanescente de receita, envolvendo,
portanto, os ditos “custos gerenciáveis”. Esses constituem custos próprios da atividade
de distribuição e de gestão comercial dos clientes, que estão sujeitos ao controle ou
influência das práticas gerenciais adotadas pela empresa, ou seja, os custos de
operação (pessoal, material e serviços de terceiros). Além desses, a parcela B inclui a
remuneração de capital e os tributos. Os contratos de concessão contemplam
procedimentos específicos para reajuste dessas parcelas durante cada ano do ciclo
tarifário.
É conhecida a existência de perdas de energia ao longo da cadeia produção-
transporte-consumo de energia elétrica. Em um enfoque por segmento, as perdas de
energia influem na quantidade de energia comprada e que compõe, como já foi
esclarecido, a Parcela A da receita de distribuição. Logo, quanto menor o valor das
3
perdas, maior o benefício auferido pelos consumidores, com reflexos positivos na
modicidade tarifária.
As perdas são separadas em:
a) Perdas Técnicas: constituem a quantidade de energia elétrica, expressa em
megawatt-hora por ano (Mwh/ano), dissipada entre os suprimentos de energia
da distribuidora e os pontos de entrega nas instalações das unidades
consumidoras ou distribuidoras supridas. Essa perda é decorrente das leis da
Física relativas aos processos de transporte, transformação de tensão e das
perdas inerentes aos equipamentos de medição; e
b) Perdas Não Técnicas: apuradas pela diferença entre as perdas totais e as
perdas técnicas, considerando, portanto, todas as demais perdas associadas à
distribuição de energia elétrica, tais como furtos de energia, erros de medição,
erros no processo de faturamento, unidades consumidoras sem equipamento de
medição, etc.
Conforme mencionado, um nível elevado de perdas será suprido com
acréscimo na energia gerada. Dado que o custo marginal de longo prazo de geração
tende a ser mais alto que os custos associados à redução de perdas técnicas e não
técnicas na atividade de distribuição de energia, torna-se importante a gestão dessas
perdas, com o objetivo de reduzi-las. Como mostra a Figura 1.2, para uma amostra de
51 distribuidoras do primeiro ciclo de revisão tarifária, a média de perdas de energia
foi de 5,67% (não técnicas) e 8,18% (técnicas). Contudo, têm-se exemplos de todas as
composições (elevadas perdas técnicas e não técnicas, ou somente uma das duas
componentes), existindo empresas com níveis de perdas acima de 30% de seu mercado
de energia.
4
0,00%
5,00%
10,00%
15,00%
20,00%
25,00%
30,00%
35,00%
40,00%
45,00%
50,00%
Perda Não técnica
Perda Técnica
Figura 1.2 - Distribuidoras de Energia Elétrica no Brasil (51)
Fonte ANEEL - 2006
As perdas técnicas não são proporcionais à energia. Variam com o quadrado
da potência consumida. Isto é, se tivermos duas cargas com o mesmo consumo, mas
com diferentes distribuições de potências, as perdas serão diferentes. Sabe-se ainda
que a obrigação da distribuidora está no planejamento de seu sistema para atendimento
do mercado faturado. Assim, pode-se prever que as perdas não técnicas devido a furtos
e desvios de energia, provocam um adicional de perdas técnicas, pois os
alimentadores, transformadores e outros equipamentos podem operar acima do
carregamento de projeto, implicando em temperaturas mais elevadas de operação que
afetam as perdas técnicas.
A Figura 1.3 representa duas cargas, sendo uma regular (Ir) e outra com fraude
(Ii). A Equação 1.1 descreve a influência das fraudes no aumento da potência
requerida da distribuidora de energia. A influência das perdas não técnicas nas perdas
técnicas não pode ser desprezada. Assim, quantificar e reduzir esse montante são ações
imprescindíveis para a sociedade.
5
Figura 1.3 – Influência Consumo Irregular nas Perdas
(1.1)
P = Perdas
Ir = Corrente consumida pelos consumidores regulares
Ii = Corrente consumida pelos consumidores irregulares –
com fraude
Graficamente, o impacto e o tratamento da trajetória de perdas estão
demonstrados na Figura 1.4, considerando cada componente:
Figura 1.4 – Trajetória de perdas
A - Perdas técnicas devido aos consumidores regulares
B - Perdas técnicas devido aos consumidores não regulares
C - Perdas não técnicas não gerenciáveis
D - Perdas gerenciáveis
PTr(0
)
Ciclo
PG (0)
Valor
reconhecido
A
B
C
PG (1)
0
1
D
PNTr (0)
PG
–
perdas globais
PNTr – Perdas não técnicas regulatória
PTr – Perdas técnicas regulatórias
I
I
I
I
P
iirr
22
..
2
++≈
Influência do consumo
irregular - Fraudes
6
Na Figura 1.4, são apresentadas as perdas reconhecidas pela ANEEL, cujo
custo financeiro é absorvido por todos os consumidores através das tarifas (PG1). A
diferença entre as perdas reais (PG0) e as perdas reconhecidas (PG1), implica em
prejuízos para as concessionárias de energia elétrica. No caso das concessionárias
privatizadas, o prejuízo fica com os acionistas, e nas não privatizadas, com o povo.
Combatendo as fraudes, haverá uma diminuição das áreas B (perdas técnicas devido
aos consumidores não regulares) e C (perdas não técnicas não gerenciáveis). O maior
percentual de perdas não técnicas está associado ao furto de energia e, como foi visto,
essas perdas estão associadas a diversos fatores. Uma redução de tais perdas traz
conseqüências não só do ponto de vista econômico, mas também do social. No caso da
concessionária objeto do estudo, as perdas no ano de 2003, ficaram na ordem de 15%,
sendo a contribuição por região e principais cidades, mostradas na Figura 1.5 abaixo:
Figura 1.5 – Perdas por região – (Concessionária estudada ano 2003)
Corumba
7,7
Eldorado, M.Novo,
Iguatemi,
S.
Quedas
5,5
Dou.
5,3
N A
3,11
São Gabriel
2,9
Aquidauana
3,0
Ponta Pora
2,8
Jardim
3,3
Coxim, R. Negro,
P.Gomes,
4,5
Demais
23,0
CG
38,4
7
Este trabalho tem como objetivo obter uma rede neural artificial tipo Mapas
Auto Organizáveis (SOM – Self Organizing Map), capaz de apontar potenciais
fraudadores a partir das memórias de massa retiradas dos medidores de clientes de alta
tensão de uma concessionária de energia elétrica. Sua finalidade é tornar-se uma
ferramenta de apoio à área comercial das empresas concessionárias de energia na
determinação dos clientes a serem inspecionados em campo, buscando a minimização
das perdas comerciais.
1.2 – Conceito de Fraude
O conceito de fraude pressupõe uma ação ilícita e consciente do cliente.
Resumidamente pode-se identificar uma fraude como sendo qualquer ato provocado
intencionalmente com o objetivo de diminuir o registro da energia efetivamente
consumida na unidade consumidora.
1.3 - Tipos mais comuns de fraudes
Considerando as fraudes encontradas em campo, podem-se identificar
alguns tipos mais comuns, listados a seguir. A Figura 1.6, abaixo, apresenta o número
de irregularidades, por tipo, na Concessionária objeto do estudo acumulado nos meses
de Jan/Ago de 2004. Nesta, podemos verificar que as fraudes mais grosseiras, são as
que representam o maior volume de ocorrência 74 % (fraudes antes do medidor +
auto-religado) e as fraudes mais “trabalhadas” representam 9,1 % (fraude no medidor
+ fraude nos equipamentos auxiliares de medição TC/TP/Ch. Af.).
8
O que surpreende, é a crescente criatividade dos ditos “técnicos” que
prometem uma redução de consumo aos clientes, mediante pagamento. Normalmente
estes técnicos vendem as “soluções de redução de consumo” em troca da economia
que o cliente vier a ter nas primeiras 3 ou 4 faturas de energia após a realização do
“trabalho”. Alguns clientes acabam embarcando nesta sem a intenção de roubar, mas
sendo enganados por estes técnicos que prometem uma redução de consumo após a
instalação de algum equipamento por eles inventado.
Figura 1.6 – Número de Irregularidades por tipo (Fonte: Concessionária em estudo
2004)
1.3.1 – Desvio no ramal de ligação
Derivação de energia, praticada nos condutores que interligam o poste da
concessionária e a entrada de serviço da unidade consumidora. Na Figura 1.7, são
mostrados vários fios chegando ao sistema de baixa tensão da concessionária e ligada
diretamente no vão dos cabos, isto é, ligações clandestinas efetuadas sem a menor
segurança.
Fraude no Medidor
8,6%
Fraude TC/TP/Ch. Af.
0,5%
Fraude - Outras
0,8%
Fraude Antes Medidor
34,5%
Falha Medição
16,0%
Auto-religado
39,5%
Fraude Antes Medidor
Fraude no Medidor
Fraude TC/TP/Ch. Af.
Fraude - Outras
Falha Medição
Auto-religado
Número de Irregularidades por Tipo
(Acumulado - Jan / Ago 2004)
9
Figura 1.7 – Exemplo de desvio no ramal de ligação
1.3.2 - Desvio no disjuntor
Derivação de energia, praticada nos bornes do disjuntor. Pode se dar na
entrada ou na saída do disjuntor. Se a derivação se der nos bornes de saída, ao se
desligar o disjuntor, a carga que estiver sendo alimentada clandestinamente ficará sem
energia. Se a derivação se der nos bornes de entrada do disjuntor, além da prática
ilícita do furto de energia, o consumidor estará, ainda, sobrecarregando o ramal de
entrada e/ou de ligação que foi dimensionado para a corrente nominal do disjuntor.
