tese_caio (1)

Prévia do material em texto

CAIO CÉSAR OBA RAMOS
Caracterização de Perdas Comerciais em Sistemas de
Energia Através de Técnicas Inteligentes
São Paulo
2014
CAIO CÉSAR OBA RAMOS
Caracterização de Perdas Comerciais em Sistemas de
Energia Através de Técnicas Inteligentes
Tese apresentada à Escola Politécnica da
Universidade de São Paulo para obtenção
do título de Doutor em Ciências
São Paulo
2014
CAIO CÉSAR OBA RAMOS
Caracterização de Perdas Comerciais em Sistemas de
Energia Através de Técnicas Inteligentes
Tese apresentada à Escola Politécnica da
Universidade de São Paulo para obtenção
do título de Doutor em Ciências
Área de Concentração: Engenharia Elé-
trica / Sistemas de Potência
Orientador: Prof. Dr. André Nunes de
Souza
São Paulo
2014
Dedicatória
Dedico este trabalho com todo carinho a meus pais que me incentivaram e que me
deram total apoio para a concretização desta conquista.
i
Agradecimentos
Ao Prof. Dr. André Nunes de Souza, pela orientação e pelo constante estímulo
transmitido durante todo os anos de pesquisa, desde 2003. Sua amizade foi um fator
fundamental que contribuiu bastante para a minha produtividade científica.
Ao Prof. Dr. João Paulo Papa, pela colaboração para o desenvolvimento deste
trabalho e pela sua grande amizade desde os tempos de colégio.
Ao Grupo de Pesquisa RECOGNA (Biometric & Pattern Recognition Research
Group) da UNESP, campus de Bauru, pela assistência dada para a execução dos
experimentos.
Ao Prof. Dr. Luiz Lebensztajn, pelo apoio, incentivo e suporte para a continuidade
deste trabalho.
Aos meus amigos e colegas de trabalho do LSISPOTI, em especial, o Danilo Gas-
taldello, o Tiago Forti da Silva e o Haroldo Amaral, sem esquecer aos demais, pela
ajuda, pela companhia e pela amizade em todos os momentos bons e difíceis para
cumprir com todos os cronogramas.
Ao Ricardo Torrezan, um grande amigo, cuja amizade começou durante o curso de
mestrado na UNESP, que contribuiu com significativas sugestões.
A CAPES, pelo incentivo e apoio financeiro dado para a execução deste trabalho.
A minha família, em especial aos meus pais, Eunice Oba e Alcides de Amorim
Ramos, pela compreensão, incentivo, apoio e paciência que tiveram comigo durante o
desenvolvimento deste trabalho.
E a todos que colaboraram direta ou indiretamente, na execução deste trabalho.
ii
Resumo
A detecção de furtos e fraudes nos sistemas de energia provocados por consumi-
dores irregulares é o principal alvo em análises de perdas não-técnicas ou comerci-
ais pelas empresas de energia. Embora a identificação automática de perdas não-
técnicas tenha sido amplamente estudada, a tarefa de selecionar as características
mais representativas em um grande conjunto de dados a fim de aumentar a taxa de
acerto da identificação, bem como para caracterizar possíveis consumidores irregula-
res como um problema de otimização, não tem sido muito explorada neste contexto.
Neste trabalho, visa-se o desenvolvimento de algoritmos híbridos baseados em téc-
nicas evolutivas a fim de realizar a seleção de características no âmbito da caracte-
rização de perdas não-técnicas, comparando as suas taxas de acerto e verificando
as características selecionadas. Vários classificadores são comparados, com desta-
que para a técnica Floresta de Caminhos Ótimos por sua robustez, sendo ela a téc-
nica escolhida para o cálculo da função objetivo das técnicas evolutivas, analisando
o desempenho das mesmas. Os resultados demonstraram que a seleção de carac-
terísticas mais representativas podem melhorar a taxa de acerto da classificação de
possíveis perdas não-técnicas quando comparada à classificação sem o processo de
seleção de características em conjuntos de dados compostos por perfis de consumi-
dores industriais e comerciais. Isto significa que existem características que não são
pertinentes e podem diminuir a taxa de acerto durante a classificação dos consumido-
res. Através da metodologia proposta com o processo de seleção de características, é
possível caracterizar e identificar os perfis de consumidores com mais precisão, afim
de minimizar os custos com tais perdas, contribuindo para a recuperação de receita
das companhias de energia elétrica.
Palavras-chave: Técnicas Inteligentes. Algoritmos Evolutivos. Identificação. Seleção
de Características. Floresta de Caminhos Ótimos. Perdas Não-Técnicas.
iii
Abstract
The detection of thefts and frauds in power systems caused by irregular consu-
mers is the most actively pursued analysis in non-technical losses by electric power
companies. Although non-technical losses automatic identification has been massi-
vely studied, the task of selecting the most representative features in a large dataset,
in order to boost the identification accuracy, as well as characterizing possible irregular
consumers as a problem of optimization, has not been widely explored in this con-
text. This work aims at developing hybrid algorithms based on evolutionary algorithms
in order to perform feature selection in the context of non-technical losses characte-
rization. Although several classifiers have been compared, we have highlighted the
Optimum-Path Forest (OPF) technique mainly because of its robustness. Thus, the
OPF classifier was chosen to compute the objective function of evolutionary techni-
ques, analyzing their performances. This procedure with feature selection is compared
with the procedure without feature selection in datasets composed by industrial and
commercial consumers profiles. The results demonstrated that selecting the most re-
presentative features can improve the classification accuracy of possible non-technical
losses. This means that there are irrelevant features and they can reduce the classi-
fication accuracy of consumers. Considering the methodology proposed with feature
selection procedure, it is possible to characterize and identify consumer profiles more
accurately, in order to minimize costs with such losses, contributing to the recovery of
revenue from electric power companies.
Keywords: Intelligent Techniques. Evolutionary Algorithms. Identification. Feature
Selection. Optimum-Path Forest. Non-Technical Losses.
iv
Sumário
Lista de Abreviaturas, Siglas e Símbolos ix
Lista de Figuras xi
Lista de Tabelas xii
1 Introdução 1
1.1 Motivação e Justificativa . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Organização do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Perdas Não-Técnicas ou Perdas Comerciais 5
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Perdas Não-Técnicas no Cenário Brasileiro e Mundial . . . . . . . . . . 7
2.3 Fraudes e Furtos de Energia . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4 Inadimplência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4.1 Nova Modalidade: Tarifa Branca . . . . . . . . . . . . . . . . . . 13
2.5 Procedimentos de Combate Contra as Perdas Comerciais . . . . . . . . 14
2.5.1 Projetos de Pesquisa e Desenvolvimento Regulados pela ANEEL 15
2.5.2 Smart Grid e sua Relação com Perdas Não-Técnicas . . . . . . 16
2.5.3 Sistema de Pagamento Pré-Pago . . . . . . . . . . . . . . . . . 17
2.6 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3 Estado da Arte: Perdas Não-Técnicas 19
3.1 Alguns Projetos Importantes de P&D Regulados pela ANEEL . . . . . . 19
3.2 Teses e Dissertações . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3 Artigos Publicados em Periódicos e Conferências . . . . . . . . . . . . . 26
3.4 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4 IA Para Reconhecimento de Padrões 31
4.1 Redes Neurais Artificiais . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.1.1 Mapas de Auto-Organização . . . . . . . . . . . . . . . . . . . . 32
v
SUMÁRIO vi
4.1.2 Redes NeuraisPerceptron Multicamadas . . . . . . . . . . . . . 34
4.2 Máquinas de Vetores de Suporte . . . . . . . . . . . . . . . . . . . . . . 39
4.2.1 Classificadores por Hiperplano . . . . . . . . . . . . . . . . . . . 39
4.2.2 Nuclearização e Hiperplanos de Margem Suave . . . . . . . . . 43
4.2.3 Considerações Adicionais . . . . . . . . . . . . . . . . . . . . . . 45
4.3 k -Vizinhos Mais Próximos . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.4 Floresta de Caminhos Ótimos . . . . . . . . . . . . . . . . . . . . . . . . 47
4.4.1 Classificador por OPF . . . . . . . . . . . . . . . . . . . . . . . . 48
4.4.2 Fundamentação Teórica . . . . . . . . . . . . . . . . . . . . . . . 48
4.4.3 Treinamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.4.4 Classificação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.5 Redes Bayesianas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.6 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5 Técnicas Evolutivas Para Otimização 54
5.1 Particle Swarm Optimization - PSO . . . . . . . . . . . . . . . . . . . . . 54
5.1.1 Teoria Básica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.1.2 PSO para Seleção de Características . . . . . . . . . . . . . . . 56
5.2 Gravitational Search Algorithm - GSA . . . . . . . . . . . . . . . . . . . 57
5.2.1 Teoria Básica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2.2 GSA para Seleção de Características . . . . . . . . . . . . . . . 60
5.3 Harmony Search - HS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.3.1 Teoria Básica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.3.2 HS para Seleção de Características . . . . . . . . . . . . . . . . 65
5.3.3 Self-adaptive Global best Harmony Search . . . . . . . . . . . . 67
5.4 Cuckoo Search - CS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.4.1 Teoria Básica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.4.2 CS para Seleção de Características . . . . . . . . . . . . . . . . 68
5.5 Bat Algorithm - BA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.5.1 Teoria Básica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.5.2 BA para Seleção de Características . . . . . . . . . . . . . . . . 73
5.6 Firefly Algorithm - FFA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.6.1 Teoria Básica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.6.2 FFA para Seleção de Características . . . . . . . . . . . . . . . . 75
5.7 Charged System Search - CSS . . . . . . . . . . . . . . . . . . . . . . . 76
5.7.1 Teoria Básica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.8 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
SUMÁRIO vii
