Escolar Documentos
Profissional Documentos
Cultura Documentos
2421
*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.
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).
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.
Bailey, C. and Gatrell, A. C. (1995). Interactive Spatial Data Instituto Brasileiro de Geografia e Estatística (2010). Censo
Analysis. Essex, U.K.: Longman Scientific & Technical. 2010. [online] Brazil: IBGE. Available
at:<http://censo2010.ibge.gov.br/> [Accessed 15 January
Buzau, M., Tejedor-Aguilera, J., Cruz-Romero, P. and 2020].
Gómez-Expósito, A. (2019). Detection of non-technical McMillen, D. P. (2013). Quantile regression for spatial data.
losses using smart meter data and supervised learning. IEEE Springer-Verlag Berlin Heidelberg.
Transactions on Smart Grid, 10, pp.2661-2670.
Mejia, M. A., Melo, J. D., Zambrano-Asanza, S. and Padilha-
Cancian, W., Saldanha, R. and Paulino, J. (2013). Feltrin, A. (2020). Spatial-temporal growth model to estimate
Metodologia para identificação e clusterização espacial de the adoption of new end-use electric technologies encouraged
perdas não-técnicas em sistemas de distribuição de energia by energy-efficiency programs. Energy, 191.
elétrica. In: XI Congresso Brasileiro de Inteligência
Monteiro, M. D. and Maciel, R. S. (2018). Detection of
Computacional.
commercial losses in electric power distribution systems
de Smith, M. J., Goodchild, M. F. and Longley, P. (2018). using data mining techniques. In: Simpósio Brasileiro de
Geospatial analysis: a comprehensive guide to principles, Sistemas Elétricos (SBSE). Niteroi, 12-16 May 2018.
techniques and software tools. 6th ed. Winchelsea, U.K.: The
Muenchow, J., Schratz, P. and Brenning, A. (2017). RQGIS:
Winchelsea Press.
Integrating R with QGIS for statistical geocomputing. The R
Dong, G. and Harris, R. J. (2015). Spatial autoregressive Journal, 9, pp.409-428.
models for geographically hierarchical data structures.
Rodrigues, J. L., Bolognesi, H. M., Melo, J. D., Heymann, F.
Geographical Analysis, 47, pp.173-191.
and Soares, F.J. (2019). Spatiotemporal model for estimating
Druck, S., Monteiro, A., Câmara, G. and Carvalho, M. electric vehicles adopters. Energy, 83, pp.788-802.
(2004). Análise espacial de dados geográficos. Planaltina,
Sengupta, R., Heeks, R., Chattapadhyay, S. and Foster, C.
Embrapa Cerrados.
(2017). Exploring big data for development: an electricity
Faria, L. (2016). Estimação espaço-temporal das perdas não sector case study from India. Development Informatics
técnicas no sistema de distribuição de energia elétrica. Working Paper, 66, [online] Available
Doutor. Faculdade de Engenharia - UNESP. at:<https://ssrn.com/abstract=3431737> [Accessed 17
January 2020].
Faria, L. T., Melo, J. D. and Padilha-Feltrin, A. (2016).
Smith, T. B. (2004). Electricity theft: A comparative analysis.
Spatial-temporal estimation for nontechnical Losses. IEEE
Energy Policy, 32, pp.2067-2076.
Transactions on Power Delivery, 31, pp.362-369.
Viegas, J. L., Esteves, P. R., Melício, R., Mendes, V. M. F.
Fehske, H., Schneider, R. and Weiße, A. (2008).
and Vieira, S. M. (2017). Solutions for detection of non-
Computational many-particle physics. Berlin: Springer-
technical losses in the electricity grid: A review. Renewable
Verlag Berlin and Heidelberg GmbH & Co. KG.
and Sustainable Energy Reviews, 80, pp.1256-1268.
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.