DOI: 10.48011/sbse.v1i1.

2421

ESTIMAÇÃO DA VULNERABILIDADE ÀS PERDAS COMERCIAIS POR

SUBÁREA UTILIZANDO UMA REGRESSÃO ESPACIAL HIERÁRQUICA
Lucas de Oliveira Ventura*. Joel D. Melo**

*Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas, Universidade Federal do ABC – UFABC, Av. dos Estados,
5001 - Bairro Santa Terezinha - Santo André (Tel: 55 11951250845; e-mail: lucas.ventura@aluno.ufabc.edu.br).

**Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas, Universidade Federal do ABC – UFABC, Av. dos
Estados, 5001 - Bairro Santa Terezinha - Santo André (e-mail: joel.melo@ufabc.edu.br)

Abstract: Commercial or non-technical losses of electricity refer to theft and fraud of energy practiced by
end consumers. The inspection of this type of loss is carried out by the electric utilities through visiting
teams that perform inspections to the end consumers’ electrical installations. In most distributors, teams
have few members, and it is not possible to verify all installations within the concession zone. Thus, some
regions are prioritized for visits, and others are not inspected. In this paper, a model for the spatial
estimation of commercial losses in urban areas is presented. Such a model estimates the vulnerability of
each region of the city to have commercial losses. The quantification of vulnerability is given by a
probability value. Thus, the proposal can assist companies in overseeing and direct their inspection teams
to the regions with higher probability values to encounter commercial losses.
Resumo: As perdas comerciais ou não técnicas de energia elétrica referem-se aos furtos e fraudes de energia
praticados pelos consumidores finais. A fiscalização desse tipo de perdas é realizada pelas concessionárias
de energia por meio de equipes de visitas que realizam inspeções as instalações elétricas dos consumidores
finais. Na maioria das distribuidoras, as equipes contam com poucos integrantes, sendo não possível
verificar todas instalações dentro da zona de concessão. Assim, algumas regiões são priorizadas para visitas
e outras não são inspecionadas. Neste artigo, um modelo para a estimação espacial das perdas comerciais
em zonas urbanas é apresentado. Tal modelo estima a vulnerabilidade de cada região da cidade em ter
perdas comerciais. A quantificação da vulnerabilidade é dada por meio de um valor de probabilidade. Dessa
forma, a proposta pode auxiliar as empresas na fiscalização e direcionamento de suas equipes de inspeção
às regiões com maiores probabilidades de encontrar perdas comerciais.
Keywords: Non-technical losses; spatial analysis; commercial losses in power grids; electricity distribution
systems; power theft.
Palavras-chaves: Perdas não técnicas; análise espacial; perdas comerciais em redes elétricas; sistemas
de distribuição de energia elétrica; furto de energia.