6 Base de Dados e Procedimentos Metodológicos 79
6.1 Conjunto de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.1.1 Observações Adicionais . . . . . . . . . . . . . . . . . . . . . . . 80
6.2 Procedimentos Metodológicos . . . . . . . . . . . . . . . . . . . . . . . 83
6.3 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
7 Resultados Experimentais 86
7.1 Experimento 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
7.1.1 Procedimentos Experimentais . . . . . . . . . . . . . . . . . . . 86
7.1.2 Avaliação dos Métodos . . . . . . . . . . . . . . . . . . . . . . . 87
7.1.3 Avaliação da Robustez . . . . . . . . . . . . . . . . . . . . . . . 88
7.1.4 Comparação das Técnicas para Seleção de Características . . . 88
7.1.5 Observações Adicionais . . . . . . . . . . . . . . . . . . . . . . . 90
7.2 Experimento 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
7.2.1 Procedimentos Experimentais . . . . . . . . . . . . . . . . . . . 90
7.2.2 Experimentos e Resultados . . . . . . . . . . . . . . . . . . . . . 91
7.2.3 Observações Adicionais . . . . . . . . . . . . . . . . . . . . . . . 96
7.3 Experimento 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
7.3.1 Treinamento de ANN-MLP Através do CSS . . . . . . . . . . . . 97
7.3.2 Configuração dos Parâmetros . . . . . . . . . . . . . . . . . . . 97
7.3.3 Resultados Experimentais . . . . . . . . . . . . . . . . . . . . . . 98
7.3.4 Observações Adicionais . . . . . . . . . . . . . . . . . . . . . . . 99
7.4 Experimento 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
7.4.1 Software WEKA . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
7.4.2 Procedimentos Experimentais . . . . . . . . . . . . . . . . . . . 100
7.4.3 Avaliação dos Resultados e Discussões . . . . . . . . . . . . . . 100
7.4.4 Observações Adicionais . . . . . . . . . . . . . . . . . . . . . . . 104
7.5 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
8 Estudo de Viabilidade Econômica 105
8.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
8.2 Aspectos Sociais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
8.3 Aspectos Econômicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
8.3.1 Experimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
8.4 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
9 Conclusões 113
9.1 Conclusões Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
9.2 Trabalhos Publicados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
SUMÁRIO viii
Referências Bibliográficas 120
Lista de Abreviaturas, Siglas e Símbolos
ABRADEE Associação Brasileira de Distribuidores de Energia Elétrica
ACO Ant Colony Optimization (Otimização de Colônia de Formigas)
ANEEL Agência Nacional de Energia Elétrica
ANN Artificial Neural Networks (Redes Neurais Artificiais)
ANN-MLP Redes Neurais Artificiais com Perceptrons Multicamadas
BA Bat Algorithm (Algoritmo do Morcego)
BBA Binary Bat Algorithm (Algoritmo do Morcego Binário)
Bc Base de Dados de Consumidores Comerciais
BCS Binary Cuckoo Search (Busca por Cuco Binário)
BFFA Binary Firefly Algorithm (Algoritmo do Vaga-lume Binário)
Bi Base de Dados de Consumidores Industriais
BGSA Binary GSA (Algoritmo de Busca Gravitacional Binário)
CS Cuckoo Search (Busca por Cuco)
CSS Charged System Search (Busca por Partícula Carregada)
DC Demanda Contratada
DF Demanda Faturada
Dmax Demanda Máxima
Dmedia Demanda Média
ELM Extreme Learning Machines (Aprendizado Extrema de Máquinas)
EPE Empresa de Pesquisa Energética
ER Energia Reativa
FANN Fast Artificial Neural Network Library (Biblioteca para ANN)
FC Fator de Carga
FFA Firefly Algorithm (Algoritmo do Vaga-lume)
FIFO First-In-First-Out
FP Fator de Potência
GA Genetic Algorithm (Algoritmo Genético)
GSA Gravitational Search Algorithm (Algoritmo de Busca Gravitacional)
GWh Gigawatts-hora
ix
LISTA DE ABREVIATURAS, SIGLAS E SÍMBOLOS x
HM Harmony Memory (Memória Harmônica)
HMCR Harmony Memory Considering Rate
(Taxa de Consideração da Memória Harmônica)
HS Harmony Search (Busca Harmônica)
IA Inteligência Artificial
k-NN k-Nearest Neighbor (k-Vizinhos Mais Próximos)
KTT Karush-Kuhn-Tucker
kW Quilowatts
LibSVM Biblioteca para SVM com Função Núcleo
LibLINEAR Biblioteca para SVM sem Função Núcleo
LibOPF Biblioteca para Floresta de Caminhos Ótimos
MME Ministério de Minas e Energia
MSE Mean Squared Error (Erro Quadrático Médio)
MST Minimum Spanning Tree (Árvore Geradora Mínima)
NN Nearest Neighbor (Vizinhos Mais Próximos)
NTL Non-Technical Losses (Perdas Não-Técnicas)
OPF Optimum-Path Forest (Floresta de Caminhos Ótimos)
Pinst Potência Instalada
PAR Pitch Adjusting Rate (Taxa de Ajuste de Passo)
PNT Perdas Não-Técnicas
PSO Particle Swarm Optimization
(Otimização por Enxames de Partículas)
RB Redes Bayesianas
SOM Self-Organizing Maps (Mapas de Auto-Organização)
SVM Support Vector Machines (Máquinas de Vetores de Suporte)
SVM-noKernel Máquinas de Vetores de Suporte sem Função Núcleo
SVM-RBF Máquinas de Vetoresde Suporte com Função Base Radial
TNB Tenaga Nasional Berhad
TP Transformador de Potência
UC Unidade Consumidora
Lista de Figuras
2.1 Percentual de perdas em relação à energia injetada no sistema brasileiro. 10
2.2 Ciclo com relação à inadimplência. . . . . . . . . . . . . . . . . . . . . . 13
4.1 Arquitetura bidimensional típica de uma rede de Kohonen. . . . . . . . . 34
4.2 Modelo simplificado do perceptron. . . . . . . . . . . . . . . . . . . . . . 36
4.3 Representação básica de uma rede feedforward (multicamadas). . . . . 37
4.4 Exemplo de hiperplano ótimo. . . . . . . . . . . . . . . . . . . . . . . . . 41
4.5 Mapeamento dos dados para um espaço de maior dimensionalidade. . 44
4.6 Processo de classificação do k-NN. . . . . . . . . . . . . . . . . . . . . 47
4.7 Treinamento e classificação baseado em OPF. . . . . . . . . . . . . . . 51
4.8 Exemplo de Rede Bayesiana. . . . . . . . . . . . . . . . . . . . . . . . . 53
5.1 Interpretação geométrica de PSO. . . . . . . . . . . . . . . . . . . . . . 55
5.2 Representação da força resultante. . . . . . . . . . . . . . . . . . . . . . 58
5.3 Analogia entre a improvisação musica e a otimização. . . . . . . . . . . 63
5.4 Escolha aleatório de um ninho hospereiro. . . . . . . . . . . . . . . . . . 68
5.5 Comportamento dos morcegos. . . . . . . . . . . . . . . . . . . . . . . . 71
5.6 Comportamento dos vaga-lumes. . . . . . . . . . . . . . . . . . . . . . . 74
5.7 Movimento de uma partícula carregada. . . . . . . . . . . . . . . . . . . 77
6.1 Curva de demanda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.2 Triângulo de potências . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.3 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
6.4 Modelo da arquitetura inteligente . . . . . . . . . . . . . . . . . . . . . . 84
7.1 Curva de taxa de acerto do OPF sobre Z3 para o conjunto de dados Bc. 94
7.2 Curva de taxa de acerto do OPF sobre Z3 para o conjunto de dados Bi. 95
7.3 Resultados de busca de grade para o conjunto de dados Bc. . . . . . . 96
7.4 Resultados de busca de grade para o conjunto de dados Bi. . . . . . . 96
7.5 Fluxograma dos experimentos com o WEKA . . . . . . . . . . . . . . . 101
xi
Lista de Tabelas
2.1 Índice de Perdas Não-Técnicas em Diversos Países . . . . . . . . . . . 8
2.2 Índice de Perdas Não-Técnicas por Região (Fonte: ANEEL-2011) . . . 9
2.3 Índice de Perdas Não-Técnicas por Distribuidora (Fonte: ANEEL-2011) 9
7.1 Taxa de Acerto e Tempo de Treinamento para as Bases Bc e Bi . . . . 88
7.2 Taxas de Acerto para as Bases Bc e Bi . . . . . . . . . . . . . . . . . . 89
7.3 Características Selecionadas para as Bases Bc e Bi . . . . . . . . . . . 89
7.4 Parâmetros usados para cada abordagem de otimização . . . . . . . . 92
7.5 Taxas de Acerto Média - Bc . . . . . . . . . . . . . . . . . . . . . . . . . 93
7.6 Taxas de Acerto Média - Bi . . . . . . . . . . . . . . . . . . . . . . . . . 93
7.7 Tempo, Limiar, Características e Taxa de Acerto - Bc . . . . . . . . . . . 94
7.8 Tempo, Limiar, Características e Taxa de Acerto - Bi . . . . . . . . . . . 95
7.9 Configuração dos Parâmetros dos Algoritmos Meta-heurísticos . . . . . 98
7.10 Média do MSE para os Conjuntos de Dados Bc e Bi . . . . . . . . . . . 98
7.11 Média da Taxa de Acerto para os Conjuntos de Dados Bc e Bi . . . . . 99
7.12 Tempo Médio de Execução do Treinamento para Bc e Bi . . . . . . . . . 99
7.13 Resultados com Todas as Características . . . . . . . . . . . . . . . . . 100
7.14 Resultados da Busca Exaustiva . . . . . . . . . . . . . . . . . . . . . . . 101
7.15 Resultados do Ranqueamento . . . . . . . . . . . . . . . . . . . . . . . 101
7.16 Resultados com as Características Selecionadas pela Busca Exaustiva 102
7.17 Resultados com as 3 Características Melhores Ranqueadas . . . . . . 102
7.18 Matriz de Confusão do k-NN em Bc - Todas as Características . . . . . 103
7.19 Matriz de Confusão do k-NN em Bi - Todas as Características . . . . . 103
7.20 Matriz de Confusão do k-NN em Bc - 3 Características . . . . . . . . . . 103
7.21 Matriz de Confusão do k-NN em Bi - 3 Características . . . . . . . . . . 104
8.1 Taxa de Acerto por Classe em Bc e Bi - Sem Seleção de Características 108
8.2 Características Selecionadas para as Bases Bc e Bi . . . . . . . . . . . 108
8.3 Taxa de Acerto por Classe em Bc e Bi - Com Seleção de Características 108
8.4 Cenário Energético Brasileiro em 2011 . . . . . . . . . . . . . . . . . . . 109
8.5 Projeção do Consumo/Prejuízos - Sem Seleção de Características . . . 110
8.6 Projeção do Consumo/Prejuízos - Com Seleção de Características . . . 110
xii
LISTA DE TABELAS xiii
8.7 Projeção de Consumo de Energia Elétrica entre 2011-2021 . . . . . . . 111
Capítulo 1
Introdução
1.1 Motivação e Justificativa
Nos últimos 20 anos, o sistema elétrico brasileiro vem passando por várias mudan-
ças, consolidando-se o período de privatização das empresas geradoras, transmis-
soras e distribuidoras de energia elétrica, a qual introduziu um ambiente competitivo
no cenário nacional. Os investimentos realizados pelas concessionárias têm como
principal objetivo uma melhora significativa de seu desempenho financeiro e técnico,
buscando produtividade, eficiência e rentabilidade. A fim de se obter uma melhor
gestão com relação às perdas de energia, uma das formas de maximizar a energia
disponível para comercialização é a concessionária de energia combater as perdas
comerciais, principalmente as fraudes de energia.