1.3.3 - Desvio do ramal de entrada
Derivação efetuada no trecho da fiação compreendida entre o pingadouro e a
caixa de medição. Essa forma de desvio normalmente é executada no interior da
parede, do muro ou mureta, interceptando-se o eletroduto e a fiação para efetuar a
derivação. Na Figura 1.8 tem-se um exemplo de derivação em dois fios dentro da
mureta onde está instalado o medidor.
Figura 1.8 – Exemplo de desvio no ramal de entrada
10
1.3.4 - Interferência no medidor
Pode ser provocada de diversas formas, tais como, a retirada da tampa de vidro,
conseqüentemente violando o lacre de aferição, e efetuando-se uma das seguintes
ações:
• manipulação dos ponteiros alterando-se o consumo registrado;
• introdução de qualquer objeto que altere o giro do disco do medidor;
• manipulação na fiação interna do medidor;
• provocação de avarias nas bobinas de corrente e/ou de tensão, etc.
Na Figura 1.9, tem-se exemplo de manipulação na fiação interna do medidor
através de “jumper” entre a entrada e saída realizada com fios da cor verde. Na Figura
1.10, tem-se outro exemplo de manipulação na fiação interna do medidor através de
“jumper” entre a entrada e saída realizada com fios da cor preta.
Figura 1.9 – Exemplo de fraude interna no medidor
11
Figura 1.10 – Exemplo de fraude interna no medidor
De outro modo, sem a retirada da tampa de vidro é possível efetuar as
seguintes ações:
• perfuração da carcaça ou da tampa e introdução de objetos ou manipulação
dos mecanismos internos do medidor;
• manipulação da fiação de ligação do medidor invertendo o sentido da
corrente nas bobinas do medidor - sem a violação do lacre da tampa de
bornes;
• manipulação da fiação de ligação do medidor ou das conexões internas dos
bornes invertendo o sentido da corrente nas bobinas do medidor - com a
violação do lacre da tampa de bornes;
Na Figura 1.11, tem-se exemplo de manipulação da fiação de ligação do
medidor invertendo o sentido da corrente nas bobinas do medidor - sem a violação do
lacre da tampa de bornes.
12
Figura 1.11 – Exemplo de fraude no medidor, sem a retirada da tampa de vidro e sem a
violação do lacre da tampa de bornes
1.3.5 - Interferência na chave de aferição
A interferência na chave de aferição normalmente é precedida das violações
do lacre da caixa de medição e do lacre da tampa da chave de aferição. São
interferências mais simples e mais fáceis de serem identificadas, indicando que foram
realizadas por uma pessoa com poucos conhecimentos na área. Exemplos de
interferências normalmente encontradas nas chaves de aferição:
• manipulação das lâminas da chave de aferição provocando a interrupção do
fluxo normal da corrente secundária que deve circular pelo medidor;
• provocação de alterações sobre as conexões da fiação com a chave;
• operação eventual de um ou mais pólos da chave de aferição, para que o
medidor registre apenas o que se deseja.
Na Figura 1.12, tem-se exemplo de manipulação da fiação das lâminas da
chave de aferição.
13
Figura 1.12– Exemplo de desvio na chave de aferição
1.3.6 - Interferência nos transformadores para instrumentos
A interferência nos transformadores para instrumentos normalmente é
precedida de um desligamento longo na entrada de energia. São interferências mais
complexas e mais difíceis de serem identificadas, indicando que foram realizadas por
uma pessoa com conhecimentos na área. Exemplos de interferências normalmente
encontradas nos transformadores para instrumentos:
• alteração provocada na forma de ligação dos TPs e/ou TCs;
• adulteração da placa de identificação;
• alteração dos taps de ligação;
• inversão de ligações, etc.
14
1.3.7 - Interferência na fiação secundária
A interferência na fiação secundária normalmente não é precedida de um
desligamento na entrada de energia. São interferências mais simples, porém difíceis de
serem identificadas, sendo normalmente a de maior ocorrência. Exemplos de
interferências normalmente encontradas nas fiações secundárias:
• inversão das ligações da fiação, na saída dos transformadores, nas réguas de
bornes das caixas de passagem ou nas conexões com a chave de aferição;
• seccionamento do condutor internamente à isolação dificultando que se
perceba em uma inspeção visual;
• aplicação de material isolante nas conexões da fiação com a chave de
aferição ou com os TPs e TCs, etc.
1.3.8 - Ligação à revelia
Ligação de unidade consumidora, derivando-se diretamente da rede secundária
ou de qualquer ramal de ligação de unidade consumidora vizinha, clandestinamente.
1.3.9 - Religação à revelia
Religação de unidade consumidora, sem medição, que tenha sido desligada a
pedido do consumidor ou por iniciativa da concessionária, clandestinamente.
15
1.4 – Ações para combater as fraudes
A concessionária tem um conjunto de ferramentas e possibilidades para
gerenciar essas situações, em geral muito mais efetivas e sem as conseqüências
negativas da suspensão do fornecimento.
É importante que a concessionária desenvolva soluções técnicas e comerciais
adequadas para dificultar a fraude e difundir a “cultura” de uso regular da energia
elétrica e da adimplência no pagamento. Entre essas ações, destacam-se:
• Ação de combate permanente e efetivo por parte de toda a empresa,
principalmente, das áreas com relacionamento direto com os consumidores;
• Promoção da cultura de eficiência energética e adequação do consumo de
energia as possibilidade de pagamento por parte dos consumidores;
• Implementação de novas tecnologias para as redes de distribuição, ramais
de serviço, medidores e programas de computação para análise;
Dentro da filosofia de implementação de novas tecnologias é que o presente
trabalho se encaixa, buscando ajudar a coibir uma prática tão nociva à sociedade.
16
2 - Revisão bibliográfica
Nesta seção são apresentados os principais artigos relativos a fraudes em
concessionária de energia elétrica pesquisados durante a elaboração deste trabalho.
Nestes artigos, encontram-se aplicações de Árvore de Decisão, Rough Sets, SOM -
Self Organizing Map, os estudos de Kohonen (KOHONEN, T., 2001) além de
referências sobre perdas comerciais (fraudes), sua detecção e métodos de análise.
Foram pesquisados também, alguns artigos sobre fraudes em cartões de créditos e em
concessionárias de distribuição de água.
Juntamente com as empresas distribuidoras e energia elétrica, as empresas de
distribuição de água, são uns dos segmentos empresarias que mais sofrem a ação de
fraudes. Passini 2002, utilizando o programa DB2 Intelligent Miner indica que na
Sanasa, empresa de distribuição de água de Campinas em um total de 26,6% de perdas
na distribuição, 5% pode ser considerada como fraudes.
Outro segmento importante e onde se concentra a maioria dos trabalhos publicados
sobre fraude é a área de cartões de crédito. Kou et al., 2004 faz uma revisão dos
principais métodos de detecção de fraudes utilizando técnicas de inteligência artificial
nesta área. Normalmente estas fraudes em cartões de crédito não vêm a publico e são
normalmente abafadas pelas próprias instituições financeiras com a finalidade de
preservar a credibilidade junto aos clientes. Deste modo estes tipos de fraudes são
pouco conhecidos.
Aleskerov et al., 1997 apresenta o CARDWATCH sendo um programa de
mineração de dados voltado para a detecção de fraudes em cartões de crédito,
baseando-se em uma rede neural artificial de alimentação direta (feedforward). Tendo
conseguido como resultado uma taxa de acerto de 85% na detecção de fraudes.
17
Reis et al., 2004 apresentaram um sistema baseado em “Árvore de decisão”
com intuito de pré-seleçionar consumidores de energia elétrica para inspeção. O
objetivo principal foi o de detectar fraudes e erros de medição. Foi conseguida uma
taxa de acerto de 40% para detecção de fraudadores, utilizando um universo de 40.000
registros e cinco atributos previamente selecionados. O resultado foi bem melhor que
os 15% normalmente conseguidos pela concessionária estudada. No trabalho foi
utilizada “Árvore de Decisão” como ferramenta de mineração de dados. A idéia foi a
de desenvolver um sistema que levaria ao aumento das inspeções bem sucedidas de
clientes de baixa tensão de concessionária de energia elétrica, visando diminuir as
perdas comerciais. O sistema elaborado identificou consumidores potencialmente
suspeitos e elaborou uma lista para inspeção. Apesar de o trabalho ter atingido o
objetivo proposto, o autor enumerou vários problemas encontrados durante a análise e
aplicação da ferramenta: dificuldade de acesso direto aos dados de origem; dados
incompletos ou com inconsistências; utilização de consumo mínimo em determinada
faixa; dados nulos e a simplificação na classificação utilizada.
Cabral et al., 2004 identificaram padrões de comportamento fraudulentos em
dados históricos utilizando a técnica de inteligência artificial “Rough Sets”. Foi
organizado um sistema de informação contendo um conjunto de clientes e seus
respectivos atributos. Neste sistema, foram aplicados os conceitos de aproximação
inferior, reduto e do algoritmo da decisão mínima, ou minimal decision algorithm
(MDA), conseguindo a redução do número de atributos a serem utilizados. A partir do
Sistema de Informação reduzido, derivou-se um conjunto de regras as quais
representaram perfis de comportamento dos clientes. Com os perfis de comportamento
fraudulento, consolidou-se um sistema de regras de classificação, alcançando uma taxa
de acertos de 20% na indicação das fraudes.