como apresentado por (Instituto Acende Brasil, 2017) para o

1. INTRODUÇÃO
ano de 2015.
As perdas não técnicas nos sistemas de distribuição de energia
Atualmente, encontra-se um cenário que pode favorecer a
elétrica referem-se, majoritariamente, aos furtos e fraudes
prática das perdas não técnicas em diversos países por causa
praticados pelos consumidores finais. Tais perdas são
de fatores como recessão econômica, nível alto de
conhecidas como perdas comerciais, sendo associadas a: furtos
desemprego, alto preço da fatura de energia, alta taxa de
de energia, erros de medição, erros no processo de
natalidade, baixo índice de desenvolvimento humano, entre
faturamento, unidades consumidoras sem equipamento de
outros citados em (Smith, 2004). Desta forma, nas
medição, etc. (Cancian, Saldanha and Paulino, 2013). Estas
concessionárias de serviço elétrico desses países há uma
perdas representam um enorme prejuízo para as
grande preocupação no combate das perdas comerciais.
concessionárias de energia. No Brasil, as perdas não técnicas
corresponderam a 5% da energia injetada na rede, A fiscalização das perdas comerciais é realizada pelas
representando um prejuízo econômico de aproximadamente concessionárias de energia que periodicamente realizam
R$ 8 bilhões para as 59 principais distribuidoras elétricas, programas de visitas aos consumidores finais, conhecidas
como campanhas. Tais campanhas são coordenadas pelas
próprias empresas distribuidoras, que destinam grupos de
técnicos para fiscalizar as instalações dos consumidores. No
entanto, muitas das distribuidoras no Brasil enfrentam
dificuldades na fiscalização, as quais podem-se mencionar o
difícil acesso as regiões afastadas nas zonas urbanas, o alto
risco a que pode ser exposto a equipe de visita, o número
reduzido de equipes disponíveis para visitar todos os
consumidores, entre outros, como os explicados em (Ferreira,
2015). Dessa forma, no contexto atual, algumas regiões não
são visitadas, contribuindo para a falta de informações sobre
esses locais da cidade. Consequentemente, cria-se um
panorama de incerteza na caracterização do estado presente
das perdas não técnicas na zona de concessão da empresa
distribuidora.
Dadas as dificuldades das empresas em realizar inspeções a
todos os consumidores, neste trabalho se apresenta um modelo
espacial para a estimação da vulnerabilidade de cada região da
cidade em se ter perdas não técnicas. Tal vulnerabilidade é
quantificada por um valor de probabilidade. O modelo
proposto utiliza como informações de entrada os dados do
censo demográfico e o histórico de inspeções realizadas na
zona de estudo. A proposta correlaciona essas informações por
meio de uma regressão espacial hierárquica, a fim de estimar
a distribuição da vulnerabilidade às perdas comerciais na zona
de estudo. Assim, a partir dessa distribuição é possível
complementar informações faltantes nas regiões que não
foram visitadas. O modelo proposto foi aplicado em uma
cidade de médio porte do estado de São Paulo. Os resultados
do modelo proposto são mapas de calor que podem direcionar
as equipes de inspeção para os locais mais críticos da cidade,
isto é, para aqueles com maiores probabilidades de se
encontrarem perdas não técnicas.
2. ANÁLISE ESPACIAL PARA AS PERDAS NÃO
TÉCNICAS
Técnicas de inteligência artificial como data mining utilizadas
por (Buzau et al. 2019; Monteiro and Maciel, 2018), big data
(Glauner et al. 2016; Sengupta et al. 2017) e machine learning
(Hartmann et al. 2015; Viegas et al. 2017) têm sido
empregadas pelas distribuidoras, a fim de identificar os locais
e consumidores que cometem irregularidades. Embora sejam
técnicas com altas taxas de acerto na identificação de fraudes,
em zonas urbanas com uma distribuição heterogênea das
perdas comercias, podem não ser as mais adequadas por não
caracterizar particularidades regionais das perdas. Isso ocorre
por conta da correlação existente entre os consumidores e as
características socioeconômicas que dependem da posição
geográfica em que as perdas se encontram, como se explica em
Faria (2016).
A fim de diminuir os níveis de perdas comerciais, as empresas
realizam campanhas de inspeções aos consumidores finais.
Para direcionar suas equipes, as empresas podem utilizar
mapas temáticos ou mapas de calor como os mostrados em
(Faria, Melo and Padilha-Feltrin, 2016). Esses mapas podem
ser criados por meio de análise espacial que utiliza técnicas de