As Perdas Não-Técnicas (PNT), em inglês Non-Technical Losses (NTL), também
conhecidas como Perdas Comerciais, são aquelas associadas à comercialização da
energia fornecida ao usuário e se referem à energia entregue e não faturada, gerando
uma perda no faturamento. Também são definidas como a diferença entre as per-
das totais e as perdas técnicas, e estão principalmente relacionadas com as ligações
clandestinas no sistema de distribuição.
As aplicações de técnicas de Inteligência Artificial (IA), como Redes Neurais Artifi-
ciais (Artificial Neural Networks - ANN) [1], Lógica Nebulosa [2], Algoritmos Genéticos
(Genetic Algorithm - GA) [3] e Máquinas de Vetores de Suporte (Support Vector Ma-
chines - SVM) [4, 5], para a solução de problemas possibilitam o desenvolvimento de
ferramentas computacionais inteligentes utilizadas para a estimação e identificação
de perdas não-técnicas (perdas comerciais) em diversas concessionárias de energia,
analisando conjuntos de dados de um determinado cliente e suas transações, sendo
possível verificar se existe ocorrência de alguma operação suspeita de irregularidade.
O processamento de informação em grandes conjuntos de dados tem sido um de-
safio para a comunidade de aprendizado de máquina. Apesar de SVMs terem sido
propostas para superar o problema das amostras sobrepostas de uma maneira muito
eficaz, a carga computacional para o treinamento pode ser proibitiva em aplicações
1
CAPÍTULO 1. INTRODUÇÃO 2
que necessitam de retreinamento constantemente. Como alternativa, um esforço con-
siderável tem sido dedicado a desenvolver técnicas de seleção de características, a
fim de acelerar o processo de classificação e também para aumentar a sua taxa de
acerto (precisão).
Apesar da grande atenção e do uso maciço de técnicas de aprendizado de má-
quina para identificação de perdas não-técnicas nos sistemas de distribuição de ener-
gia [6–8], o problema de selecionar as características mais representativas não tem
sido muito abordado no contexto de perdas comerciais. Sabe-se que apenas Nizar et
al. [9] propuseram um estudo mais aprofundado para selecionar um subconjunto de
amostras a fim de tornar a classificação mais precisa. Nesse sentido, acredita-se tam-
bém que identificar as características que melhor descrevem possíveis consumidores
com irregularidades é tão importante quanto reconhecê-los.
Dado que uma busca exaustiva de características ótimas em um alto espaço di-
mensional é impraticável, vários autores têm abordado a seleção de característicascomo um problema de otimização, em que soluções ótimas são frequentemente ob-
servadas. Técnicas evolutivas têm objetivado deixar clara a importância da concepção
de algoritmos baseados na dinâmica social e do comportamento coletivo, sendo de
grande interesse no contexto da seleção de características. A facilidade de implemen-
tação e a convergência rápida em algumas aplicações têm atraído muita atenção para
estas abordagens, que cobrem uma vasta gama de fenômenos naturais para modelar
problemas de otimização, como um bando de pássaros voando em conjunto em busca
de comida na Otimização por Enxames de Partículas (Particle Swarm Optimization -
PSO) [10], a evolução natural em GA [3], improvisação musical em Busca Harmô-
nica (Harmony Search - HS) [11], e caminhos ótimos em Otimização de Colônia de
Formigas (Ant Colony Optimization - ACO) [12], entre outros.
1.2 Objetivos
O trabalho desenvolvido nesta tese de doutorado apresenta o contexto de perdas
não-técnicas ou perdas comerciais no Brasil, bem como a importância das diferentes
maneiras de combatê-las, de modo a incentivar o desenvolvimento de procedimen-
tos que possam auxiliar o aspecto financeiro das concessionárias de energia elétrica
através da recuperação de receita.
Embora avanços nesta área possam ser constatados nos últimos 10 anos, prin-
cipalmente com as técnicas de medição de energia elétrica, torna-se cada vez mais
necessária a pesquisa de métodos alternativos, levando-se em consideração diver-
sos aspectos, que explorem arquiteturas de processamento inerentemente paralelas,
adaptativas e flexíveis, como os modelos das técnicas computacionais inteligentes.
Este trabalho é voltado ao desenvolvimento de técnicas computacionais, por meio
de IA, e possui como linha mestra estabelecer uma metodologia para classificar e
CAPÍTULO 1. INTRODUÇÃO 3
selecionar características dos padrões de comportamento de potenciais clientes com
irregularidades na medição de energia elétrica em sistemas de distribuição, através de
informações advindas de um banco de dados disponibilizado por empresas de energia
e pela agência reguladora (Agência Nacional de Energia Elétrica - ANEEL) e, desta
maneira, esclarecer a importância de selecionar boas características no contexto da
identificação de perdas não-técnicas. Logo, este problema é focado analisando diver-
sas técnicas evolutivas baseadas na seleção de características, utilizando principal-
mente a técnica Floresta de Caminhos Ótimos (Optimum-Path Forest - OPF) [13, 14]
para classificar os perfis de consumidores.
1.3 Contribuições
As contribuições deste trabalho para incentivar a tarefa de identificação de perdas
não-técnicas são motivadas pelo aumento das taxas de acerto para o reconhecimento
de padrões e a caracterização do perfil de consumidores com irregularidades, ou seja,
descobrir quais são as características que realmente precisam ser consideradas a fim
de identificar possíveis perdas comerciais nos sistemas de distribuição de energia,
auxiliando no trabalho de recuperação de receita das concessionárias de energia elé-
trica. Enfatiza-se nesta tese, o desenvolvimento de algoritmos híbridos baseados em
técnicas evolutivas a fim de realizar a seleção de características no âmbito da carac-
terização de perdas não-técnicas, comparando as suas taxas de acerto e verificando
as características selecionadas. Todos os algoritmos são fornecidos para mostrar as
técnicas abordadas neste trabalho.
1.4 Organização do Trabalho
Este trabalho está organizado da seguinte forma:
• O Capítulo 2 demonstra os conceitos de perdas em sistemas de energia;
• O Capítulo 3 resume os principais estudos (estado da arte) nacionais e interna-
cionais relacionados ao contexto de perdas comerciais;
• O Capítulo 4 aborda as técnicas de inteligência artificial para classificação de
padrões;
• O Capítulo 5 descreve as técnicas evolutivas para otimização (seleção de carac-
terísticas) desenvolvidas;
• O Capítulo 6 apresenta as bases de dados utilizadas e os procedimentos meto-
dológicos para execução do trabalho;
• O Capítulo 7 discute os resultados experimentais;
CAPÍTULO 1. INTRODUÇÃO 4
• O Capítulo 8 faz um levantamento sobre a viabilidade econômica no contexto em
questão e, finalmente,
• O Capítulo 9 expõe as conclusões obtidas neste trabalho.
Capítulo 2
Perdas Não-Técnicas ou Perdas Comerciais
2.1 Introdução
As privatizações no setor de energia elétrica, a partir de 1995, determinando o
fim do monopólio estatal, introduziram um ambiente competitivo no cenário nacional,
forçando as empresas transmissoras e distribuidoras de energia elétrica a procurar
meios para reduzir as perdas de receita. Segundo o Ministério de Minas e Energia e a
Empresa de Pesquisa Energética (MME/EPE) [15], as perdas de energia no Sistema
Elétrico Nacional (SEN) reduziram da ordem de 18,1% em 2010 para 17,5% no final
de 2011. Logo, busca-se maximizar a energia disponível para comercialização para
uma melhor gestão com relação a estas perdas, alcançando, assim, produtividade,
eficiência e rentabilidade [16].
A energia elétrica é um bem derivado da exploração dos recursos da natureza,
portanto, o seu uso racional deve ser incentivado, sob pena de transmitir para as gera-
ções futuras problemas sociais maiores do que a sua capacidade de solução. Quando
se fala em racionalização do uso de um recurso energético, existe como consequência
direta o adiamento de investimentos e, principalmente, a redução de impactos ambi-
entais associados aos novos empreendimentos.
Nesse sentido, é obrigação das empresas do setor elétrico em conjunto com a so-
ciedade manter o controle das perdas de energia e racionalizar o uso da energia elé-
trica, principalmente durante os períodos de seca, quando os reservatórios das usinas
hidrelétricas estão baixos devido a falta de chuvas. Durante a estiagem, a geração de
energia elétrica é prejudicada, levando ao aumento do valor da tarifa de energia, pois
é preciso aumentar a sua produção através da inserção de usinas térmicas no sistema
elétrico, que possuem um custo maior para gerar energia elétrica.
As empresas têm por direito uma gestão ativa, exemplo disso são seus investimen-
tos que possuem como principal objetivo uma melhora significativa do seu desempe-
nho econômico-financeiro e técnico-operacional [17]. As perdas de energia elétrica
são constituídas pela diferença entre a energia gerada e/ou comprada por uma em-
presa de energia elétrica e a energia efetivamente faturada por ela (Equação (2.1)).
