Dissertação

{pt_PT=Fuzzy Modelling for the Detection of Non-Technical Losses Using Time Variant and Invariant Features} {} EVALUATED

{pt=Esta tese aborda a problemática das perdas não técnicas na indústria da produção de electricidade com o foco no consumo ilegal de electricidade por parte de certos consumidores. O objectivo é criar modelos de classificação usando modelação fuzzy para a detecção à base de informação de perdas não-técnicas. Mais especificamente, um novo processo de agrupamento, Mixed Fuzzy Clustering (MFC), é utilizado para potenciar tanto os atributos variáveis como os não variáveis no tempo na identificação de consumidores ilegais. De forma a avaliar o desempenho dos modelos criados, três casos de estudo são usados considerando diferentes tipos de variáveis baseadas na informação reunida a partir de consumos e questionários de cada consumidor. Para efeitos de comparação, o algoritmo Fuzzy C-Means, (FCM) foi também utilizado para derivar modelos. Apesar deste algoritmo não ter sido desenvolvido especificamente para lidar com informação variante no tempo, este tem-se revelado eficaz em diferentes aplicações, por exemplo processar o consumo energético de um consumidor de forma a caracterizá-lo. Os melhores classificadores foram construídos aplicando o algoritmo FCM à base de dados com atributos variantes e não variantes no tempo, indicando que o algoritmo MFC não será o mais indicado para lidar com a variáveis utilizadas. Os modelos desenvolvidos atingiram um bom desempenho na detecção de perdas não-técnicas, desempenho esse que é representado por uma taxa de positivos verdadeiros a chegar aos 80% e abaixo de uma taxa de positivos falsos de 21.9%, revelando que a modelação fuzzy é adequada para a função., en=This thesis addresses the ever-growing problem of non-technical losses in the electricity industry, with a focus on illegal consumption behaviour from consumers. The aim of this thesis is to develop classifying models using fuzzy modelling for data-based detection of Non-Technical Losses (NTLs). More specifically, a new clustering scheme, Mixed Fuzzy Clustering, is utilized to leverage both time variant and invariant features (gathered from surveys and electricity consumption records) in the identification of illegal consumers. To evaluate the performance of the developed models, three use cases are used considering different types of features based on collected consumption data and consumer surveys. For comparison purposes, the Fuzzy C-Means algorithm was also used to derive models. Although this algorithm was not specifically developed for dealing with time-variant data, it has proven effective in many different applications, such as dealing with consumption data for consumer profiling. The best overall classifiers were computed by applying FCM to the dataset with time variant and invariant features, indicating that the Mixed Fuzzy Clustering algorithm is not best suited to deal with the data features used. The models developed achieved a good performance in detection of non-technical losses, quantified by true positive rate of up to 80% under a false positive rate 21.9%, showing that fuzzy modelling is suited for the task. }
{pt=perdas não-técnicas, identificadores variantes no tempo, identificadores não-variantes no tempo, Fuzzy C-Means, Mixed Fuzzy Clustering, en=non-technical losses, time variant feature, time invariant feature, Fuzzy C-Means, Mixed Fuzzy Clustering}

Novembro 19, 2018, 14:0

Orientação

ORIENTADOR

Joaquim Paul Laurens Viegas

IDMEC – IST and Novabase Business Solutions

Aluno de Doutoramento

ORIENTADOR

Susana Margarida da Silva Vieira

Departamento de Engenharia Mecânica (DEM)

Professor Auxiliar