identificação de padrões a partir de dados georreferenciados.
Analisar a distribuição espacial de dados ou informações de
uma variável em estudo é possível por meio de um sistema de
informação geográfica (SIG). Tal sistema permite a
visualização de padrões em áreas de estudo através de mapas,
incorporando diversas informações relacionadas às suas
características locais.
Os SIG disponibilizam um conjunto de ferramentas para
realizar a análise espacial para caracterizar e modelar a
influência de relações existentes entre as variáveis de estudo e
o espaço geográfico em que se encontram. Em geral, Druck et
al. (2004) afirma que para a aplicação dessas ferramentas é
necessário que as informações se encontrem em forma de
pontos geográficos, regiões ou subáreas ou superfícies, com a
descrição da variável.
Como definido em (de Smith, Goodchild and Longley, 2018),
os pontos geográficos são as coordenadas geográficas do local
onde se coletou uma determinada informação. As regiões ou
subáreas representam os setores que foram definidos para o
processamento de informações e coleta de dados. As
superfícies, por suas vezes, mostram a continuidade das
informações pelas diversas regiões da zona de estudo.
No caso da identificação das perdas não técnicas, pesquisas
recentes (Faria, Melo and Padilha-Feltrin, 2016) mostram que
as unidades consumidoras (UC) que realizam tais perdas se
encontram espalhadas em diversas regiões da zona urbana,
mas com um padrão de ocorrência que pode ser caracterizado
por informações socioeconômicas da região de estudo.
Atualmente, as distribuidoras de energia elétrica são
encarregadas de informar à Agência Nacional de Energia
Elétrica – ANEEL as coordenadas geográficas de suas
instalações elétricas, como os transformadores de energia
instalados dentro de sua zona de concessão (Agência Nacional
de Energia Elétrica, 2016). Assim, a partir dessas informações
geográficas é possível implementar modelos de análise
espacial.
Neste trabalho, considera-se que cada transformador de
distribuição tem uma coordenada geográfica e agrega uma
quantidade de UC visitadas. Desse modo, ao invés de analisar
cada UC no mapa, os transformadores é que são caracterizados
como pontos geográficos. Levando em conta isto, mapas
temáticos são criados a partir das coordenadas geográficas dos
transformadores. A obtenção da quantidade de fraudes é
associada a cada transformador. Por exemplo, na Tabela 1
apresenta-se uma base de dados espacial que se pode encontrar
nas distribuidoras. Nessa tabela, observa-se que os
transformadores possuem um número de identificação (código
de transformador) e sua localização geográfica determinada
por coordenadas. A partir deste código, pode-se detectar cada
UC conectada a um transformador, e assim determinar o
número de UC irregulares por transformador utilizando a
Tabela 2.
A partir das tabelas supracitadas pode-se criar dados
georreferenciados que podem ser visualizados em SIG.
Após as campanhas de visitas às UC, as empresas classificam
as UC como irregulares ou regulares. As UC irregulares são as
que cometem algum tipo de fraude e a identificação de seu
padrão espacial é de suma importância para as empresas
distribuidoras. Devido ao grande número de fraudes e do
prejuízo econômico que se tem, as empresas devem realizar
um programa de visitas, procurando visitar os locais com
maiores chances de encontrar perdas comerciais.
Tabela 1. Exemplo de Base de Dados de
Transformadores
Código de Código de
Coord. X Coord. Y
Transformador Alimentador
108 A2 466554,86 7555363,86
995 A7 464202,14 7551741,66
993 A7 464129,39 7550901,88
Tabela 2. Total de Fraudes por transformador
Código de Quantidade de Total de
Transformador UC Fraudes
108 39 5
995 87 2 𝑌 = 𝜌𝑊𝑌 + 𝛽𝑋 + 𝜀
993 86 1
Dessa forma, a fim de identificar as regiões com maior
vulnerabilidade às perdas não técnicas, as técnicas de análise
espacial que correlacionam informações socioeconômicas e o
histórico de inspeções podem ser utilizadas. O Instituto
Brasileiro de Geografia e Estatística - IBGE disponibiliza
informações demográficas de forma espacial, podendo ser
encontradas em (IBGE, 2010). Por outro lado, tal
vulnerabilidade é calculada por um valor de probabilidade por
região da zona urbana da cidade. Essa probabilidade está em
função de fatores de proximidade entre regiões fraudulentas e
informações socioeconômicas (pobreza, baixo índice de
desenvolvimento humano, etc.). Na identificação da