5
CAPÍTULO 2. PERDAS NÃO-TÉCNICAS OU PERDAS COMERCIAIS 6
Tais perdas podem ser divididas em perdas técnicas e perdas comerciais, conforme é
detalhado a seguir.
Perdas Totais = Energia Gerada ou Comprada - Energia Faturada. (2.1)
Perdas Técnicas
As perdas técnicas são as energias perdidas no transporte, na transformação e
nos equipamentos de medição, portanto inerentes ao processo, isto é, um custo ope-
racional esperado pela concessionária. Essas perdas localizam-se tanto nos sistemas
de geração, de transmissão, como também de distribuição de energia e ocorrem nos
componentes agregados ao sistema, tais como: condutores, equipamentos, conexões,
transformadores, capacitores, reguladores de tensão, para-raios, e outros [18].
As perdas técnicas podem ser definidas e determinadas por meio de simulações,
medições e avaliações do sistema elétrico. Algumas metodologias abordam o tema,
definindo mecanismos para a sua mensuração e controle. A redução de tais perdas
depende, fundamentalmente, da tecnologia em utilização, da qualidade dos serviços
de manutenção, da ampliação do sistema elétrico em concordância com a evolução
do mercado consumidor e do modo de operação dos sistemas, onde alguns pontos
chave de controle são: os níveis de carregamento dos condutores e transformadores,
as demandas de energia reativa, os perfis da tensão, entre outros [16]. Este trabalho
não foca o contexto de perdas técnicas, mas é possível obter maiores detalhes sobre
elas, bem como os métodos de seus cálculos, em [19,20].
PerdasNão-Técnicas ou Perdas Comerciais
As perdas comerciais, o foco desta pesquisa, são aquelas associadas à comerci-
alização da energia fornecida ao usuário. Existe uma parcela de energia que é pro-
duzida, transportada e fornecida; no entanto, não é faturada, propiciando uma perda
direta no faturamento [21]. Em geral, elas podem ser estimadas pela Equação (2.2),
sendo classificadas em administrativas e de intervenção ilícita.
Perdas Comerciais = Perdas Totais - Perdas Técnicas. (2.2)
As perdas comerciais de natureza administrativa possuem como causas:
• Sistema de medição incompleto, obsoleto ou sem calibração;
• Cadastro de consumidores ineficiente;
• Erro na leitura registrada pelo medidor ou no processo de informação dessa
leitura; e
• Erro no processo de faturamento.
CAPÍTULO 2. PERDAS NÃO-TÉCNICAS OU PERDAS COMERCIAIS 7
As intervenções ilícitas correspondem ao montante de energia não faturado, e es-
tão relacionadas às intervenções que não são autorizadas pela concessionária, sendo
realizadas por usuários ilícitos, com a finalidade de alterar o registro de energia elétrica
ou o seu desvio [22].
As ligações clandestinas de energia elétrica são motivos de preocupação cons-
tante, tanto para as concessionárias de energia elétrica, como para as agências regu-
ladoras. Neste contexto, os diversos tipos de fraudes podem afetar o poder público,
que não recolhe os tributos e taxas de iluminação pública, e os consumidores em ge-
ral, que pagam pelo prejuízo rateado e deixam de receber benefícios sociais de obras
que seriam realizadas pelo poder público. Outro enfoque também muito importante é
que a minimização das perdas provocadas por estas fraudes representa o aumento
de investimentos na qualidade do produto, na manutenção do patrimônio da conces-
são e, principalmente, na possibilidade de expansão do sistema elétrico com menor
custo [21].
A necessidade de se combater as perdas comerciais se destaca pelo fato de que
quanto maior elas são, menor é o faturamento e o lucro para a concessionária de
energia e menor é o investimento de expansão para atender a demanda, pois as con-
cessionárias de energia precisam cumprir todas as metas estabelecidas pela ANEEL.
2.2 Perdas Não-Técnicas no Cenário Brasileiro e Mundial
O problema das perdas comerciais não é apenas brasileiro, ou de países emer-
gentes, e sim mundial, mesmo que em menores proporções. Alguns especialistas no
assunto costumam correlacionar as perdas comerciais com o desenvolvimento de um
país, incluindo aspectos de educação, distribuição de renda, violência, entre outros.
Em países desenvolvidos, onde os índices de perdas comerciais são menores,
predominam os programas de conscientização e de denúncia para se combater essas
perdas, ao contrário do que acontece em países menos desenvolvidos, onde a prática
de se conscientizar e denunciar é de difícil implementação. Na Tabela 2.1 são apre-
sentados os índices das perdas não-técnicas de distribuidoras de energia em diversos
países durante o ano de 2007 [23].
Estima-se que concessionárias de todo o mundo percam US$ 20 bilhões todo ano
por causa das perdas comerciais. Na Índia, onde o índice de perdas não-técnicas
entre as companhias de energia é por volta de 20% a 40%, perde-se por volta de
US$ 4,5 bilhões todo ano, sendo que 10% da energia recuperada pode conservar 83
mil gigawatts-hora (GWh) de energia anualmente [23, 24]. Nos Estados Unidos, as
perdas comerciais anuais são estimadas em US$ 6 bilhões e, no Canadá, em US$
100 milhões em apenas uma distribuidora [25].
No Brasil, segundo a ANEEL [26], o prejuízo com perdas não-técnicas (consumo
irregular) de energia elétrica atingiu o patamar de R$ 8,1 bilhões ao ano, conside-
CAPÍTULO 2. PERDAS NÃO-TÉCNICAS OU PERDAS COMERCIAIS 8
Tabela 2.1: Índice de Perdas Não-Técnicas de Distribuidoras de Energia em Diversos Países
País Perdas Não-Técnicas
Índia 20,0% a 40,0%
Filipinas 3,5%
Jamaica 13,2%
China 10,0%
Rússia 10,0%
Turquia 6,0% a 64,0%
Tailândia 0,3%
África do Sul 10,0%
Venezuela 12,7%
Reino Unido 0,2% a 1,0%
Austrália 0,2%
Estados Unidos 4%
Nova Zelândia 0,3% a 1,0%
rando as 61 das 63 distribuidoras que passaram pelo 2o ciclo de revisões tarifárias
no período de 2007 a 2010. Em energia, o valor corresponde a mais de 27 mil GWh
e equivale a aproximadamente 8% do consumo do mercado cativo elétrico brasileiro.
O mercado cativo é formado pelos consumidores que só podem comprar energia da
concessionária de distribuição responsável pela rede à qual estão conectados. Esse
montante seria suficiente, por exemplo, para abastecer anualmente os 774 municípios
atendidos pela Companhia Energética de Minas Gerais (CEMIG) e as 217 cidades
com fornecimento da Companhia Energética do Maranhão (CEMAR).
Lembrando que se enquadram em perdas não-técnicas os erros de medição, as
deficiências no processo de faturamento, a falta de medidor em unidades consumido-
ras, as fraudes e os furtos de energia entre outros fatores. A fraude é um ato cometido
por consumidor que viola o sistema de medição para obter um registro de consumo
menor que seu gasto real, enquanto o furto é praticado por quem não é consumidor e
se liga clandestinamente à rede para consumir energia.
Na Tabela 2.2 [26] são apresentados os índices de perdas não-técnicas; nota-se
que a região com maior índice de consumo irregular é o Norte, com 20% da ener-
gia distribuída, seguida pela região Sudeste, com 10%, e do Nordeste, com 9%. No
Centro-Oeste, o percentual é de 5%, e no Sul, de 3%. Nota-se que as maiores perdas
no cenário brasileiro atual ocorrem na região Norte, onde a implementação de proce-
dimentos contra as perdas técnicas e comerciais não são fáceis de executar, devido
ao difícil acesso e a grande extensão territorial que a concessionária de energia atua.
As menores perdas ocorrem na região Sul, um panorama oposto do que acontece na
região Norte.
Nas regiões Sudeste e Nordeste, algumas empresas sofrem mais com os desvios
e furtos de energia motivados pelo grande número de favelas presentes em estados
CAPÍTULO 2. PERDAS NÃO-TÉCNICAS OU PERDAS COMERCIAIS 9
Tabela 2.2: Índice de Perdas Não-Técnicas por Região (Fonte: ANEEL-2011)
Posição Região Perdas Não-Técnicas (%)
1o Norte 20%
2o Sudeste 10%
3o Nordeste 9%
4o Centro-Oeste 5%
5o Sul 3%
como o Rio de Janeiro, São Paulo, Bahia e Pernambuco. Já nas regiões Centro-Oeste
e Sul são mais visadas as fraudes na unidade de medição do próprio consumidor. A
grande quantidade de ligações clandestinas existentes no Brasil e os números com
relação à quantidade de perdas comerciais dão uma ideia da magnitude do problema
e do seu grau de dificuldade para equacionamento [22].
De acordo com o que é mostrado na Tabela 2.3 [26], onde é apresentada a lista
com as 15 distribuidoras com registros das maiores perdas não-técnicas, a Centrais
Elétricas do Pará (CELPA) lidera o ranking de perdas não-técnicas, com 24,4% da
energia distribuída. Em segundo lugar, vem a LIGHT, no Rio de Janeiro, onde esse
tipo de perda chega a 24,2% da energia distribuída. A terceira posição é ocupada pela
CERON (RO), com 22%. Os índices abaixo de 10% consideram o percentual regu-
latório permitido pela ANEEL para fins tarifários. Segundo [23], em 2007 os índices
estavam entre 0,5% e 25,0%.
Tabela 2.3: Índice de Perdas Não-Técnicas por Distribuidora (Fonte: ANEEL-2011)
Posição Distribuidora Perdas Não-Técnicas (%)
1o CELPA 24,4%
2o LIGHT 24,2%
3o CERON 22,0%
4o CEMAR 17,8%
5o AMPLA 17,1%
6o CEAL 17,0%
7o AMAZONAS ENERGIA 16,8%
8o ELETROACRE 15,9%
9o CEPISA 15,8%
10o ENERGISA PARAÍBA 11,2%
11o ELETROPAULO 10,8%
12o CEEE 10,5%
13o BANDEIRANTE 10,1%
14o ESCELSA 10,0%
15o BOA VISTA 10,0%
Distribuidoras de pequeno porte registram o menor índice de consumo irregular.