Em (Cristian Mara M. M. Patrício, 2005), foi desenvolvido um sistema baseado
em técnicas de inteligência artificial na teoria de Rough Sets que definiu perfis de
comportamentos diários de consumidores de energia elétrica. Foram apontados
18
comportamentos normais e anormais (possíveis fraudadores ou erros na medição)
dentro de um conjunto de banco de dados apresentados (consumidores e seus
históricos de consumo). Foram localizados 68,7% dos fraudadores utilizados no
processo de teste e 22,2% dos clientes normais foram acusados indevidamente.
Os Mapas Auto-Organizáveis (SOM - Self Organizing Map) se tornaram um
poderoso método para visualização de dados com grandes dimensões, gerando
mapeamentos de um espaço de dimensão elevada em estruturas cuja dimensão
topológica é inferior à original. Estes mapeamentos são capazes de preservar as
relações de vizinhança dos dados de entrada.
A SOM consegue uma redução (compressão) das informações, sem perder a
métrica ou hierarquia da relação entre os elementos além de conseguir manter as
características intrínsecas da relação das variáveis envolvidas. Estas características de
visualização e manutenção das características intrínsecas são bastante úteis na
engenharia em análise de processos, reconhecimento de padrões, controle e
comunicações.
Um dos trabalhos utilizando a SOM na área de Engenharia Elétrica, mais
precisamente na área de Sistemas de Potência, foi a Classificação de conjuntos de
consumidores de energia elétrica via Mapas Auto-Organizáveis e Estatística
Multivariada (SPERANDIO et al. 2004). Neste, foi apresentada uma metodologia para
formação de agrupamentos de conjuntos consumidores de energia elétrica, a partir dos
dados de 260 conjuntos sob concessão das Centrais Elétricas de Santa Catarina
(CELESC). Utilizando uma validação cruzada entre a rede neural auto-organizável
SOM e o método estatístico das k-médias, os grupos obtidos foram classificados de
forma a sinalizar quando o nível de continuidade fosse inferior ao nível de referência.
A concessionária de energia, conhecendo melhor a situação de cada conjunto, pode
aplicar o controle de qualidade necessário, e rever as tarifas de maneira a remunerar os
investimentos indispensáveis à prestação do serviço de acordo com a qualidade
regulamentada, ou negociar junto ao órgão regulador a situação do conjunto em
19
relação à meta determinada. Este trabalho mostrou a SOM como uma excelente
ferramenta de agrupamento.
LIMA et al.1999 avaliaram o desempenho de classificadores neurais baseados
em Mapas de Kohonen, para análise e classificação dos perfis de curvas de carga com
influência climática. A análise foi feita para os dados do Estado de São Paulo, sistema
CESP, entre setembro e dezembro de 1997. Apesar da escassez de informações
climáticas mais precisas e um histórico mais detalhado com informações contínuas, foi
possível avaliar que as condições climáticas têm maior importância no período da
ponta, validando a aplicação da ferramenta SOM.
No segundo trabalho de LIMA et al. 1999, a SOM conseguiu mostrar a
correlação entre o clima e as ocorrências na rede elétrica. Foram utilizadas duas bases
de dados, sendo uma de variáveis climáticas (temperatura), e outra de variáveis
técnicas (DEC, FEC, TMA).
Em Merja Oja et al. 2002, forma listados 3343 artigos científicos entre 1981 e
1997 que se beneficiaram da SOM e entre 1998 a 2002 listou mais 2092 novos artigos,
totalizando 5435 artigos. Dentre as áreas de pesquisa beneficiadas pela aplicação da
SOM, foram selecionadas abaixo, as que mais apresentaram artigos:
• Imagem e vídeo
• Negócios e Administração
• Informação científica e documentação
• Análise de circuitos
• Processamento de sinal
• Controle
• Reconhecimento da fala
20
• Teoria da informação e codificação
• Engenharia biológica e medicina
• Software
• Inteligência artificial
• Matemática técnica
• Reconhecimento de padrões
21
3 - Ferramenta Proposta para a Solução do Problema
Neste trabalho, propomos a utilização da teoria dos Agrupamentos, ou Cluster
Analysis, que são ferramentas para análise exploratória de dados a fim de resolver
problemas de classificação.
O objetivo é associar argumentos variáveis (consumo de energia) em clusters,
de forma que o grau de similaridade seja grande entre os membros de um mesmo
cluster e pequeno entre clusters diferentes. Deste modo a análise de agrupamentos
torna-se uma ferramenta de extração de conhecimento, podendo revelar associações e
estruturas em uma base de dados que não são visíveis a princípio. Os resultados dessa
análise podem contribuir para uma classificação, tal como a de possíveis clientes
fraudadores, como é o caso deste trabalho.
A ferramenta específica escolhida foi a SOM, principalmente pela sua
capacidade de classificação e agrupamento para reconhecimento de padrões e análise
de dados (especialmente de dados com grandes dimensões e sem conhecimento
antecipado destas relações).
Primeiro é estabelecido uma medida de proximidade entre os elementos que
compõem a amostra em estudo para poder formar os grupos. Normalmente chamada
de distância, esta medida de proximidade pode ser determinada utilizando diversos
critérios, sendo que neste trabalho é utilizada a norma Euclidiana, geralmente a mais
comum. A equação que determina a distância entre dois elementos (vetores) em um
espaço euclidiano de n-dimensões é exemplificada na Equação (4.1):
22
( )
∑
=
−=
n
i
ii
yxyxd
1
2
),(
(3.1)
onde:
d (x, y) = Distância do vetor x para o vetor y;
i
x
,
i
y
= Elemento da dimensão ou atributo i dos vetores x e y;
n = Número total de dimensões ou atributos.
3.1 História
A modelagem dos sistemas utilizados neste trabalho vem do campo de
conhecimento denominado Redes Neurais Artificiais - RNA; estes por sua vez são
sistemas inspirados na abordagem biológica do processamento da informação nos
organismos vivos.
Basicamente, as redes neurais artificiais são programas de computador que
tentam copiar a maneira como o cérebro resolve problemas.
Historicamente, as RNA, tiveram um período de entusiasmo inicial até os anos
60, um período de desencantamento até os anos 80 e o seu ressurgimento no final dos
anos 80 e inicio dos anos 90.
Na Tabela 3.1, tem-se uma cópia do histórico, apresentado por Adolfo
Bauchspiess (2004), das redes neurais, contendo pesquisadores e inovações que
tiveram grande repercussão na área de Redes Neurais Artificiais.
23
Tabela 3.1 – Histórico das Redes Neurais
1943
McCulloch Neurônio Bool
1949
Hebb Regra de aprendizado
1957
Rosenblatt Perceptron
1960
Widrow-Hoff ADALINE/MADALINE LMS
Rosenblatt Perceptron Multicamadas, sem
treinamento
Entusiasmo
Inicial
1969
Minsky-Papert Perceptrons
1974
Werbos Algoritmo Error Backpropagation – sem
repercussão
1982
Hopfield Rede realimentada
Desencantamento
1986
Rumelhart,
Hinton &
Williams
PDP – MIT Backpropagation p/
Perceptron Multicamadas
Função de ativação contínua sigmóide
1987
Kosko BAM
Ressurgimento
No início do século XX descobriu-se o funcionamento básico dos neurônios
biológicos, como o disparo de impulsos elétricos através de suas densas conexões. Este
princípio foi utilizado nos primeiros modelos matemáticos na década de 40, onde
vários elementos interagem formando uma soma ponderada de sinais que produz uma
resposta quando essa soma excede um valor limite. Esse paradigma foi primeiramente
empregado em circuitos analógicos.
Então na década de 70, com o avanço da computação começou-se a explorar
algoritmos que utilizavam tal paradigma em redes encadeadas, onde um estímulo passa
por camadas de modelos até que a resposta seja conhecida.
Os pesos de ponderação dos modelos são ajustados por retro-propagação,
quando são apresentados estímulos (dados) com resposta conhecida à rede, e o erro é
retornado para ser compensada, esta fase é conhecida por treinamento.
24
Após a rede ter sido treinada com uma base de dados, ela passa a ter, por
exemplo, a capacidade de interpolação das respostas esperadas.
Esse método ficou conhecido como Perceptrons Multicamada (Multi-Layer
Perceptrons - MLP), e é o tipo de RNA mais difundido. Pode-se visualizar esta rede na
Figura 3.1 a seguir:
Figura 3.1. Rede Neural do tipo Perceptron.
A partir dos anos 80 alguns estudos voltaram-se para redes de aprendizados
competitivos, inspirados na configuração celular do tecido cerebral, onde todos os
neurônios disputam o mesmo estímulo e apenas o vencedor dispara a resposta.
V1
V2
V3
V4
P1
P2
P(n-1)
Pn
S1
S2
RESPOSTAS
ESPERADAS
ERRO
DADOS
RESPOSTA
AJUSTE DOS PESOS
25
Nesse método não há um processo de retro-propagação, o que significa que o
treinamento da rede não é supervisionado, sendo que os modelos são atualizados pela
informação que cada um recebe.
Esse tipo de RNA geralmente é formada por uma rede bidimensional com
vários neurônios interligados (Figura 3.2), e por um processo de organização, dispondo
os dados topologicamente, caracterizando um mapa que reconstrói a estrutura
hierárquica dos dados.
Figura 3.2 - Rede Auto-Organizável.
Vários estudos demonstraram que no cérebro existem neurônios que se
organizam em zonas específicas, de modo que as informações originárias dos órgãos
sensoriais se apresentam internamente em locais determinados e em forma de camadas
bidimensionais. Existem exemplos de mapas detectados do sistema visual (após
estímulos visuais) em zonas do córtex (camada externa do cérebro) e também do
M1
M2
M3
M4
M5
M6
M7
M8
M9
M10
M11
M12
M13
M14
M15
M16
26
sistema auditivo onde se detectou organizações de neurônios segundo a freqüência a
que foram submetidos. E apesar do pensamento de que estas organizações estão pré-
determinadas geneticamente, estudiosos acreditam que ela possa se originar mediante
um processo de aprendizagem. Isto sugere que o cérebro tem a capacidade de formar
mapas topológicos resultados das informações recebidas do exterior. Esta teoria
explica a facilidade do cérebro em trabalhar com elementos semânticos.