correlação das propriedades entre variáveis socioeconômicas,
utilizou-se de um modelo espacial que será explicado na
próxima seção.
3. MODELO PROPOSTO DE ESTIMAÇÃO ESPACIAL
DAS PERDAS COMERCIAIS
As técnicas de regressão espacial podem ser empregadas para
analisar as relações espaciais que podem existir no
desenvolvimento de um conjunto de variáveis dentro de uma
zona de estudo. Assim, essas técnicas têm sido aplicadas em
diversas áreas do conhecimento, como: saúde, economia,
ecologia, etc. Por exemplo, uma regressão espacial ponderada
geograficamente tem sido utilizada em Mejia et al. (2020) para
identificar os transformadores com maior carregamento de
equipamentos com alto consumo de energia. Outro exemplo é
utilizar uma regressão espacial hierárquica para determinar os
compradores de veículos elétricos em zonas urbanas, como
feito por Rodrigues et al. (2019). A análise de regressão de
forma espacial incorpora a localização das variáveis, a fim de
visualizar as relações entre as regiões das zonas de estudo e
identificar padrões de ocorrência de acordo com o grau de
correlação entre estas.
No caso das perdas não técnicas, os modelos de regressão
espacial relacionam dois conjuntos de variáveis: por um lado,
as variáveis independentes ou explicativas (X) são as
informações levantadas no censo demográfico em cada setor
censitário da região de estudo. Por outro, a variável dependente
ou resposta (Y) representa a taxa do número de perdas
comerciais por cada setor censitário. Entenda-se por essa taxa
a divisão entre o número total de fraudes encontrado pelo total
de visitas realizadas no setor. Define-se um setor censitário
como uma unidade territorial na qual os dados de censo são
apresentados e coletados (IBGE, 2010).
Os SIG têm diversos modelos espaciais autorregressivos
(SAR). Tais modelos consideram coeficientes para representar
a dependência espacial da variável em estudo, considerando:
um conjunto de variáveis explicativas, a ponderação da
influência de cada região vizinha no crescimento do valor da
variável e um erro que pode modelar as características
estocásticas do problema, explicados por (Grabowski, 2012).
Um modelo SAR é representado pela seguinte expressão:
(1)
Em que ρ é o coeficiente espacial autorregressivo que
determina o grau de dependência espacial da variável
dependente; W, uma matriz (n x n) de vizinhança (WY
expressa a dependência espacial); β, um vetor (j x 1) com os
coeficientes de regressão; X, uma matriz (n x j) com j-1
variáveis explicativas; e ε, um vetor de erros aleatórios. Os
modelos SAR atribuem a autocorrelação espacial à variável Y,
sendo um modelo de regressão global que busca uma
similaridade entre as regiões de estudo. Tal similaridade é
caracterizada em uma única equação para toda a zona de
estudo.
Dentre os modelos SAR, o modelo hierárquico autorregressivo
espacial – HSAR permite diminuir a influência das variáveis
explicativas na análise. No problema de perdas comerciais e
em muitos problemas dinâmicos é uma tarefa muito difícil
encontrar o conjunto de variáveis que caracterizam
adequadamente o problema. Assim sendo, o modelo HSAR
pode apresentar uma melhor estimativa da distribuição
espacial.
3.1 Regressão Espacial Hierárquica – HSAR para detecção de
perdas
O modelo HSAR incorpora variáveis espaciais (ρ, λ) na
caracterização de eventos em estudo. Enquanto essas variáveis
forem iguais a 0, teremos um modelo de regressão clássico;
caso contrário, como é aplicado no modelo proposto, ρ e λ se
caracterizam como variáveis espaciais, responsáveis pela
modelagem do caráter estocástico do desenvolvimento de
perdas comerciais na zona de estudo.
Na modelagem hierárquica é possível prever e explicar o
comportamento de uma variável no tempo e no espaço. Dados
comportamentais e socioeconômicos normalmente apresentam
uma estrutura aninhada. Se observações repetidas são
apanhadas para uma população de pessoas e os dados
coletados se diferem de indivíduo a indivíduo, tem-se que as
diversas informações inferidas estão aninhadas com as
respectivas pessoas. Do mesmo modo, pessoas podem estar
aninhadas com alguma organização (escola, partidos políticos,
religião, etc.). Essas organizações possuem pontos geográficos
que se referem as suas localizações que podem estar alocadas
desde em um bairro até em outras zonas da cidade. Cada
estrutura de dados representa um nível, formando diferentes
hierarquias (de dois ou mais níveis).