Em algumas delas, como a Força e Luz Coronel Vivida Ltda (FORCEL), no Paraná,
CAPÍTULO 2. PERDAS NÃO-TÉCNICAS OU PERDAS COMERCIAIS 10
a Empresa Força e Luz de Urussanga Ltda, em Santa Catarina, e a Hidrelétrica Pa-
nambi S/A (HIDROPAN) no Rio Grande do Sul, não há perda não-técnica de energia
considerável[26].
As perdas não-técnicas impactam a tarifa, pois esse prejuízo acaba sendo rate-
ado entre os consumidores legalmente cadastrados na distribuidora, no momento do
cálculo tarifário. Numa área de concessão como a da Light Serviços de Eletricidade
S/A, por exemplo, a redução tarifária poderia ser de 18% se não houvesse consumo
irregular [26].
Segundo a Associação Brasileira de Distribuidores de Energia Elétrica (ABRA-
DEE), o percentual de perdas não-técnicas para 2012 em relação a energia injetada
no sistema brasileiro foi de 5,91% (Figura 2.1), levando ao estado do Amazonas como
o recordista em ligações clandestinas.
Figura 2.1: Percentual de perdas em relação à energia injetada no sistema brasileiro. Extraído
de [27].
2.3 Fraudes e Furtos de Energia
A fraude e o furto de energia podem ser definidos como atos conscientes e de
má-fé de uma pessoa contra a distribuidora para eliminar ou reduzir o faturamento da
energia. Normalmente, o furto acontece quando uma unidade consumidora se liga
diretamente à rede da distribuidora, sem o consentimento da concessionária, ou seja,
são realizadas ligações irregulares ou clandestinas, popularmente conhecidas como
“gatos” e, geralmente, concentradas principalmente em áreas invadidas ou em favelas.
A fraude acontece quando o medidor de energia é adulterado, ou quando é feito
CAPÍTULO 2. PERDAS NÃO-TÉCNICAS OU PERDAS COMERCIAIS 11
um desvio no ramal de entrada antes do medidor. Logo, o consumidor que tem um
aumento de carga sem o conhecimento da concessionária pode cometer fraude para
evitar o aumento na conta de energia, em muitos casos de modo sofisticado, através
de circuitos clandestinos.
Outra fraude muito comum ocorre quando a energia da unidade consumidora re-
gular é cortada pela concessionária, devido, por exemplo, à falta de pagamento, e o
consumidor faz a religação direta à rede por conta própria. Assim, pode-se perceber
a correlação entre as fraudes e os furtos de energia. Segundo a ANEEL, essas irre-
gularidades fazem parte de um segmento das perdas comerciais caracterizado como
perdas por ação do consumidor. A seguir estão relacionados os tipos de irregularida-
des mais encontrados nos processos analisados pela ANEEL [28]:
• Ligação direta à rede secundária;
• Desvio no ramal de entrada (antes do medidor);
• Elemento móvel do medidor bloqueado por meio de perfuração da tampa de
vidro ou base e introdução de objetos ou material estranho;
• Ponteiros do medidor deslocados;
• Ligações do medidor invertidas;
• Terminal de prova aberto;
• Bobina de potencial interrompida;
• Engrenagem do medidor substituída;
• Dentes da engrenagem desgastados;
• Elemento móvel empenado;
• Ponteiro da demanda retrocedido;
• Chave de aferição aberta;
• Lâmina da chave de aferição isolada;
• Condutores de ligação entre a chave de aferição e medidor isolados;
• Condutores de ligação entre a chave de aferição e medidor seccionados;
• Curto circuito nos secundários dos transformadores de corrente;
• Alimentação do motor de temporização de demanda interrompida;
CAPÍTULO 2. PERDAS NÃO-TÉCNICAS OU PERDAS COMERCIAIS 12
• Sequência de fases invertida (reativo); e
• Curto-circuito na entrada ou saída do medidor.
Além de prejuízos financeiros, o furto e fraude de energia oferecem riscos e danos
à sociedade. As ligações clandestinas costumam sobrecarregar os transformadores,
que são dimensionados para atender uma determinada carga. A sobrecarga pode
ocasionar acidentes na rede elétrica, como explosões e incêndios que, além de riscos
físicos à população, causam interrupções no fornecimento de várias unidades consu-
midoras e, consequentemente, interferem negativamente na qualidade da energia [26].
O meio ambiente também pode ser prejudicado devido ao uso ineficiente de ener-
gia, isto é, ao consumo desnecessário diante do aumento das perdas comerciais, tra-
zendo maior necessidade de geração de energia, o que implica uma maior quantidade
de hidrelétricas e termoelétricas. Logo, a redução dessas perdas adiaria a construção
de novas usinas, reduzindo os impactos ambientais e as emissões de gases do efeito
estufa.
A Resolução no. 414/2010 [29], com os direitos e deveres do consumidor de ener-
gia elétrica, disciplina os procedimentos a serem adotados pela distribuidora para ca-
racterização de irregularidades de consumo de energia e a recuperação da receita. O
furto e fraude de energia elétrica são considerados como crime. O responsável fica
sujeito a penalidades que vão desde o pagamento de multas até a detenção por até
quatro anos.
2.4 Inadimplência
Estimou-se que, em 2002, a inadimplência no Brasil tenha sido de R$ 3,15 bilhões
de reais e, segundo dados da ANEEL, em 2005, o total de perdas era por volta de
3,7 bilhões de reais, sendo 1,2 bilhões de reais procedentes de perdas comerciais,
deixando de arrecadar tributos, o que aumentam ainda mais os custos oriundos das
perdas de energia [18]. Existe uma complementaridade entre perdas de energia e
inadimplência, pois os dois fenômenos estão muito ligados e a redução de um pode
levar ao incremento do outro, por isso é importante estar atento com relação a estes
problemas [18].
Logo, a inadimplência é uma grande preocupação das concessionárias de energia,
que pode ser definida como a diferença entre o valor total faturado e o valor total
recebido no mês pelas distribuidoras de energia, ou seja, relação do montante das
contas não-pagas do mês com o total de contas faturadas.
A inadimplência vem crescendo nas últimas décadas do Brasil, pois o aumento das
tarifas de energia, a elevação do desemprego e a queda na renda contribuem com o
atraso das faturas de energia elétrica pelos consumidores. Segundo a ABRADEE, o
volume de atrasos superior a 10 dias para o pagamento das faturas cresceu 295%
CAPÍTULO 2. PERDAS NÃO-TÉCNICAS OU PERDAS COMERCIAIS 13
desde 1991 até 2004 [18]. A ANEEL divulgou em 2007 um aumento das tarifas de
energia de 327% entre abril de 1995 e abril de 2007, fato que estimula ainda mais a
prática da inadimplência [18].
Em 2004, a ABRADEE publicou que a maior ocorrência das inadimplências acon-
tece por parte de consumidores residenciais, comercias e industriais de pequeno
porte, seguidos por consumidores comerciais e industriais de médio e grande porte
e pelo Poder Público [18]. A inadimplência pode ser início de um ciclo (Figura 2.2)
em que o consumidor que não consegue pagar sua conta tem o seu fornecimento de
energia suspenso, podendo vir a furtar energia, ou a fim de reduzir o custo de sua
conta para facilitar o pagamento.
Figura 2.2: Ciclo com relação à inadimplência.
Atualmente, acredita-se que a inadimplência e os problemas de perdas de energia
no setor de distribuição de energia estão associados não apenas com a renda da
população, mas também com a desigualdade social, localização do domicílio, o tipo
de urbanização, questões sociais e até culturais.
2.4.1 Nova Modalidade: Tarifa Branca
Em 2011, a ANEEL aprovou uma alteração da estrutura tarifária aplicada ao setor
de distribuição de energia através da aplicação de tarifas diferenciadas por horário de
consumo, oferecendo tarifas mais baratas nos períodos em que o sistema é menos
utilizado pelos consumidores [30].
A proposta da tarifa branca é estimular o consumo em horários nos quais a tarifa é
mais barata, diminuindo o valor da fatura no fim do mês e a necessidade de expansão
da rede da distribuidora para atendimento do horário de pico. Assim, busca-se também
uma redução da inadimplência e o adiamento de grandes investimentos do sistema
elétrico.
A modalidade tarifária branca oferecerá três diferentes níveis para a tarifa de ener-
gia, de acordo com os horários de consumo. De segunda a sexta-feira, uma tarifa mais
baixa será empregada na maioria das horas do dia, outra mais alta no horário em que
o consumo de energia atinge o pico máximo, que acontece no início da noite, e uma
CAPÍTULO 2. PERDAS NÃO-TÉCNICAS OU PERDAS COMERCIAIS 14
tarifa intermediária para ser cobrada entre esses dois horários. Nos finais de semanae feriados, a tarifa mais baixa será empregada para todas as horas do dia.
Os consumidores residenciais e comerciais poderão aderir a um novo modelo de
cobrança de energia elétrica a partir de 2014, e caso o consumidor reduza a zero
o consumo no horário de pico, a economia poderá chegar a 45%. Os interessados
deverão fazer o pedido às distribuidoras de energia elétrica, sendo que para a nova
tarifa, será necessário trocar os antigos relógios de captação por outros mais moder-
nos, e, segundo a ANEEL, o valor do novo equipamento poderá ser repassado ao
consumidor nas próximas faturas [30]. Porém, a tarifa branca será opcional, e caso
o consumidor não pretenda modificar seus hábitos de consumo, a tarifa convencional
continuará disponível.
Outra mudança, válida a partir de janeiro de 2014, é a criação das bandeiras tari-
fárias verde, amarela e vermelha, que funcionarão como um semáforo de trânsito e se
refletirão em diferença de tarifa para o consumidor. A bandeira verde significa custos
baixos para gerar a energia. A bandeira amarela indicará um sinal de atenção, pois os
custos de geração estão aumentando. Por sua vez, a bandeira vermelha indicará que
a situação anterior está se agravando e a oferta de energia para atender a demanda
dos consumidores ocorre com maiores custos de geração como, por exemplo, o acio-
namento de grande quantidade de termelétricas para gerar energia, que é uma fonte
mais cara do que as usinas hidrelétricas. O público alvo será todos os consumidores
do Sistema Interligado Nacional (SIN) de alta e baixa tensão [30].