Com base nestas idéias, T. Kohonen apresentou, em 1982, um sistema com um
comportamento semelhante, isto é, um modelo de rede neural com capacidade de
formar mapas de características de maneira similar ao que ocorre no cérebro. O
objetivo de Kohonen foi o de demonstrar que um estímulo externo (uma informação
de entrada) era suficiente para se conseguir a formação de mapas, isto supondo uma
estrutura própria e uma descrição funcional do comportamento da rede.
Os mapas auto-organizáveis pertencem à categoria das redes competitivas com
aprendizagem não supervisionada. Possuem uma arquitetura de duas camadas, entrada
e saída, funções de ativação lineares e fluxo de informação unidirecional.
As unidades de entrada recebem dados contínuos normalizados onde são
definidos pesos aleatórios que definirão a camada de saída. Cada padrão de entrada
ativará uma única saída.
O objetivo deste tipo de rede é classificar os padrões de entrada em grupos de
características similares, de maneira que cada grupo ativará sempre a(s) mesma(s)
saída(s). Cada grupo de entrada é representado pelos pesos das conexões da unidade de
saída triunfante.
27
A arquitetura da versão original de Kohonen, LVQ (Learning Vector
Quantization), era baseada em apenas uma só dimensão e um só sentido, isto é do tipo
feedforward - Cada um dos N neurônios de entrada se conectava aos M neurônios de
saída através de conexões diretas em apenas um sentido, como pode ser visto na
Figura 3.3.
Figura 3.3 – Rede feedforward
Entre os neurônios de entrada e a camada de saída, pode-se dizer que existem
conexões “implícitas” de laterais de inibição (com peso negativo), pois mesmo que
não estejam conectados, cada um dos neurônios vão ter influência sobre os
vencedores. Os valores que os pesos assumem durante o processo de aprendizagem da
rede, dependem desta interação lateral. A influência que um neurônio exerce nas
demais é função da distancia entre elas, sendo alta influência quando juntos e pequena
quando estão afastadas. Normalmente a distribuição desta influência se dá da forma de
um chapéu mexicano (gaussiana).
V1
V2
V3
V4
P1
P2
P(n-1)
Pn
DADOS
28
A outra versão apresentada por Kohonen, TPM (Topology Preserving Map)
estabeleceu uma correspondência entre os dados de entrada e um espaço bidimensional
de saída, criando mapas topológicos de duas dimensões. Assim dados de entrada com
características semelhantes ativam neurônios em zonas próximas na camada de saída.
Hoje em dia, o SOM já é um método amplamente utilizado nas mais variadas
áreas que exigem classificação de dados.
3.2 O Algoritmo SOM (Self Organizing Map)
O algoritmo determina a forma com que o mapa irá responder à entrada de
dados externos. Considerando que o algoritmo pode variar de acordo com cada
aplicação, é apresentada a seguir uma forma de representação do algoritmo
computacional de Kohonen, (CHON, 1996):
1º: Inicializar:
· definir a taxa de aprendizagem inicial
· definir o raio topológico
· definir pesos: com valores aleatórios entre 0 e 1
· Informar o número máximo de épocas a serem executadas
2º: Critério de parada:
· Comparar o número máximo de épocas e a alteração dos valores da matriz
peso.
3º: Treinamento:
Para cada vetor:
Fase Competitiva
· Calcular as distâncias de cada linha da matriz de dados com todas as
colunas da matriz peso
29
· Encontrar o índice tal que a distancia seja o mínimo (é o neurônio
vencedor)
Fase Cooperativa
· Para todas as colunas da matriz peso, localizar os vizinhos do neurônio
vencedor
pelo raio topológico
Fase Adaptativa
· Atualizar toda a matriz peso:
Retornar para Passo 2: com a entrada de um novo vetor
4º: Atualização:
· Atualizar taxa de aprendizagem: (uma função decrescente linear, exponencial
ou geométrica em função das épocas)
· Atualizar raio topológico: (definido como uma função monotonicamente
decrescente em função das épocas)
5º: Voltar para o 2º (Critério de parada)
3.3 Formação do Mapa
Para a formação do mapa de Kohonen, existem três processos envolvidos, que
são citados abaixo conforme HAYKIN (2001):
1 - Competição: para cada padrão de entrada, os neurônios da rede computam
os seus respectivos valores de uma função discriminante. Esta função provê as bases
para a competição entre os neurônios. Conforme representado na Figura 3.4, o
neurônio com maior valor da função discriminante é declarado vencedor da
competição.
30
Figura 3.4 - Representação do processo competitivo, todos os modelos recebem a
mesma informação, mas apenas um é ativado.
2 - Cooperação: o neurônio vencedor determina a localização espacial de uma
vizinhança topológica de neurônios excitados, esta função de vizinhança deve ajustar
com maior ênfase os neurônios imediatamente vizinhos ao vencedor e decair com a
distância lateral. Esta função deve ser simétrica e possuir amplitude máxima em
relação ao centro e decrescer com a distância lateral até zero - condição necessária
para a convergência. Conforme exemplificado na Figura 3.5, uma função de
vizinhança aplicada em um mapa hexagonal 4x4.
A mais utilizada é a função de vizinhança gaussiana, descrita na equação (4.2),
a qual é invariante à translação, isto é, independente da localização do neurônio
vencedor (CASTRO; CASTRO, 2001).
(3.2)
onde :
)
(
)(
i
tkj
h
= função de vizinhança para o vizinho (k) em relação ao vencedor (l)
para o dado (t) na iteração (i), determina o nível de cooperação;
−=
2
)(.2
2
exp)(
)(
i
kj
d
i
tkj
h
σ
31
kj
d
= distância lateral entre o vizinho (k) e o neurônio vencedor (l);
)
(
i
σ
= largura da vizinhança (abrangência) na iteração (i).
Figura 3.5 - Função de vizinhança aplicada em um mapa hexagonal 4x4.
3 - Adaptação Sináptica: quando o vetor de pesos sináptico é modificado em
relação ao vetor de entrada. Os ajustes feitos são tais que, a resposta do neurônio
vencedor à subseqüente aplicação de um padrão similar de entrada é realçada.
A taxa de aprendizagem também deve diminuir ao longo das iterações, o que
corresponde ao caso da aproximação estocástica, começando de um valor inicial e
decrescendo gradualmente com o aumento das iterações. Pode ser aplicado o
decaimento exponencial.
32
3.4 Exemplo do uso da SOM para classificação de assinaturas de
sinais
A interpretação do resultado final do algoritmo de auto-organização é uma das
etapas mais importantes para a correta obtenção dos resultados, e para extrair o
máximo de informações que esse método proporciona.
O processo de análise, a princípio, estava voltado para a divisão por cluster, a
qual é uma técnica exploratória de dados que tem por objetivo formar agrupamentos
de objetos semelhantes a partir de um banco de dados. O conceito de clusterização
difere do conceito de classificação no sentido que a análise de cluster é mais
“primitiva”, na qual nenhuma suposição é feita a respeito dos grupos, assim como seu
número e estrutura. Após o processo de organização, cada elemento da base de dados
utilizada para treinar o mapa será representado por um, e apenas um, dos neurônios da
rede. Porém, cada neurônio poderá representar qualquer quantidade de elementos
(inclusive nenhum). Neste caso, a representação do neurônio vencedor e dos elementos
que este representa mostrou-se mais importante que a própria análise dos clusters.
Para poder entender o processo, foi elaborado um exemplo da ordenação
realizado pelo algoritmo SOM e a sua forma de visualização, visando à extração das
características que levaram a tal organização. A idéia principal foi a de entender a
aplicação da rede SOM, visualizando os resultados a partir de curvas previamente
conhecidas.
Foram escolhidos três modelos de curvas bastante conhecidas e diferentes (seno
– co-seno - tangente). Foram separadas de seis a sete curvas de cada (vinte curvas no
total) com 63 pontos cada uma (pontos de formação de cada curva), e aplicada a
ferramenta SOM.
33
Deste modo, inicialmente foi gerada uma seqüência aleatória de 20 vetores
representando três variáveis (seno – co-seno - tangente), com 63 pontos para formação
das curvas, como base de dados do espaço de entrada, e um mapa hexagonal 7x3 para
o espaço de saída. Segue na tabela 3.2 um exemplo da planilha criada com os 20
vetores por 63 pontos e para visualizar as respectivas Figuras 3.6, Figura 3.7 e Figura
3.8 correspondentes às linhas 1, 2 e 3.