No modelo proposto, as unidades consumidoras são as

variáveis de mais baixo nível, cuja carga elétrica é determinada
por um transformador. O modelo HSAR utilizado neste
trabalho, assim como em (Dong and Harris, 2015), relaciona
as variáveis dos diferentes níveis da hierarquia, e tem a
seguinte estrutura:

𝑌 = 𝜌𝑊𝑌 + 𝛽𝑋 + 𝑍𝛾 + ∆𝜃 + 𝜖 (2), Fig. 1 Distribuição de transformadores na zona de estudo.

𝜃 =𝜆×𝑀×𝜃+𝜇 (3) A partir da utilização de um SIG é possível agregar as UC

Sendo Y o vetor (n x 1) de observações da variável
dependente; ρ e λ os coeficientes espaciais autorregressivos
(ambos com valores maior que 0); W, a matriz (n x n) de
vizinhança (WY expressa a dependência espacial); M, similar
a W, uma matriz espacial (j x j) de peso de nível superior; X e
Z, matrizes (n x j) com j-1 variáveis explicativas; β e γ, vetores
(j x 1) com coeficientes de regressão; θ, vetor (n x j) de efeitos
aleatórios de nível superior, que também segue um processo
autorregressivo; Δ, matriz de caracterização dos efeitos
aleatórios, que descreve como são agrupadas as unidades de
nível inferior em cada unidade de nível superior, sendo as
colunas da matriz cada unidade de nível superior; ε e μ, vetores
(n x 1) de erros aleatórios, ou resíduos, que se supõem seguir
uma distribuição normal explicados em (Grabowski, 2012;
McMillen, 2013). A inclusão dos vetores de erros ε e μ se deve
ao fato de que as relações que se estudam geralmente não são
perfeitas e apresentam uma taxa de erro.
espalhadas pelos setores censitários aos transformadores
(pontos no mapa), a fim de obter um valor total por setor. O
programa R tem algumas funcionalidades de SIG. Assim,
neste trabalho o modelo desenvolvido foi implementado
integralmente no R.
Na aplicação da proposta utilizou-se o banco de dados dos
anos de 2010 e 2011 de inspeções da concessionária de energia
da cidade em estudo. As informações contidas nesse banco de
dados incluem o nome do responsável da UC, o número de
identificação da UC e do transformador a qual está conectada,
a data da visita, a descrição da equipe de inspeção quanto à
situação da UC, se tem fraude ou não, entre outras. Para o ano
de 2010, por exemplo, a partir dessas informações, pôde-se
criar mapas temáticos no R do número de visitas registradas e
do número total de fraudes registrados por subárea para o ano
em questão, como se mostra na Fig. 2.

A manipulação de Y pôde ser feita por meio de softwares

estatísticos, como o software R por meio do pacote SPDEP,
que facilita a implementação das matrizes necessárias. Por esse
pacote, é possível extrair as matrizes de dados espaciais
baseadas na distância ou na contiguidade dos pontos espaciais
(Fehske, Schneider and Weiße, 2008). O software R, como
sugere (Muenchow, Schratz and Brenning, 2017) pode ser
incorporado a qualquer SIG.