2.5 Procedimentos de Combate Contra as Perdas Comerciais
O problema da detecção de perdas comerciais em sistemas de distribuição tem
sido determinante. Roubo e adulteração de medidores de energia, com a finalidade de
modificar a medição do consumo de energia, são as principais causas que conduzem
as perdas não-técnicas em concessionárias de energia. É uma tarefa difícil de calcular
ou medir a quantidade de perdas e, na maior parte dos casos, é quase impossível
saber onde eles ocorrem.
Com o objetivo de reduzir os valores das perdas comerciais, as empresas de ener-
gia elétrica atuam, geralmente em:
• Programas de inspeção: consiste na verificação da integridade do sistema de
medição, detectando falhas nos equipamentos, fraudes e desvios de energia,
erros de ligação e outros problemas que possam comprometer a medição de
energia elétrica;
• Substituição de medidores: consiste na avaliação de lotes de medidores através
de amostragem no campo, testes em laboratório e análise dos medidores retira-
dos em campo. Além disso, a substituição de medidores com vida útil vencida
CAPÍTULO 2. PERDAS NÃO-TÉCNICAS OU PERDAS COMERCIAIS 15
ou com possíveis falhas técnicas;
• Regularização de focos possíveis de ligações clandestinas, tais como favelas,
através de um programa de caráter regulatório, reduzindo consequentemente as
perdas comerciais;
• Implementação de políticas comerciais: consiste em atendimentos para a co-
munidade sobre explicações, negociações e treinamentos sobre o consumo de
energia elétrica; e
• Ações de eficiência energética com foco na diminuição das contas elétricas e
uso efetivo da energia, servindo de incentivo aos consumidores para que não
cometam as fraudes.
Uma das formas mais tradicionais de combate às perdas comerciais é a realização
de inspeções periódicas nos consumidores, o que não é muito vantajoso, pois elas
costumam ter um custo muito alto para a concessionária de energia. Entretanto, a
seleção de quais consumidores que devem ser inspecionados é uma tarefa árdua
para os especialistas no assunto. As distribuidoras geralmente empregam e investem
bastante em um conjunto de metodologias heurísticas para identificar os clientes de
baixa tensão suspeitos de estarem cometendo algum tipo de irregularidade, através
do uso da inteligência artificial. Todavia, a taxa média de acertos dessas metodologias
ainda é bastante inferior ao desejado, ou seja, a maioria dos processos adotados não
é eficaz o bastante.
2.5.1 Projetos de Pesquisa e Desenvolvimento Regulados pela ANEEL
A ANEEL, com a criação da Lei no 9.991 de 24 de julho de 2000, estabelece
que as concessionárias de energia elétrica devem aplicar um mínimo percentual de
sua receita operacional líquida (no mínimo 0,75% para as distribuidoras e 1% para as
geradoras e transmissoras) em projetos de Pesquisa e Desenvolvimento Técnológico
do Setor de Energia Elétrica (P&D) visando a busca de inovações para fazer frente aos
desafios tecnológicos e de mercado das empresas de energia elétrica. A pesquisa
empresarial no setor de energia elétrica deve ter metas e resultados previstos bem
definidos, porque é diferente da pesquisa acadêmica pura, que se caracteriza pela
liberdade de investigação [31].
Um dos temas de interesse para investimentos em projetos de P&D é “Medição,
Faturamento e Combate a Perdas Comerciais”, justamente o principal contexto desta
tese. De acordo com a Revista Pesquisa e Desenvolvimento da ANEEL de 2011 [32],
63 projetos entre 2008 e 2010 foram cadastrados neste tema, com investimentos em
mais de R$ 78 milhões de reais, o que é uma quantia bastante considerável.
Apesar de existirem inúmeros projetos de P&D, nem todos são divulgados com
maiores detalhes, porém alguns deles são detalhados através de projetos publicados
CAPÍTULO 2. PERDAS NÃO-TÉCNICAS OU PERDAS COMERCIAIS 16
pela Revista Pesquisa e Desenvolvimento da ANEEL, onde são apresentados o de-
senvolvimento de diversos artifícios para o combate a perdas comerciais de muitas
concessionárias em conjunto com instituições de pesquisa.
Muitos trabalhos relacionados ao contexto de perdas não-técnicas são derivados
desses projetos de pesquisa e desenvolvimento desenvolvidos pelas concessionárias
de energia para atingir metas elaboradas pela ANEEL. Alguns dos projetos divulgados
que se destacaram são apresentados no Capítulo 3.
2.5.2 Smart Grid e sua Relação com Perdas Não-Técnicas
O problema das perdas não-técnicas poderá ser minimizado num futuro próximo
com a implantação da medição inteligente (smart metering). Mais informações elé-
tricas, que possibilitam conhecer melhor o comportamento dos consumidores, além
do consumo em tempo real, são coletadas através de sensores nos medidores de
energia e transmitidas para as concessionárias com determinada periodicidade, o que
é um avanço para a medição, mas sem inserir o conceito de aprendizado ou o de
reconhecimento de padrões de fraude, para uma tomada de decisões de forma autô-
noma. Assim sendo, o medidor inteligente (smart meter ) não impede a fraude, apenas
fornece as informações mais rapidamente [33].
Cabe à inteligência computacional determinar quais indícios tem maior probabili-
dade de representar uma fraude, ou irregularidade, e qual o seu grau de importân-
cia, mantendo um critério de priorização, seguida de uma inspeção de campo. Logo,
(smart meters) são extremamente úteis na melhora do desempenho das redes de
energia e na estratégia de redução de perdas comerciais [25].
Paralelamente aos smart meters, tem-se o conceito de Rede Elétrica Inteligente
(REI) ou Smart Grid, que possibilita a integração dos equipamentos da rede elétrica
e de redes de comunicação de dados em um sistema gerenciado e automatizado que
pode abranger toda a área de uma concessionária, de modo que uma rede possa
permitir [28,33]:
• Serviços inteligentes integrados com os consumidores;
• Utilização de medidores inteligentes e aplicação de tarifas diferenciadas por ho-
rário/sazonalidade;
• Melhorias na qualidade de energia e redução de perdas técnicas e comerciais;
• Gerenciamento, monitoração e otimização do sistema elétrico em tempo real;
• Vigilância e segurança;
• Integração de serviços públicos; e
• Internet banda larga.
CAPÍTULO 2. PERDAS NÃO-TÉCNICAS OU PERDAS COMERCIAIS 17
O conceito do Smart Grid está ganhando volume a partir do crescimento da de-
manda de leitura automática de medidores. Além do objetivo de reduzir as fraudes, os
furtos de energia e medições comfalhas, várias concessionárias de energia elétrica
tem se preocupado em caracterizar melhor o perfil dos consumidores com irregulari-
dades, bem como identificar corretamente as ligações clandestinas realizadas [33].
A minimização das perdas pode contribuir para aumentar os investimentos em pro-
gramas de qualidade de energia, assim como pode permitir uma redução do seu preço
para o consumidor. Mas, para que tudo isso aconteça, é necessário substituir os me-
didores de energia analógicos para medidores de energia digitais, o que pode levar
muitos anos para se materializar.
O Smart Grid é o futuro das redes de energia. No Brasil, existem alguns projetos-
piloto em São Paulo, Rio de Janeiro, Minas Gerais, Amazonas, Pernambuco, Ceará
e no Paraná; logo, busca-se acompanhar esta tendência motivado pelos benefícios
quanto à melhoria nos serviços prestados, como a resolução de problemas mais rapi-
damente através da mobilização de técnicos para a realização de reparos nas redes
de energia, aumento da confiabilidade do sistema e da qualidade no fornecimento de
energia. Além disso, almeja-se a redução das perdas comerciais, do desperdício de
energia e da inadimplência.
2.5.3 Sistema de Pagamento Pré-Pago
A implantação do Smart Grid, a partir da implementação dos smart meters, torna
o sistema mais flexível para optar por um plano de pagamento de energia elétrica,
fazendo surgir uma nova modalidade através do sistema pré-pago, semelhante com o
pré-pagamento nos sistemas de telecomunicações, além do convencional plano pós-
pago, onde se paga o que se consome, que já tem regulamentação consolidada. Ao
contrário, o sistema de pré-pagamento não possui uma regulamentação ainda, porém
está em andamento, já que este tipo de sistema não é oficial no Brasil [30].
A ANEEL, com a implementação desse novo sistema, pretende estabelecer o pla-
nejamento dos consumidores em relação ao consumo de energia elétrica. Contudo
a sua adesão é opcional, tanto por parte das concessionárias quanto por parte dos
usuários.
Com a adesão do serviço pré-pago, as distribuidoras estão em busca:
• Do fim das ligações clandestinas;
• Da redução da inadimplência;
• Da economia de mão de obra na medição;
• Da queda nos gastos com o envio de faturas; e
CAPÍTULO 2. PERDAS NÃO-TÉCNICAS OU PERDAS COMERCIAIS 18
• Do controle efetivo do programa de gratuidade de energia para a população ca-
rente, permitindo a ampliação do “Programa Luz Para Todos”.
Para o consumidor, essa modalidade permite uma maior flexibilidade de compra
do serviço e um melhor gerenciamento do consumo de energia elétrica através da
possibilidade de monitoramento do consumo em tempo real. Além disso, podem-se
ter outros benefícios e facilidades, como por exemplo a não obrigatoriedade do paga-
mento da assinatura mensal básica, já que se paga antecipadamente. Esse princípio
pode ser aplicado na locação de um imóvel, ou de casas de veraneio, onde os crédi-
tos podem ser comprados pelos proprietários ou pelos locatários temporários somente
durante período de sua utilização, evitando ser responsável pelo pagamento ou pela
inadimplência, já que o serviço será imediatamente interrompido ao final do último
crédito adquirido [30].
O sistema de medição e controle, através dos smart meters, deve informar quando
os créditos estiverem próximos a se esgotar por meio de avisos sonoros e luminosos,
permitindo com que o usuário recarregue os créditos afim de evitar a interrupção do
fornecimento de energia elétrica.