Tabela 3.2 – Planilha com curvas Seno Co-seno e Tangente
Colunas
Tipo de
curva
1 2 3 4 5 6 7 8
9
Linha 1 Seno 0,201595
1,416595
2,096849
3,276385
4,198572
5,635958
5,680631
Linha 2 Co-seno 10,38557
10,77314
10,25499
10,20795
10,02676
9,334737
8,841216
Linha 3 Tangente 0,006577
0,011701
0,027923
0,040371
0,051964
0,058112
0,075477
Linha 4 Seno 0,340565
1,863636
2,934746
3,799729
4,27867
5,261567
5,995951
Linha 5 Co-seno 10,23336
10,48367
10,67649
9,896651
10,11113
9,014884
8,477353
Linha 6 Tangente 0,009745
0,011492
0,024505
0,036546
0,048607
0,064034
0,075369
Linha 7 Seno 0,290997
1,119387
2,683575
3,044543
4,214736
4,825697
6,286002
Linha 8 Co-seno 10,58751
10,54106
10,09484
10,01016
10,0358
9,121462
8,638559
Linha 9 Tangente 0,006675
0,015654
0,022735
0,036208
0,04952
0,060221
0,070881
Linha 10
Linha 11
20 Linhas
63 PONTOS
34
0 10 20 30 40 50 60 70
-10
-5
0
5
10
15
Figura 3.6 – Linha 1 – Função Seno – 63 Registros
0 10 20 30 40 50 60 70
-10
-5
0
5
10
15
Figura 3.7 – Linha 2 – Função Co-seno – 63 Registros
0 10 20 30 40 50 60 70
-4
-2
0
2
4
6
8
10
Figura 3.8 – Linha 3 – Função Tangente – 63 Registros
35
A Figura 3.9 a seguir, mostra o exemplo da SOM para um mapa 16 x 64 usado
para classificar uma base de dados gerada a partir das curvas das Funções Seno, Co-
seno e Tangente em um espaço tridimensional .
Como se pode observar, a classificação foi totalmente correta a partir de uma
base de dados gerada propositalmente com três grupos, validando assim o uso da SOM
para agrupamento de dados.
3 clusters
Figura 3.9- Classificação da rede SOM, com uma base de dados gerada a partir das
curvas das Funções Seno, Co-seno e Tangente.
36
4 - Metodologia proposta para o desenvolvimento do trabalho
A metodologia proposta para o desenvolvimento do trabalho seguirá duas (2)
etapas principais. A primeira etapa baseia-se no levantamento das memórias de massa
dos clientes, o levantamento das memórias de massa dos clientes fraudadores, a
formatação das memórias de massa, isto é, o ajuste do banco de dados, a escolha do
método de análise pelo especialista da área, finalizando com a aplicação da ferramenta
– SOM.
A segunda etapa baseia-se no teste da ferramenta e do método escolhido, com
o levantamento de novas memórias de massa de clientes, de clientes fraudadores e a
sua aplicação na rede SOM já treinada e salva com uma análise final dos resultados
obtidos.
4.1 - Levantamento das memórias de massa dos clientes.
Nesta etapa, foram separadas todas as memórias de massa disponíveis dos
clientes de Alta Tensão Horo Sazonais, para os meses de Janeiro e Fevereiro de 2005.
Foram separadas todas as memórias de massa que efetivamente foram
utilizadas para o faturamento dos clientes junto à concessionária estudada, fazendo
deste modo a utilização de uma base de dados consistente. No total foram separados
726 arquivos de memória de massa.
Na primeira etapa, foram utilizados 580 arquivos de memória de massa,
devido à escolha do método especialista, isto é os clientes Industriais e Comerciais, na
segunda etapa foram separadas mais 136 memórias de massa de clientes para os testes
finais.
4.2 - Levantamento das memórias de massa dos clientes
fraudadores.
Nesta etapa, foram separadas todas as memórias de massa disponíveis dos
clientes de Alta Tensão Horo Sazonais da concessionária estudada, que efetivamente
foram identificados com fraudes das mais diversas modalidades.
37
Esta etapa foi uma das mais críticas de todo o processo, pois as fraudes nos
clientes de Alta Tensão são mais difíceis de acontecerem, de serem identificadas e
principalmente de serem comprovadas. Algumas fraudes são identificadas, mas
acabam não gerando um arquivo de memória de massa completo que possam ser
utilizados na análise, são fraudes mais grosseiras onde literalmente são “zerados” os
dados disponibilizados pelo medidor.
Com esta restrição, para a primeira etapa, só foi conseguido separar e trabalhar
com 8 (oito) arquivos de memória de massa de clientes comprovadamente fraudadores.
Para a segunda etapa, onde foram testados a rede SOM e o método escolhido
para análise, foi necessário a criação de 4 (quatro) arquivos de memórias de massa
com características de fraudadores. Foi utilizado neste caso o conhecimento dos
especialistas da área, buscando abranger a maior gama possível de efeitos dos
principais tipos de fraude já encontrados em uma memória de massa de clientes
atendidos em Alta Tensão.
4.3 - Escolha do método de análise – especialista.
Inicialmente, foram separadas as amostras em cinco categorias: Industrial,
Comercial, Rural, Poder Público (incluídas nesta: Serviço Público e concessionárias de
serviço público) e Clientes Livres. Cada uma destas categorias possui características
próprias de consumo, demanda e mesmo de relacionamento contratual com a
concessionária estudada.
Esta divisão se baseou na Resolução 456 de 29/11/2000 da AGÊNCIA
NACIONAL DE ENERGIA ELÉTRICA - ANEEL, onde no Artigo nº 18, é
38
apresentada a Classificação e Cadastro das unidades consumidoras e na expertise dos
especialistas na área. A principal motivação desta separação deve-se ao fato das
diferenças marcantes nos históricos de consumo, ao longo dos meses, destas diversas
categorias.
Como as chances de fraude são praticamente nulas nos clientes classificados
como Poder Público e Clientes Livres, além do fato de que os clientes Rurais
possuírem uma sazonalidade de funcionamento, em decorrência da própria atividade, a
análise, neste trabalho, terá como alvo as memórias de massa dos clientes Industriais e
Comerciais.
4.4 - Formatação das memórias de massa.
Após a separação em categorias, as memórias de massa foram abertas para
análise por um programa específico denominado PLAWIN Versão 3,13/2002
desenvolvido pela ESB Electronic Services e amplamente utilizado pelas
concessionárias de energia elétrica. Na Figura 4.1 é apresentada a tela do programa
PLAWIN durante a abertura de uma memória de massa.
Após abertas, as tabelas foram salvas como planilhas do Microsoft Excell,
sendo que cada uma foi identificada com um nome que facilitasse o reconhecimento
de sua categoria e a que cliente pertencia. Neste caso foi adotado o seguinte código:
• Letra inicial = Categoria (I para Industrial, C para Comercial, R para Rural, P
para Poder Público e L para Livre)
39
• Seis caracteres numéricos = Identificando o medidor associado 000000
• Espaço
• Mês correspondente ao período de medição da memória de massa = jan / fev
Modelo: I000241 fev.xls - Memória de massa do cliente com medidor nº 241,
pertencente à classe Industrial e ao período de fevereiro/2005.
Figura 4.1 - Tela do Programa PLAWIN
Após esta etapa, as memórias de massa foram abertas, uma a uma, e colocadas
na mesma base escolhida – kW (Kilowatts), isto porque algumas das memórias de
massa apresentaram informações em W (Watts), o que poderia distorcer a análise.
A segunda etapa envolveu a normalização do banco de dados. Considerando
que os medidores iniciam o armazenamento dos dados na memória de massa assim
40
que o medidor é lido em campo, e que esta leitura pode ser realizada em qualquer dia
da semana e horário, uma análise que leve em conta as mesmas características deve
considerar estas diferenças de consumo de dias da semana e horário.
Por exemplo, em uma indústria, a característica de consumo das segundas feiras
às 14:00 h são diferentes dos consumos das 2:00 horas da madrugada dos domingos.
Assim, foi desenvolvida uma ferramenta em Excel para normalizar os dias e
horários de consumo. Nesta ferramenta, ao entrar com a memória de massa são
aplicados algumas macros, separando os consumos por dia da semana e por horários.
Ao ser aberta uma memória de massa, encontramos entre 3 a 5 registros de 15
minutos (por exemplo, intervalos de 14:00 hs até 14:15 hs) relacionadas a 3 ou 5
segundas feiras compreendidas no mês. Ao rodar o programa, foi separado por média
aritmética, o perfil de consumo de cada memória de massa para cada dia na semana.
Deste modo, foi levantado um consumo médio para cada dia da semana e para cada
cliente separadamente, característica esta definida e esperada pelo especialista. Deste
modo, foi elaborado para cada categoria de consumo, 7 (sete) tabelas, uma para cada
dia da semana, com suas características de consumo médio diário, pode-se ver um
resumo na Tabela 4.1. Para identificar todas as memórias de massa salvas, foi utilizado
o seguinte método para guardar as tabelas resultantes:
IJF SEG.xls
– Tabela com características de consumo das segundas feiras
dos clientes Industriais para os meses de Janeiro e Fevereiro. Resultando no caso em
uma tabela de 313 linhas por 96 colunas. Isto é, 313 clientes com 96 registros médios
da Segunda Feira. O número de registros é devido a: 96 registros – Registros de 15
minutos em 24 horas (24 x 4 = 96).
41
Tabela 4.1 – Tabela com características de consumo dos dias da semana dos clientes
Comerciais, Industriais, Rurais, Livres, Poder Público e Serviço Público para os meses
de Janeiro e Fevereiro.
Comercial
Tamanho
Livres Tamanho
Poder Público Tamanho
CFJ SEG LFJ SEG PFJ SEG
CFJ TER LFJ TER PFJ TER
CFJ QUA
LFJ QUA
PFJ QUA
CFJ QUI LFJ QUI PFJ QUI
CFJ SEX LFJ SEX PFJ SEX
CFJ SAB
LFJ SAB
PFJ SAB
CFJ DOM
267 x 96
LFJ DOM
8 x 96
PFJ DOM
66 x 96
Industrial
Tamanho
Rural Tamanho
Serviço Público
Tamanho
IFJ SEG RFJ SEG
SFJ SEG
IFJ TER RFJ TER
SFJ TER
IFJ QUA RFJ QUA
SFJ QUA
IFJ QUI RFJ QUI SFJ QUI
IFJ SEX RFJ SEX
SFJ SEX
IFJ SAB RFJ SAB
SFJ SAB
IFJ DOM
313 x 96
RFJ DOM
81 x 96
SFJ DOM
56 x 96
Considerando a análise deste trabalho tendo como alvo os clientes Industriais,
Comerciais, montamos uma tabela onde colocamos estas duas categorias juntas,
observando a divisão por dias da semana. Ficando resumido à 7 (sete) tabelas
conforme mostrado na Tabela 4.2:
42
Tabela 4.2 – Tabela com características de consumo dos dias da semana dos clientes
Comerciais e Industriais para os meses de Janeiro e Fevereiro.