4. RESULTADOS E DISCUSSÃO

O modelo descrito na seção anterior foi aplicado em um Fig. 2 Distribuição do número total de visitas para 2010.
município do estado de São Paulo, com pouco mais de 200 mil
habitantes. Para o processamento dos dados demográficos e da
Igualmente, pôde-se construir o mapa da distribuição espacial
caracterização da distribuição utilizou-se do banco de dados da
de fraudes como se mostra na Fig. 3. Tal distribuição é dado
concessionária de energia da cidade e do histórico de visitas
de entrada para a regressão espacial descrita na seção 3 deste
realizadas por suas equipes de inspeção. Nesse banco de dados
artigo. Adicionalmente, considerou-se três variáveis
contêm os dados de cada unidade consumidora e a informação
socioeconômicas para a execução do HSAR: Número de
se foi detectado fraude ou não. A partir desse resultado, pode-
fraudes por transformador, pessoas responsáveis com
se fazer a relação da quantidade de fraudes encontradas em
rendimento mensal de mais de 1/2 a 1 salário mínimo, e
uma região com seus dados socioeconômicos, coletados com
domicílios particulares permanentes do tipo casa. A primeira
base no banco de dados de censos demográficos do IBGE
foi obtida da planilha de visitas disponibilizada pela
(IBGE, 2010). Na Figura 1, mostra-se a distribuição espacial
concessionária de energia do município, enquanto as outras
dos transformadores na zona urbana em estudo.
duas foram obtidas do censo demográfico do IBGE (2010).