Este sistema já é utilizado em diversos países, como Reino Unido, Argentina, África
do Sul e Colômbia. No Brasil, existem projetos-piloto em São Paulo, Rio de Janeiro e
em algumas regiões do Amazonas. Porém, são necessários altos investimentos para
a implantação do sistema de pré-pagamento e cuidados com a regulamentação deste
tipo de serviço, de maneira que ninguém saia prejudicado.
2.6 Considerações Finais
Neste capítulo foram apresentados alguns conceitos importantes para o compreen-
são da importância do tema da tese. São definidos os conceitos de perdas comerciais
ou perdas não-técnicas, bem como dos métodos de combate a essas perdas, o pro-
blema da inadimplência e o uso da tarifa branca. Em [28], também é possível obter
maiores detalhes com relação a este tema, pois complementa muitas informações
abordadas nesta tese. No capítulo a seguir é abordado o estado da arte no contexto
das perdas não-técnicas, onde são apresentados os principais trabalhos encontrados
na literatura.
Capítulo 3
Estado da Arte: Perdas Não-Técnicas
Neste capítulo são apresentados estudos no contexto de perdas não-técnicas,
sendo que muitos deles usam sistemas inteligentes e métodos estatísticos para clas-
sificar, identificar e caracterizar os consumidores com instalações elétricas irregulares.
Muitos trabalhos abordam profundamente o tema, explicitando a importância do pro-
blema com relação às perdas comerciais.
3.1 Alguns Projetos Importantes de P&D Regulados pela ANEEL
Nesta seção são apresentados alguns dos projetos de P&D regulados pela ANEEL
que foram destaque em edições publicadas da Revista “Pesquisa e Desenvolvimento”
da ANEEL no contexto de combate contra as perdas comerciais.
Em 2000, a Companhia de Eletricidade do Estado do Rio de Janeiro (CERJ), em
conjunto com o Centro de Pesquisas de Energia Elétrica (CEPEL), desenvolveu um
projeto visando investigar a utilização de técnicas computacionais, conhecidas como
inteligência artificial, com a finalidade de se desenvolver um programa de computador
para melhorar o índice de acertos nas inspeções realizadas para a averiguação de
fraudes em consumidores. Para este projeto foi desenvolvido um sistema computacio-
nal para auxiliar os especialistas na seleção das unidade consumidoras (UCs) a serem
inspecionadas. Foi investigado o aumento de eficiência utilizando-se uma análise re-
alizada com redes neurais artificiais treinadas com padrões de fraudes existentes na
concessionária. O sistema desenvolvido fornece ferramentas que auxiliam na exe-
cução das seguintes tarefas: análise do consumo, gerenciamento das inspeções, e
acompanhamento dos fraudadores [34].
No ciclo 2001/2002, a Espírito Santo Centrais Elétricas S.A. (ESCELSA), em con-
junto com o Instituto de Tecnologia para o Desenvolvimento (LACTEC), desenvolveu
um aparelho eletrônico para detecção de desvio de energia com a finalidade de reduzir
as perdas comerciais da ESCELSA entre os consumidores de baixa tensão atendidos
pela distribuidora. O detector é composto por duas partes: um módulo transmissor,
instalado nos cabos dos postes; e um módulo receptor colocado no medidor do cli-
ente. A identificação do desvio é feita por meio da comparação entre os valores de
19
CAPÍTULO 3. ESTADO DA ARTE: PERDAS NÃO-TÉCNICAS 20
corrente medidos pelos dois módulos. Sensores de alta exatidão medem a corrente,
sendo que a comunicação entre os módulos segue o padrão tecnológico PLC (Power
Line Communication), em que se usa a própria rede como meio de transmissão de da-
dos. Quando a diferença entre os valores ultrapassa 10%, o módulo receptor registra
a informação, gravando data e hora da ocorrência. Os dados podem ser transporta-
dos para um microcomputador por um leitor óptico portátil. A operação remota torna
possível a leitura sem a necessidade de abrir a caixa onde fica o medidor, o que evita
desligamentos no sistema [34].
No ciclo 2002/2003, outra concessionária a se preocupar com as perdas comer-
ciais, foi a Companhia de Eletricidade do Estado da Bahia (COELBA) em conjunto
com a Universidade Estadual de Feira de Santana (UEFS). Juntas, elas desenvol-
veram um aparelho eletrônico que permite a visualização de desvio embutido sem
o desligamento da unidade consumidora. O aparelho pode detectar o desvio com
equipamentos elétricos desligados, possuindo sensibilidade elevada e baixa incidên-
cia de alarmes falsos. A tecnologia empregada é baseada em propagação de ondas
do campo magnético, induzido ou não, gerada por ondas acústicas em eletroduto, e
em propagação de calor comdetecção infravermelho, que permitem a visualização do
desvio em vários casos [34].
A Ampla Energia e Serviços S.A (AMPLA), no ciclo 2003/2004, em conjunto com
o LACTEC, desenvolveu o lacre eletrônico motivado pelo alto índice de perdas comer-
ciais. A integridade do dispositivo é analisada em campo, o que permite identificar
com rapidez se ele foi rompido, adulterado ou trocado. É possível também verificar
se houve adulteração no medidor de energia elétrica, além de dificultar o acesso ao
aparelho. A gravação de dados é feita por um tag de identificação por radiofrequên-
cia. O lacre tem um componente que o danifica quando violado, impossibilitando a
leitura dos dados. Um sistema computacional instalado em uma central de controle
organiza e avalia a identificação dos lacres e a compara com informações disponíveis
no sistema da concessionária para seus pontos de instalação. A operação impede
que uns sejam trocados por outros sem prévia autorização da empresa e identifica, de
imediato, os pontos onde houve fraude. Dessa maneira, o produto pode auxiliar em
dois problemas: o alto número de inspeções e o furto de lacres convencionais, que
pode ser rastreado [34].
Também nesse mesmo ciclo, a AMPLA, em conjunto com a Universidade Federal
Fluminense (UFF), desenvolveu um inibidor de furtos. O produto é colocado junto ao
transformador e age como um gerador de ruídos, que distorce a tensão e “polui” a
energia a ser consumida. Próximo ao medidor de cada cliente, é instalado um filtro
que elimina a distorção e torna a energia novamente adequada para o uso. A tensão
modificada impossibilita o consumo para quem furta. Sem a filtragem, geladeiras e
outros eletrodomésticos não funcionam e a insistência na ligação pode queimá-los
CAPÍTULO 3. ESTADO DA ARTE: PERDAS NÃO-TÉCNICAS 21
[34].
Novamente, a AMPLA, em conjunto com a UFF, devido à facilidade de acesso aos
medidores atuais, possibilitando fraudes e práticas de vandalismo, desenvolveu um
medidor trifásico blindado que pode ser instalado nos ramais aéreos da rede e ter a
leitura dos dados feita via radiofrequência. A localização, a blindagem e a tecnologia
utilizada dificultam a atuação de fraudadores. Instalado próximo ao poste, o medidor
processa os dados eletronicamente e transmite sinais que podem ser lidos de 20 a 30
metros de distância em área livre. Na casa do cliente é colocado um visor, separado
do corpo de medição, que mostra a quantidade de energia consumida. A diferença
entre os valores medidos indica a ocorrência de fraude. O sistema traz uma série de
inovações. Uma delas é que o cliente não tem mais acesso ao mecanismo de registro
do seu consumo de energia. Também não é possível apagar os valores no visor e
nem alterá-los, mesmo em caso de violação. Se o visor sofrer qualquer dano, a leitura
não é comprometida, pois os dados continuam armazenados. Outra novidade é o
revestimento do medidor, feito com uma resina que o torna mais resistente a impactos
e a condições climáticas adversas como chuva, ventos fortes ou altas temperaturas
[34].
No ciclo 2002/2003, técnicos da Empresa Energética de Mato Grosso do Sul S/A
(ENERSUL) e da Universidade Federal do Mato Grosso do Sul (UFMS) criaram uma
ferramenta que usa técnicas de inteligência artificial para identificar fraudes e erros
de medição do consumo. O Sistema de Identificação de Fraudes e Erros de Medição
(SIFEM) parte de um banco de dados e do histórico de consumo dos clientes que,
a partir do processo de Knowledge Discovery in Database (KDD), consegue identifi-
car comportamentos discrepantes que indicam a possibilidade de fraude. Com téc-
nicas de inteligência artificial conhecidas como Conjuntos Incertos, Redes Neurais
Auto-organizáveis e Árvores de Decisão, foi possível, após a extração de amostras de
unidades consumidoras, obter uma lista de clientes “suspeitos”, passíveis de fiscali-
zação pela distribuidora. A utilização experimental do SIFEM apontou para taxas de
acerto de 34%, consideradas significativas pela empresa. O sistema é paramétrico e
os resultados são obtidos com um balanceamento entre a taxa de acerto e a quanti-
dade de clientes inspecionados. Com sua implementação, torna-se possível fiscalizar
menos clientes e alcançar maior percentual de acerto. Os pesquisadores consideram
que o SIFEM pode ser usado com sucesso no combate ao furto de energia pelas
distribuidoras e, como detecta anormalidades no consumo, gera ainda como subpro-
duto a identificação de clientes em vias de desligamento ou unidades consumidoras
desocupadas [35].
No ciclo 2005/2006, uma maleta desenvolvida pela AMPLA, em conjunto com a
Universidade Católica de Petrópolis, se constitui em uma solução simples e eficaz
contra perdas técnicas de energia causadas por medidores em pane ou por fraudes
CAPÍTULO 3. ESTADO DA ARTE: PERDAS NÃO-TÉCNICAS 22
cometidas por consumidores. Em vez de usar lâmpadas como carga e o relógio do
funcionário da distribuidora como cronômetro, método bem menos confiável, a Maleta
de Inspeção em uso pela AMPLA garante mais precisão ao trabalho. Portátil, fácil de
manusear e com baixo custo, o equipamento é capaz de fazer leituras de energia ativa
e reativa em inspeções de medidores de baixa tensão instalados em residências e em
pequenos comércios e indústrias. Outra vantagem do equipamento é a inclusão de
uma placa de Global Position System (GPS). Essa característica evita fraudes durante
a inspeção, pois a localização exata do aparelho, bem como a hora da fiscalização,
são captados pelo GPS e incluídos nos resultados do trabalho. O sucesso do projeto
levou a empresa a programar a fabricação de um lote piloto para equipar o time de
inspeção da companhia [35].