Categoria
Nome Tamanho
Nome
Comercial
CFJ SEG
Industrial
IFJ SEG
CIFJ SEG
Comercial
CFJ TER
Industrial IFJ TER
CIFJ TER
Comercial
CFJ QUA
Industrial IFJ QUA
CIFJ QUA
Comercial
CFJ QUI
Industrial IFJ QUI
CIFJ QUI
Comercial
CFJ SEX
Industrial IFJ SEX
CIFJ SEX
Comercial
CFJ SAB
Industrial IFJ SAB
CIFJ SAB
Comercial
CFJ DOM
Industrial IFJ DOM
580 x 96
CIFJ DOM
Deste modo, foram reduzidas todas as tabelas em apenas 7 memórias de massa,
cada uma contendo, em seqüência, os clientes comerciais e industriais devidamente
identificados. Com estes arquivos, foi construída e treinada a rede SOM para cada dia
da semana.
Na segunda etapa deste trabalho, foram separados mais 136 arquivos de clientes
Industriais e Comerciais para aplicar o teste da ferramenta SOM. Foi utilizado o
mesmo processo de abertura, normalização e armazenagem descrito na primeira etapa.
Neste arquivo foram incluídas quatro memórias de massa dos clientes fraudadores,
43
especialmente criadas para o teste. O resultado pode ser visto na tabela 4.3 abaixo com
a formatação utilizada.
Tabela 4.3 – Tabela com os arquivos utilizados para os testes de aplicação da SOM.
Categoria
Nome Tamanho
Nome
Tamanho com
Fraudadores
Nome
Comercial
CFJT SEG
Industrial
IFJT SEG
CIFJT SEG CIFJTF SEG
Comercial
CFJT TER
Industrial IFJT TER
CIFJT TER CIFJTF TER
Comercial
CFJT QUA
Industrial IFJT QUA
CIFJT QUA
CIFJTF QUA
Comercial
CFJT QUI
Industrial IFJT QUI
CIFJT QUI CIFJTF QUI
Comercial
CFJT SEX
Industrial IFJT SEX
CIFJT SEX CIFJTF SEX
Comercial
CFJT SAB
Industrial IFJT SAB
CIFJT SAB CIFJTF SAB
Comercial
CFJT DOM
Industrial IFJT DOM
136 x 96
CIFJT DOM
140 x 96
CIFJTF DOM
4.5 - Aplicação da Ferramenta – SOM
O mapa auto-organizável foi gerado e treinado a partir de um pacote de
programas para MATLAB [SOM toolbox]. Esse pacote permite ajustar todos os
parâmetros do SOM, mas a princípio foi utilizada uma função chamada som_make,
que gera o mapa, inicia e faz o treinamento.
44
Foi utilizada a configuração padrão desse algoritmo, isto é uma inicialização
linear, que geralmente leva a uma mesma topologia ao final do treinamento se não
houver alteração da base de dados, vizinhança hexagonal, ou seja, os neurônios
centrais estão ligados a seis vizinhos, e uma função de vizinhança gaussiana. A base
de dados, para entrada no algoritmo foi composta por uma matriz de dimensão 580 x
96, onde as linhas representam as memórias de massa dos clientes e as colunas o valor
médio do intervalo de 15 minutos de integralização da medição por dia.
Uma vez definido o universo de tabelas a estudar, iniciou-se a aplicação da
ferramenta SOM. Pode ser observado na Figura 4.2, a tela do programa MATLAB
rodando a rede SOM.
Figura 4.2 – Tela MATLAB
45
Nesta primeira etapa, foi utilizado o MATLAB com a seguinte seqüência de
trabalho: 1º Importação da Tabela a ser rodada, 2º Criação das Estruturas da SOM, 3º
Clusterização da SOM, 4º Plotagem do mapa SOM, 5º Apresentação e classificação
dos fraudadores, 6º Plotagem do mapa SOM com fraudadores, 7º Análise dos
resultados, 8º Identificação dos consumidores nos clusters indicados pelos fraudadores
e 9º Armazenamento dos dados, de acordo com o fluxograma da Figura 4.3.
Figura 4.3 - Fluxograma da seqüência de trabalho
46
Foi rodado o algoritmo SOM para a classe Industrial e Comercial, para cada dia
da semana. Foram encontrados e salvos os sete mapas SOM característicos
correspondentes aos dias de semana. Como exemplo, pode-se visualizar a Figura 4.4, o
mapa SOM para a quarta feira sem fraudadores.
Após obter o mapa SOM característico do dia da semana, foi rodado novamente
o mapa com as memórias de massa dos clientes fraudadores (8) oito, formatados nos
mesmos moldes das outras memórias de massa.
Resultando em sete mapas da SOM, um para cada dia da semana, com as
localizações dos clientes fraudadores em seus respectivos clusters. Como exemplo,
pode-se visualizar na Figura 4.5, o mapa SOM para a quarta feira com fraudadores.
Foram salvos, também planilhas com os pontos de localizações dos clientes, seus
clusters correspondentes e ainda os pontos de localização e clusters dos fraudadores.
47
Figura 4.4 – Mapa SOM – Quarta Feira Sem Fraudadores
48
Figura 4.5 – Mapa SOM – Quarta Feira Com Fraudadores
6 clusters
49
Com estas informações, foram detectados os clusters e os pontos de localização
onde apareceram os clientes e os fraudadores. Estes clusters, a princípio indicariam um
universo de clientes a serem inspecionados (possíveis fraudadores).
Como o universo de memórias de massa (clientes) indicadas nos clusters para a
inspeção ficou muito alto, algo em torno de 82,96 %, em relação ao número de
memórias de massa de clientes Industriais e Comerciais apresentados para rodar a
SOM (580 no total), ficou evidente a necessidade de uma nova investigação com os
clientes que foram alocados nas mesmas posições dos fraudadores. Foi verificado que
além de dividir os clientes por clusters (entre 5 e 7 dependendo do dia da semana), a
SOM alocou os 580 clientes em torno de 120 posições específicas.
Ao rodar os clientes fraudadores, estes indicaram além dos clusters, as posições
coincidentes com os outros clientes, deste modo proporcionando a possibilidade de
diminuir o universo de pesquisa dos possíveis clientes com características de
fraudadores para 13,13 % (médios) para cada dia da semana.
Continuando nesta linha, os estudos foram aprofundados em relação à alocação
dos fraudadores junto aos clientes para todos os dias da semana, isto é uma possível
relação entre todas as redes SOM.
Foram encontradas então algumas relações importantes, resumidas na tabela
4.4, que possibilitaram diminuir ainda mais o universo de clientes que apresentam as
mesmas características dos fraudadores.
Por exemplo, para clientes que foram alocados na mesma posição dos
fraudadores e que apareceram em pelo menos uma vez nos sete dias da semana, foi
encontrado um percentual de 40,17%.
50
Abrindo este percentual e analisando o número de vezes coincidentes na
semana em que os clientes aparecem, junto aos fraudadores nas redes SOM, foram
encontradas as seguintes relações percentuais que podem ser visualizadas na Tabela
4.4:
• em apenas um dia na semana - percentual de 18,79 %.
• em dois dias na semana - percentual de 9,31 %.
• em três dias na semana - percentual de 4,14 %.
• em quatro dias na semana - percentual de 3,45 %.
• em cinco dias na semana - percentual de 1,21 %.
• em seis dias na semana - percentual de 0,69 %.
• em sete dias na semana - percentual de 2,59 %.
Tabela 4.4 – Análise dos Clientes x Clientes Fraudadores
Clientes
Nº de vezes que apareceram na semana
Total
Nº dos que apareceram pelo
menos 1 vez
1 2 3 4 5 6 7
580 233 109 54 24 20 7 4 15
100 % 40,17% 18,79%
9,31%
4,14%
3,45%
1,21%
0,69%
2,59%
Os resultados preliminares indicaram os “clusters” prováveis de clientes com
características de fraudadores, conforme esperado. Como alguns “clusters” resultantes
foram os que apresentaram um número maior de clientes, a análise do universo de
possíveis fraudadores se mostrou maior do que o esperado.
Deste modo, a análise voltou-se para os locais coincidentes de clientes e
fraudadores reduzindo o universo de busca a níveis mais aceitáveis para o trabalho
proposto.
51
O próximo passo será o de apresentar novos clientes (novas memórias de
massa) à rede SOM já treinada, contendo alguns clientes fraudadores previamente
conhecidos (criados). A análise dos pontos de localização destes clientes dentro dos
clusters irá permitir avaliar se as análises são convergentes ou não.
4.6 – Criação de memória de massa de clientes fraudadores
Dada a inexistência de memória de massa de clientes fraudadores para avaliar a
rede SOM construída e verificar sua aplicação na prática, foi necessário construir
memórias de massa com o mesmo perfil das memórias de massa dos clientes
fraudadores conhecidos.
A dificuldade de encontrar memórias de massa de clientes fraudadores se deve a
dois fatos principais:
• O número de clientes fraudadores atendidos em alta tensão detectados é
mínimo no universo total de clientes atendidos por uma concessionária.