Fig. 3 Total de fraudes no ano de 2010.
O principal objetivo do modelo proposto é realizar uma
extrapolação dos dados de fraudes para determinar a
probabilidade de locais não visitados apresentarem perdas não
técnicas.
A Fig. 4 representa a distribuição de fraudes no ano de 2011
como pontos espaciais, sobrepostas no resultado do modelo
HSAR proposto, para o mesmo ano. Os locais no mapa com
tons de vermelho mais escuro são os que apresentam maior
probabilidade de ter perdas, enquanto os locais com tons mais
claros são locais pouco vulneráveis a ter perdas comerciais.
Fig. 4 Distribuição do total de fraudes no ano de 2011,
sobreposta no modelo de regressão espacial hierárquico –
HSAR para o mesmo ano.
Os mapas temáticos apresentados nesta seção mostram que a
probabilidade mais alta se encontra na região central do
município e aumenta à medida que se desloca a oeste, que é a
região de maior crescimento da cidade, como foi também
apresentado em (Faria, 2016). Uma contribuição ao trabalho
de (Faria, Melo and Padilha-Feltrin, 2016) é utilizar o HSAR
como uma técnica de melhoramento das taxas de
probabilidade de perdas não técnicas obtidas para cada subárea
da cidade para o ano em que se deseja analisar. Neste trabalho,
foram utilizados intervalos de probabilidade para classificar os
estados das subáreas da cidade em: regular [0;0,15], atenção
(0,15;0,35] e crítico (0,35;1]. Os limites superior e inferior
para cada intervalo são calibrados por meio de técnicas como
standard deviation, natural boundaries, quantiles, equal
intervals, entre outros, como explicados em (Bailey and
Gatrell, 1995), e são os mesmos limites utilizados por (Faria,
Melo and Padilha-Feltrin, 2016). Dessa forma, com o mapa do
HSAR da distribuição das fraudes de 2011 é possível comparar
a porcentagem de UC em cada estado, com a porcentagem
obtida por (Faria, Melo and Padilha-Feltrin, 2016) do mapa de
previsão de probabilidade de perdas por subárea para o ano de
2012. A Tabela 3 mostra a comparação dessas porcentagens.
Tabela 3. Comparação da porcentagem de (Faria, Melo
and Padilha-Feltrin, 2016) com as obtidas pela proposta
Estado Porcentagens de Porcentagens
(Faria, Melo and do modelo
Padilha-Feltrin, proposto
2016)
Regular 87,71 74,09
Atenção 3,65 21,26
Crítico 1,67 4,65
Na Tabela 3, observa-se que o somatório da porcentagem final
da modelagem de (Faria, Melo and Padilha-Feltrin, 2016) não
contabiliza 100%. O valor faltante corresponde às 21 subáreas
que tinham dados faltantes para aplicação dessa modelagem,
representando o 6,97%. Sendo assim, a metodologia de (Faria,
Melo and Padilha-Feltrin, 2016) classificou 87,71% das UC
visitadas como regulares (com quase nenhuma probabilidade
de se encontrar furto ou fraude); 3,65% como estado de
atenção (onde há uma probabilidade considerável de
emergência de fraudes); e 1,67% como estado crítico (que
devem exigir uma atenção maior das empresas e das equipes
de inspeção). Já, a metodologia proposta classificou todas as
subáreas, incrementando o número de subáreas nas faixas de
atenção e crítica. A partir da Figura 4, observa-se que pelo
menos uma perda comercial foi identificada nas subáreas com
probabilidade maior que 0,15 (subáreas com estado de atenção
e crítico).Tal identificação sugere que a proposta deste
trabalho está conseguindo detectar consumidores cometendo
fraude ou furto de energia. A partir dos resultados da proposta,
espera-se que a programação de visitas seja cada vez mais bem
elaborada, direcionando as equipes para os locais mais críticos.
Um possível desdobramento do modelo proposto é incorporar
um modelo temporal para estimar o estado futuro da
vulnerabilidade às perdas comerciais. O uso somente de uma
análise espacial pode não ser o mais adequado para direcionar
a programação de visitas anos após o ano base considerado na
aplicação dessa análise. Adicionalmente, uma alternativa para
complementar este trabalho e caracterizar a variação temporal
da vulnerabilidade poderia ser a utilização de técnicas de
previsão. Modelos como Média Móvel Integrada
Autorregressiva (ARIMA) e Caixa-Cinza (Grey-box) podem
realizar previsões com uma base reduzida de dados de entrada
e aproveitar o conhecimento prévio do comportamento da
variação temporal da vulnerabilidade. Igualmente, precisa-se
realizar uma melhor verificação dos resultados da metodologia
proposta, considerando base de dados em outros horizontes de
tempo, para quantificar melhor sua eficácia.
5. CONCLUSÕES
Neste trabalho apresentou-se uma metodologia que pode
auxiliar as concessionárias de energia no combate das perdas
não técnicas. A principal contribuição da metodologia é
quantificar a probabilidade de regiões pouco visitadas (ou que
não foram visitadas) apresentarem fraude de energia. Como
constatado, o HSAR pode ajudar a guiar as equipes de