Para os ciclos 2005/2006 e 2007/2008, um programa que utiliza sistema de rede
neural artificial (inteligência artificial) para identificar perdas comerciais e, dessa forma,
ajudar a orientar e planejar ações de inspeção in loco, é o resultado do projeto de-
senvolvido pela Companhia Energética de Pernambuco (CELPE) e pesquisadores da
Universidade Federal Fluminense (UFF) e Universidade Federal do Rio de Janeiro
(UFRJ). Inicialmente, foram formados grupos de consumidores com características
semelhantes de carga, ligados a um determinado transformador. Em seguida, foi rea-
lizada uma Pesquisa Social de Posses e Hábitos de Consumo (PSPH), utilizada para
calcular as curvas de carga estimadas para cada agrupamento e para alimentar o pro-
grama com informações. Dessa forma, a diferença entre os valores estimados pela
ferramenta para cada transformador e aquele efetivamente medido resulta na perda
comercial calculada pelo sistema. De posse dessas informações, instaura-se um pro-
cedimento de três etapas: tratamento de eventuais erros de cadastro, correção desses
desvios e instalação de medidores comparativos na rede de baixa tensão onde a curva
de carga corrigida for muito diferente da estimada, ou apresentar oscilações em rela-
ção à curva projetada. Essas discrepâncias ocorrerão, entre outros motivos, por conta
de erros no processo de faturamento, furto de energia ou ligações clandestinas ou
irregulares. Os pesquisadores chegaram à conclusão que o método proposto serve
para indicar os transformadores que precisam ser inspecionados, o que reduz o custo
elevado de verificar todos ou de se instalar medidores comparativos ao longo de todo
o sistema [32].
Para tornar mais eficiente o combate às perdas comerciais de energia, pesqui-
sadores da Companhia Energética do Maranhão (CEMAR) e do LACTEC, nos ciclos
2006/2007 e 2007/2008, construíram um transformador de distribuição com medição
de energia integrada. O equipamento tem o objetivo de reduzir as fraudes, por meio
da medição remota do consumo mensal, diretamente no transformador. Isso possi-
bilita o registro de ocorrências em tempo real e a avaliação das curvas diárias de
carregamento, tensão de operação e de consumo no transformador. No protótipo de-
CAPÍTULO 3. ESTADO DA ARTE: PERDAS NÃO-TÉCNICAS 23
senvolvido, o medidor digital e os circuitos eletrônicos ficam instaladosem uma caixa
metálica acoplada ao transformador, no alto do poste. Isso dificultada a realização
de fraudes na rede. A leitura mensal do consumo total do posto de transformação
é realizada remotamente, pela comunicação de curta distância, empregando-se um
smartphone, largamente utilizado pela concessionária para o registro da leitura men-
sal de unidades consumidoras. Desse modo, toda a carga alimentada pelo transfor-
mador de distribuição, incluindo eventuais fraudes, pode ser monitorada em tempo
real pelo novo equipamento. A transmissão remota dos dados acumulados no posto
de transformação é feita por meio da tecnologia bluetooth e, alternativamente, pela
comunicação serial por rádio, com alcance superior a 15 metros. Os pesquisadores
instalaram o protótipo do transformador com medição integrada no município de São
José do Ribamar, região metropolitana de São Luiz, capital do Maranhão. Desde a
instalação, a leitura tem sido feita remotamente e os dados são armazenados em um
computador portátil, que tem um aplicativo para avaliar o registro de interrupções, fa-
lhas de comunicação, temperatura interna da caixa metálica, desequilíbrio de fases,
tensão secundária, consumo total e médio diário do posto de transformação, entre
outros. Futuramente, os dados podem ser usados em redes integradas tipo Smart
Grid [32].
Para combater o furto de energia, a Companhia Energética do Ceará (COELCE),
nos ciclos 2006/2007 e 2007/2008, desenvolveu um equipamento que gera ruídos (in-
terferências) na corrente e, dessa forma, impede que a energia furtada seja usada
sem antes passar pelo sistema de medição do consumidor. O equipamento é um ge-
rador de ruído que, quando instalado no transformador de distribuição, torna a energia
imprópria para uso até passar por um processo de filtragem que utiliza um removedor
de ruídos instalado no equipamento de medição do consumidor. Após a filtragem, a
energia se torna novamente adequada ao uso. O instrumento é um aprimoramento de
projeto anteriormente realizado pelas concessionárias AMPLA e CEMAR. Na versão
anterior, o inibidor de furtos acabava por queimar equipamentos elétricos conectados
à rede sem filtragem. Além disso, uma vez acionado, o inibidor tinha que ser subs-
tituído. Com o aperfeiçoamento, esses problemas foram sanados e, além disso, o
equipamento ficou menor, o que facilita sua instalação nos postes. De acordo com
os pesquisadores, os testes realizados em campo demonstraram a alta eficiência do
equipamento em diferentes cenários. A redução das perdas, obtida com o piloto insta-
lado em área urbana e na área rural irrigante, demonstraram que o inibidor de furto se
constitui em uma alternativa eficaz para o combate às perdas comerciais em circuitos
de baixa tensão [32].
CAPÍTULO 3. ESTADO DA ARTE: PERDAS NÃO-TÉCNICAS 24
3.2 Teses e Dissertações
Diversas dissertações de mestrado e teses de doutorado abordam o contexto de
identificação de perdas não técnicas, que é um tema bastante discutido nas últimas
décadas.
Na dissertação de Faria [36], em 2012, implementou-se computacionalmente um
sistema inteligente híbrido intercomunicativo específico que combina técnicas da área
de sistemas inteligentes, tais como redes neurais e lógica nebulosa para detectar as
perdas comerciais. O sistema é baseado em três pilares: extração automática de
conhecimento a partir da base de dados da concessionária, incorporação na meto-
dologia o conhecimento e experiência de especialistas e, por último, consultas na
base de dados por características específicas de cada cliente. A metodologia utiliza
simultaneamente inúmeros dados reais de entrada de natureza diversa, bem como
combina várias técnicas a fim de verificar o risco percentual de cada cliente em pos-
suir alguma anomalia que implique em perda comercial. Além dos dados cadastrais
e do histórico de consumo mensal dos clientes comumente utilizados pelos trabalhos
orientados à detecção de perdas comerciais, a metodologia proposta utilizou também
dados adicionais tais como a lista de nomes e de atividades suspeitas. A utilização de
dados adicionais possibilitou uma melhoria na detecção de unidades consumidoras
com anomalias, grande parte das quais seriam possivelmente consideradas normais
pelos trabalhos da literatura avaliada.
Em 2008, Penin [28] estudou o problema das perdas não-técnicas ou perdas co-
merciais utilizando-se de uma abordagem multidisciplinar, que analisa a experiência
tanto de concessionárias no Brasil como no exterior. O trabalho discute as melhores
práticas para mitigação das mesmas e propõe melhorias nos processos de combate e
de prevenção, e também nos procedimentos legais para recuperação de receitas, apoi-
ados sobre uma cuidadosa contextualização regulatória, chamando a atenção para a
diversidade sócio-econômica nacional, onde é comparado com diversos exemplos in-
ternacionais. Nele se identifica os aspectos mais relevantes a serem considerados na
regulação sobre o tema, discutindo procedimentos e metodologias para o equaciona-
mento do montante de recursos a serem aplicados pelas companhias distribuidoras
para a adequada redução dessas perdas de energia. O autor observa que grande
parte das PNT tem origem em questões de cunho social e que o Estado pode e deve
estabelecer políticas para resolver tais questões, possibilitando a universalização do
acesso e subsidiando o fornecimento de energia elétrica.
O trabalho de Araújo [18] teve como objetivo aprofundar a discussão sobre as per-
das e inadimplência na distribuição de energia no Brasil a partir do seu dimensiona-
mento e da identificação das principais variáveis físicas, econômicas e sociais que
explicam a diferença de intensidade da ocorrência do fenômeno nas distribuidoras de
CAPÍTULO 3. ESTADO DA ARTE: PERDAS NÃO-TÉCNICAS 25
energia no país. Foram também empregadas análises estatísticas que possibilitassem
a construção de modelos explicativos para o fato. É analisado, ainda, o tratamento
da questão das perdas, do ponto de vista tarifário, técnico e comercial, conferido pela
agência reguladora do setor (ANEEL), bem como são realizados comentários sobre as
ações implementadas pelas empresas distribuidoras de energia no equacionamento
da problema.
Vieiralves [17] analisou a situação das perdas comerciais na região Norte, dando
ênfase ao “Caso Manaus”, procurando identificar as suas causas e efeitos, tanto para
a sociedade em geral como para os empresários do setor. Mais especificamente, se
abordará o estudo de caso da empresa Manaus Energia S/A, por ser a maior dos
sistemas isolados e por apresentar índices de perdas muito acima do admissível e da
média das concessionárias do Setor Elétrico Nacional.
Eller [22], em sua tese de doutorado, propõe um método para auxiliar no geren-
ciamento de perdas comerciais de energia elétrica através da mineração de dados,
destacando-se o uso das redes neurais para descobrir comportamentos suspeitos de
consumidores de energia, indicando a possibilidade de fraude ou não.
O trabalho realizado por Ortega [37] desenvolveu uma metodologia que identifica,
com maior precisão, o perfil do cliente irregular (comprovada fraude no medidor, furto
por ligação clandestina ou irregularidade técnica). O sistema inteligente resultante,
denominado SIIPERCOM, baseia-se em redes neurais para o agrupamento dos cli-
entes com comportamentos semelhantes e para a classificação dos clientes de cada
grupo em “normais” ou “irregulares”.
Paula [38] propôs a caracterização de consumidores por suas curvas de carga,
aplicando redes neurais na análise dos dados. As curvas de carga foram estabele-
cidas com base nas medições de consumidores de baixa e média tensão utilizando
equipamentos de medição digitais instalados por uma concessionária. O conjunto de
medições foi submetido a uma avaliação em busca de inconsistências na massa de
dados através de uma etapa de limpeza e pré-processamento. Em seguida, foi rea-
lizado um processo de redução da massa de dados, onde cada consumidor passa a
ser representado por uma única curva representativa