• As memórias de massa dos clientes pegos com uma fraude, nem sempre
estão intactas, isto é, muitas vezes a fraude corrompeu o arquivo ou
“zerou” as medições, fazendo com que estas memórias de massa não
indiquem uma característica de fraude, mas sim de defeito na medição.
Foram utilizadas as seguintes premissas para a construção das quatro memórias
de massa com características de fraudadores:
1º – Utilização de quatro arquivos de memórias de massa distintas e com
características de consumo normal. Sendo dois arquivos de clientes comerciais e dois
arquivos de clientes industriais. A Figura 4.6 apresenta um gráfico de consumo em
52
função dos pulsos (tempo) de uma memória de massa com características de consumo
normal.
Consumo Normal
0
500
1000
1500
2000
2500
3000
1
115
229
343
457
571
685
799
913
1027
1141
1255
1369
1483
1597
1711
1825
1939
2053
2167
2281
2395
2509
Figura 4.6 – Consumo x Pulsos - Normal
2º – Manteve-se a primeira semana com consumo normal, isto é, sem alterar
qualquer dado em dois arquivos e nos outros dois manteve-se a primeira e segunda
semanas com consumos normais.
A escolha de como seriam “manipuladas” as memórias de massa com
características de fraudadores, foi baseada nos principais resultados encontrados em
campo, quando da descoberta e comprovação de uma fraude.
Em um dos arquivos, foram reduzidos os valores de consumo em 1/3 após uma
semana de consumo normal, caracterizando o desligamento/rompimento da
comunicação do sinal de uma fase para o medidor. Característica de fraude externa ao
Consumo em KWh
Pulso = Tempo
(1 Pulso = 15
minutos)
Uma semana
Segunda Feira
53
medidor, sendo provavelmente uma intervenção na fiação ou nos equipamentos
auxiliares de medição. A Figura 4.7 abaixo representa este arquivo.
Primeira semana normal e após com fraude em 1 fase
0
500
1000
1500
2000
2500
3000
1
115
229
343
457
571
685
799
913
1027
1141
1255
1369
1483
1597
1711
1825
1939
2053
2167
2281
2395
2509
Figura 4.7 – Consumo x Pulsos – 1º semana normal e após com fraude em 1 fase (1/3
de redução)
Em outro arquivo, foram reduzidos os valores de consumo em 2/3 após uma
semana de consumo normal, caracterizando o desligamento/rompimento da
comunicação do sinal de duas fases para o medidor. Característica esta de intervenção
parecida com a anterior, mas com resultados mais drásticos em termos de redução de
consumo. A Figura 4.8 abaixo representa este arquivo.
Consumo em KWh
Pulsos
54
Primeira semana normal e após com fraude em 2 fases
0
500
1000
1500
2000
2500
3000
1
113
225
337
449
561
673
785
897
1009
1121
1233
1345
1457
1569
1681
1793
1905
2017
2129
2241
2353
2465
Figura 4.8 – Consumo x Pulsos – 1º semana normal e após com fraude em 2 fases (2/3
de redução)
Os outros dois arquivos utilizaram os mesmos critérios anteriores, mas com
uma semana a mais de consumo normal. As Figuras 4.9 e 4.10 representam estes
arquivos.
Consumo em KWh
Pulsos
55
Primeira e segunda semanas normais e após com fraude
em 1 fase
0
500
1000
1500
2000
2500
3000
1
113
225
337
449
561
673
785
897
1009
1121
1233
1345
1457
1569
1681
1793
1905
2017
2129
2241
2353
2465
Figura 4.9 – Consumo x Pulsos – 1º e 2º semanas normais e após com fraude em 1 fase
(1/3 de redução)
Primeira e segunda semanas normais e após com fraude
em 2 fases
0
500
1000
1500
2000
2500
3000
1
113
225
337
449
561
673
785
897
1009
1121
1233
1345
1457
1569
1681
1793
1905
2017
2129
2241
2353
2465
Figura 4.10 – Consumo x Pulsos – 1º e 2º semanas normais e após com fraude em 2
fases (2/3 de redução)
Consumo em KWh
Consumo em KWh
Pulsos
Pulsos
56
5 – Simulações e Resultados
De posse dos mapas SOM característicos de cada dia da semana, incluso as
memórias de massa dos clientes fraudadores trabalhado na primeira etapa deste
projeto, foi apresentado, para cada dia da semana, uma nova planilha contendo as
memórias de massa de 132 clientes não fraudadores e 4 novos clientes fraudadores
(arquivos construídos).
Resultando em sete novos mapas da SOM, um para cada dia da semana, com as
localizações dos clientes fraudadores conhecidos na primeira etapa do trabalho, em
seus respectivos clusters e a localização dos novos clientes fraudadores (arquivos
construídos) e seus respectivos clusters.
Como exemplo, pode-se visualizar na Figura 5.1, o mapa SOM para a quarta
feira com fraudadores. Foram salvos, também planilhas com os pontos de localizações
dos clientes, seus clusters correspondentes e ainda os pontos de localização e clusters
dos fraudadores.
57
Figura 5.1 – Mapa SOM – Quarta Feira Com Fraudadores Reais e 4 Novos
Fraudadores Construídos
6 clusters
Posição nº 97
- 2 arquivos de
fraudadores reais e
2 arquivos de
fraudadores
construídos
Posição nº 26
- 1 arquivo de
fraudador real
e 1 arquivo de
fraudador
construído
Posição nº 99
- 1 arquivo de
fraudador
construído
58
Como já era esperado, em todos os dias da semana, os novos fraudadores
criados foram alocados nos clusters de maior incidência, isto é, os clusters indicados
anteriormente como possuindo as características de possíveis fraudadores. Com
relação à análise mais fina, das posições, foi encontrado para os 136 clientes
apresentados na quarta feira, por exemplo, 23 clientes coincidentes das posições dos
fraudadores conhecidos sendo 3 destes os novos clientes fraudadores. A tabela 5.1
apresenta os resultados obtidos para os sete dias da semana.
Tabela 5.1 – Análise da apresentação dos novos clientes incluindo os novos
fraudadores criados
Posição Fraudadores Reais ** 120 72 46 23 4 3 60 42
Quantidade Clientes nas posições 59 16 6 11 1 0 4 97 16,72%
Quantidade na Posição ** 9 7 1 3 0 0 0 20 14,71%
Quantid. Fraud. Criados na Posição 2 1 0 0 0 0 0 1 4 3
Posição Fraudadores Reais ** 102 54 99 51 120 47 18 81
Quantidade Clientes nas posições 47 9 7 6 0 0 5 74 12,76%
Quantidade na Posição ** 10 2 0 2 0 0 1 15 11,03%
Quantid. Fraud. Criados na Posição 2 1 0 0 0 0 0 1 4 3
Posição Fraudadores Reais ** 97 26 27 3 20 72 63 99
Quantidade Clientes nas posições 72 3 2 10 1 0 2 90 15,52%
Quantidade na Posição ** 18 1 0 4 0 0 0 23 16,91%
Quantid. Fraud. Criados na Posição 2 1 0 0 0 0 0 1 4 3
Posição Fraudadores Reais ** 120 20 71 46 98 73 110 70
Quantidade Clientes nas posições 63 13 6 11 0 1 8 102 17,59%
Quantidade na Posição ** 15 3 3 2 0 1 0 24 17,65%
Quantid. Fraud. Criados na Posição 2 0 1 0 0 0 0 1 4 3
Posição Fraudadores Reais ** 97 101 99 76 5 87 46 75
Quantidade Clientes nas posições 65 14 12 5 12 2 0 110 18,97%
Quantidade na Posição ** 10 4 5 1 0 0 0 20 14,71%
Quantid. Fraud. Criados na Posição 2 1 0 0 0 0 0 1 4 3
Posição Fraudadores Reais ** 3 35 33 1 65 105 25 116 30
Quantidade Clientes nas posições 12 5 8 45 10 3 3 2 76 13,10%
Quantidade na Posição ** 4 2 2 9 3 1 0 0 21 15,44%
Quantid. Fraud. Criados na Posição 1 0 0 2 0 0 0 0 1 4 3
Posição Fraudadores Reais ** 28 25 49 97 20 46 62 29
Quantidade Clientes nas posições 14 9 12 46 4 0 2 87 15,00%
Quantidade na Posição ** 4 7 2 10 1 0 0 24 17,65%
Quantid. Fraud. Criados na Posição
0
1
0
2
0
0
0
1
4
3
Nº de
Acertos
Soma %
Apresentação de novos clientes (132 + 4 fraudadores)
Seg
Ter
Qua
Qui
Sex
Apresentação de novos clientes (132 + 4 fraudadores)
SOM treinanda (580 + 8 fraudadores)
SOM treinanda (580 + 8 fraudadores)
Apresentação de novos clientes (132 + 4 fraudadores)
SOM treinanda (580 + 8 fraudadores)
SOM treinanda (580 + 8 fraudadores)
SOM treinanda (580 + 8 fraudadores)
SOM treinanda (580 + 8 fraudadores)
Apresentação de novos clientes (132 + 4 fraudadores)
Apresentação de novos clientes (132 + 4 fraudadores)
Apresentação de novos clientes (132 + 4 fraudadores)
SOM treinanda (580 + 8 fraudadores)
Apresentação de novos clientes (132 + 4 fraudadores)
Sáb
Dom
59
A exemplo das análises preliminares da primeira etapa, quando foi rodada a
rede SOM juntamente com os fraudadores reais, foram encontradas algumas relações
importantes após a apresentação dos novos clientes com fraudadores construídos,
resumidas na tabela 5.2, que possibilitaram uma análise mais crítica dos resultados.