inspeção para os locais que não foram visitados anteriormente.
Desse modo, as vistorias poderão atingir os locais mais
vulneráveis a ter perdas, aumentando assim a taxa de sucesso
das visitas. Tal ação pode diminuir o número de fraudes nas
diversas regiões da zona urbana e diminuir o índice de perdas
não técnicas das concessionárias brasileiras.
AGRADECIMENTOS
Ao Programa de Iniciação Científica da UFABC
(PIC/UFABC) pelo financiamento desta pesquisa.
REFERÊNCIAS
Agência Nacional de Energia Elétrica. (2016). PRODIST -
Módulo 10 - Sistema de informação geográfica regulatório.
Brazil: ANEEL.
Bailey, C. and Gatrell, A. C. (1995). Interactive Spatial Data
Analysis. Essex, U.K.: Longman Scientific & Technical.
Buzau, M., Tejedor-Aguilera, J., Cruz-Romero, P. and
Gómez-Expósito, A. (2019). Detection of non-technical
losses using smart meter data and supervised learning. IEEE
Transactions on Smart Grid, 10, pp.2661-2670.
Cancian, W., Saldanha, R. and Paulino, J. (2013).
Metodologia para identificação e clusterização espacial de
perdas não-técnicas em sistemas de distribuição de energia
elétrica. In: XI Congresso Brasileiro de Inteligência
Computacional.
de Smith, M. J., Goodchild, M. F. and Longley, P. (2018).
Geospatial analysis: a comprehensive guide to principles,
techniques and software tools. 6th ed. Winchelsea, U.K.: The
Winchelsea Press.
Dong, G. and Harris, R. J. (2015). Spatial autoregressive
models for geographically hierarchical data structures.
Geographical Analysis, 47, pp.173-191.
Druck, S., Monteiro, A., Câmara, G. and Carvalho, M.
(2004). Análise espacial de dados geográficos. Planaltina,
Embrapa Cerrados.
Faria, L. (2016). Estimação espaço-temporal das perdas não
técnicas no sistema de distribuição de energia elétrica.
Doutor. Faculdade de Engenharia - UNESP.
Faria, L. T., Melo, J. D. and Padilha-Feltrin, A. (2016).
Spatial-temporal estimation for nontechnical Losses. IEEE
Transactions on Power Delivery, 31, pp.362-369.
Fehske, H., Schneider, R. and Weiße, A. (2008).
Computational many-particle physics. Berlin: Springer-
Verlag Berlin and Heidelberg GmbH & Co. KG.
Ferreira, T. S. D. (2015). Método para deteção e localização
de perdas não técnicas em sistemas de distribuição
explorando medidores inteligentes. Mestre. Universidade
Estadual de Campinas - UNICAMP.
Glauner, P., Meira, J. A., Dolberg, L., State, R., Bettinger, F.
and Rangon, Y. (2016). Neighborhood features help detecting
non-technical losses in big data sets. In: IEEE/ACM 3rd
International Conference on Big Data Computing
Applications and Technologies.
Grabowski, J. (2012) Spatial Regression. In: Li G., Baker S.
(eds) Injury Research. Springer, Boston, MA.
Hartmann, T., Moawad, A., Fouquet, F., Reckinger, Y.,
Mouelhi, T., Klein, J. and Traon, Y.L. (2015). Suspicious
electric consumption detection based on multi-profiling using
live machine learning. 2015 IEEE International Conference
on Smart Grid Communications (SmartGridComm), pp.891-
896.
Instituto Acende Brasil (2017). Perdas comerciais e
inadimplência no setor elétrico. [online] São Paulo.
Available
at:<http://www.acendebrasil.com.br/media/estudos/2017_Wh
itePaperAcendeBrasil_18_PerdasInadimplencias.pdf>
[Accessed 15 January 2020].
Instituto Brasileiro de Geografia e Estatística (2010). Censo
2010. [online] Brazil: IBGE. Available
at:<http://censo2010.ibge.gov.br/> [Accessed 15 January
2020].
McMillen, D. P. (2013). Quantile regression for spatial data.
Springer-Verlag Berlin Heidelberg.
Mejia, M. A., Melo, J. D., Zambrano-Asanza, S. and Padilha-
Feltrin, A. (2020). Spatial-temporal growth model to estimate
the adoption of new end-use electric technologies encouraged
by energy-efficiency programs. Energy, 191.
Monteiro, M. D. and Maciel, R. S. (2018). Detection of
commercial losses in electric power distribution systems
using data mining techniques. In: Simpósio Brasileiro de
Sistemas Elétricos (SBSE). Niteroi, 12-16 May 2018.
Muenchow, J., Schratz, P. and Brenning, A. (2017). RQGIS:
Integrating R with QGIS for statistical geocomputing. The R
Journal, 9, pp.409-428.
Rodrigues, J. L., Bolognesi, H. M., Melo, J. D., Heymann, F.
and Soares, F.J. (2019). Spatiotemporal model for estimating
electric vehicles adopters. Energy, 83, pp.788-802.
Sengupta, R., Heeks, R., Chattapadhyay, S. and Foster, C.
(2017). Exploring big data for development: an electricity
sector case study from India. Development Informatics
Working Paper, 66, [online] Available
at:<https://ssrn.com/abstract=3431737> [Accessed 17
January 2020].
Smith, T. B. (2004). Electricity theft: A comparative analysis.
Energy Policy, 32, pp.2067-2076.
Viegas, J. L., Esteves, P. R., Melício, R., Mendes, V. M. F.
and Vieira, S. M. (2017). Solutions for detection of non-
technical losses in the electricity grid: A review. Renewable
and Sustainable Energy Reviews, 80, pp.1256-1268.