Detalhes bibliográficos
Ano de defesa: |
2022 |
Autor(a) principal: |
Pulz, Jônatas |
Orientador(a): |
Não Informado pela instituição |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Link de acesso: |
https://www.teses.usp.br/teses/disponiveis/3/3143/tde-23032023-080022/
|
Resumo: |
As perdas não técnicas são um problema significativo em países subdesenvolvidos, decorrente, principalmente, de fraudes em medidores e furtos de energia. Para mitigá-las, as distribuidoras realizam inspeções em unidades consumidoras suspeitas. O custo operacional para se realizar essas inspeções é alto e só pode ser justificado por um retorno através da descoberta de fraudes. Para aumentar a precisão na descoberta de fraudes, modelos de machine learning podem ser utilizados. Este trabalho propõe modelos de detecção de fraudes utilizando os tipos de modelos mais atuais e que vem se destacando como bons classificadores. Além disso, este trabalho propõe uma metodologia de cálculo regulatório de perdas mais realista que leve em consideração esse rico banco de dados criado através das inspeções realizadas pelas distribuidoras e o compara com a metodologia regulatória atual numa área piloto da distribuidora Enel de São Paulo. |