Por exemplo, dos 136 clientes apresentados, 60 foram alocados junto às
posições dos clientes fraudadores reais, isto é, 44% apareceram pelo menos em uma
vez em um dia da semana. Destes, 23 apareceram apenas em 1 dia da semana.
Tabela 5.2 – Relações apresentação dos novos clientes (e fraudadores criados)
Obteve-se uma taxa de acerto superior a 75%, isto é, a cada 4 fraudadores
apresentados a rede SOM, esta indicou a inspeção em pelo menos 3 casos. Esse bom
desempenho pode ser questionado devido à construção das memórias de massa dos
novos clientes fraudadores, mas considerando que estas memórias de massa
representam uma cópia bem real das fraudes encontradas, podemos concluir que o
trabalho convergiu para os resultados esperados.
1 2 3 4 5 6 7
136 60 23 15 10 4 3 2 3
100% 44% 16,9% 11,0% 7,4% 2,9% 2,2% 1,5% 2,2%
Clientes novos apresentados com fraudadores criados (136)
Quantidade de vezes que apareceram na
semana
Nº dos que
apareceram pelo
menos 1 vez
Total
60
6 - Conclusão
O objetivo principal deste trabalho foi obter uma rede neural artificial tipo
Mapas Auto Organizáveis (SOM – Self Organizing Map), capaz de apontar potenciais
fraudadores a partir das memórias de massa retiradas dos medidores de clientes de alta
tensão de uma concessionária de energia elétrica.
Para os clientes de alta tensão de energia elétrica, enquadrados nas tarifas
horo-sazonais, as concessionárias utilizam medidores eletrônicos, com capacidade de
armazenamento, em memória de massa, de informações de consumo ativo e reativo, a
cada 15 minutos, de acordo com a Resolução 456 de 29/11/2000 da AGÊNCIA
NACIONAL DE ENERGIA ELÉTRICA – ANEEL.
Considerando a concessionária estudada, temos um banco de dados
alimentado mensalmente com 1.400 memórias de massa (média) sendo cada uma com
algo em torno de 3.000 registros, dependendo do período de medição que pode ser de
27 a 30 dias. Isso gera, após um curto espaço de tempo, um banco de dados
extremamente grande e com uma quantidade de informações muitas das vezes ocultas,
principalmente quanto ao possível relacionamento entre todas as memórias dos
diversos clientes e suas características.
Deste modo, a idéia de se procurar características ocultas em um banco de
dados de medição, principalmente características de erro ou fraude na medição
utilizando a SOM, se mostrou viável.
O sistema desenvolvido, empregando a metodologia proposta, mostrou-se capaz
de ajudar a solucionar problemas das perdas comerciais relacionadas à fraude e erro de
medição das concessionárias de energia elétrica. Os resultados obtidos foram
61
considerados satisfatórios, uma vez que foram indicados 3 dos 4 clientes fraudadores
misturados junto com 132 clientes com características de consumo normal
Deste modo, 75% dos fraudadores utilizados no processo de teste foram
localizados e dos 132 clientes normais apresentados, 15% foram indicados para
inspeção sendo 12,5% apontados indevidamente e 3% apontados corretamente.
Como o universo de fraudadores detectados na prática, bem como os utilizados
no trabalho, é pequeno, a eficácia da aplicação do método fica restritos aos poucos
casos existentes e exige tempo para uma melhor análise em cima de uma possível
fraude detectada ou não pela ferramenta.
Como trabalhos futuros, pretende-se continuar a análise de outras memórias de
massa de clientes fraudadores além da realização de inspeções em campo, de clientes
que sejam alocados nas mesmas posições dos fraudadores após terem sidos
submetidos a rede SOM treinada.
Pretende-se ainda, cruzar os resultados dos clientes listados para inspeções com
outros programas já em uso da concessionária local buscando um refinamento nos
dados e uma possível convergência destas listas, possibilitando uma avaliação do uso
da rede SOM treinada, mesmo sem conseguir a determinação positiva de um cliente
como fraudador.
62
7 – Bibliografia
ASSOCIAÇÃO BRASILEIRA DOS DISTRIBUIDORES DE ENERGIA ELÉTRICA
– ABRADE, Referências
Bibliográficas, Brasília, acervo de 2000 à 2006
ADOLFO BAUCHSPIESS – Apostila Curso - Introdução aos Sistemas Inteligente
UNB Brasília
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. Referências
Bibliográficas, NBR 6023. Rio de Janeiro, 1989.
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA - ANEEL Nota Técnica no
026/2006–SRD/SRC/SRE/ANEEL
Aleskerov, E., Freisleben, B. and Rao, B., "CARDWATCH: A Neural Network Based
Data
CABRAL, J. E.; Pinto, J. O. P.; Gontijo, E. M.; Reis, J. Rough Sets Based Fraud
Detection in Electrical Energy Consumers. WSEAS International Conference
on MATHEMATICS AND COMPUTERS IN PHYSICS, Cancun, Mexico,
Apr. 2004, 2 ed.,v.3, p. 413-416.
CABRAL, J. E.; Pinto, J. O. P.; Gontijo, E. M.; Reis, J. Fraud detection in electrical
energy consumers using rough sets. In: 2004 IEEE International Conference on
Systems, Man, and Cybernetics., p. 3625–3629, 2004.
CASTRO, F.C.C.; CASTRO, M.C.F. Redes Neurais Artificiais. Porto Alegre: PUCRS,
2001.Paginação irregular. Apostila para fins didáticos.
63
CRISTIAN MARA; Detecção de Fraude e Erro de Medição em Grandes
Consumidores de Energia Elétrica Utilizando Rough Sets Baseado em Dados
Históricos e em Dados em Tempo, 2005
CHON, T.-S.; PARK, Y.S.; MOON, K.H.; CHA, E.Y. Patternizing communities by
using an artificial neural network. Ecological Modelling, v.90, p.69-78, 1996.
DEBOECK, J.G., 1998: Financial Applications of Self-Organizing Maps, American
Heuristics Electronic Newsletter.
HAYKIN, S., 2001, Redes Neurais : Princípios e Práticas, Bookman, 2a ed.
KOHONEN, T., 2001, Self-Organizing Maps; terceira edição, editora Springer.
LIMA, W.S., de CASTRO, L.N., O LIM HISHI, T., 1999: Mapas Auto-Organizáveis
Não-Paramétricos para Análise da Influência Climática em Curvas de Carga, XV
Seminário Nacional de Produção e Transmissão de Energia Elétrica (SNPTEE),
Foz do Iguaçu, Brasil.
MERJA OJA, SAMUEL KSKI, KOHONEN TEUVO - Helsinki University of
Technology, Neural Networks Research Centre, P.O. Box 5400, FIN-02015
HUT, FINLAND - Bibliography of Self-Organizing Map (SOM) Papers 1998-
2001 Addendum
RESOLUÇÃO NORMATIVA Nº 456 da ANEEL – Agência Nacional de Energia
Elétrica, de 29 de novembro de 2000.
REIS, J.; Gontijo, E. M.; Mazina, E.; Cabral, J. E.; Pinto, J. O. P. Fraud identifi-cation
in electricity company customers using decision tree. In: 2004 IEEE
International Conference on Systems, Man, and Cybernetics, p. 3730–3734,
2004.
SPERANDIO, MAURICIO- Classificação de Conjuntos de Consumidores de Energia
64
Elétrica via Mapas Auto-Organizáveis e Estatística Multivariada -2004
VERSANTO, J. Data Mining Techniques Based on the Self-Organizing ap.Dissertação
– Helsinki University of Technology, May 1997.
Y. KOU, C.T. Lu, S. Sirwongwattana, Y.P. Huang, .Survey of Fraud Detection
Techniques,. Proceedings of the 2004 International Conference on Networking,
Sensing, and Control, pp. 749-754, Taipei, Taiwan, March 21-23, 2004.
Bibliografia Adicional
MINING SYSTEM FOR CREDIT CARD FRAUD DETECTION, Proceedings of the
IEEE/IAFE,1997.
ANDERSON, D., MCNEIL, G., Artificial Neural Networks Technology, 1992.
ABRADEE Associação Brasileira de Distribuidores de Energia, CODI 19-34 Metodologia
para determinação, Análise e Otimização de Perdas Técnicas em Sistemas de
Distribuição, 1994.
BRAGA, A. P., CARVALHO, A. C. P. L. F., LUDERMIR, T. B., Fundamentos de redes
neurais artificiais, 1998.
BOLTON, R. J., HAND, D. J., Unsupervised Profiling Methods for Fraud Detection, 2001.
BREIMAN, L., FRIEDMAN,R.A., OLSHEN, J.H. e STONE, C.J., Classification and
Regression Trees. Wadsworth, Belmont, CA, 1984
.
ELLER, N. A., Arquitetura de informação para o gerenciamento de perdas comerciais de
energia elétrica, Programa de Pós Graduação, Engenharia da Produção, UFSC, 2003.
65
ENGELS, R. e THEUSINGER, C. Using a Data Metric for Preprocessing Advice for Data
Mining Applications, European Conference on Artificial Intelligence, ECAI 1998.
FAYYAD, U., PIATETSKY-SHAPIRO, G. e SMYTH, P. The KDD Process for Extracting
Useful Knowledge from Volumes of Data, ACM, 1996
HAN, J., KAMBER M., Data Mining Concepts and Techniques, Morgan-Kaufmann
Publishers, 2001.
KPMG TRANSITION AND FORENSIC SERVICES Ltda. A fraude no Brasil Relatório de
Pesquisa, 2004.
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo