The great number of lawsuits against energy companies has highlighted the difficult problem of identifying and eliminating failures of services in the energy sector. This work proposes a methodology to predict the issue of new lawsuits in the energy sector on a client database and the identification of factors correlated factors. The methodology is divided into 4 stages: (a) data acquisition; (b) feature engineering; (c) feature selection; and (d) classification. The method was performed in a database with more than fifty thousand consumers and shows to be robust in the task of identifying the unregistered power consumption lawsuits prediction by achieved an accuracy of 92.89%; specificity of 94.27%; sensitivity of 88.79%; and precision of 83.84%. Thus, we demonstrate the feasibility of using LSTM to solve the problem of unregistered power consumption lawsuits prediction. Resumo: O grande número de ações judiciais contra empresas de distribuição de energia destaca o difícil problema de identificar e solucionar falhas de serviços neste setor. Este trabalho propõe uma metodologia para identificar novas ações judiciais no setor de energia baseado em informações do relacionamento cliente com a companhia, além da identificação de fatores correlacionados. A metodologiaé basicamente dividida em 4 etapas: (a) aquisição de dados; (b) engenharia de características; (c) seleção de características; e (d) classificação usando LSTM. O método foi realizado em um banco de dados com mais de cinquenta mil consumidores e mostra-se robusto na tarefa de identificar a predição de ações judiciais de consumo de energia não registrada por meio de uma acurácia de 92,89%; especificidade de 94,27%; sensibilidade de 88,79%; e precisão de 83,84%. Assim, demonstra-se a viabilidade de usar o LSTM para resolver o problema da predição de processos judiciais de consumo de energia não registrados.
Avaliação e seleção de projetos de investimento critérios quantitativos
Resumo-Este trabalho apresenta um estudo de caso de redes de sensores sem fio voltado para aplicac ¸ões em ambientes industriais. Neste estudo, é implementado um sistema de monitoramento o qual é responsável por monitorar medidas de acelerac ¸ão de uma máquina rotativa (compensador síncrono), instalada em uma subestac ¸ão de energia elétrica. Fatores como interferência, alcance de transmissão, confiabilidade da comunicac ¸ão e precisão dos sensores são analisados e discutidos.Palavras-Chave-RSSF, máquinas elétricas, monitoramento industrial.
Understanding the complications involving the dissatisfaction of the clients of the electric power concessionaires represents the strengthening of the possibility of reversing the high degree of lawsuits against the concessionaires. Therefore, this work proposes a method based on data mining and computational intelligence to predict the issue of new lawsuits based on the lack of energy supply in the electric sector, in addition to the identification of correlated factors. The method consists of the step of data acquisition, feature engineering, feature selection, and finally, the classification step. The proposed method was validated using a private database and is robust in the task of identifying the prediction of lawsuits by means of an accuracy of 84.70%; precision of 73.83%; sensitivity of 60.45%, specificity of 85.51% and F-score of 66.47%. Thus, we demonstrate the feasibility of using the logistic regression model in conjunction with feature selection techniques to solve the problem of predicting lawsuits in the electricity sector. Resumo: Entender as complicações que envolvem a insatisfação dos clientes das concessionárias de energia elétrica representa o fortalecimento da possibilidade de reversão do alto grau de ações judiciais. Portanto, este trabalho propõe um método para predizer ações judiciais baseado na falta de fornecimento de energia, além da identificação de fatores correlacionados. O métodoé composto pela etapa de aquisição dos dados, engenharia de característica, seleção de características, e por fim, a etapa de classificação. O método proposto foi validado utilizando um banco de dados de uma empresa privada e mostra-se robusto na tarefa de predizer ações judiciais por meio de uma acurácia de 84,70%, precisão de 73,83%, sensibilidade de 60,45%, especificidade de 85,51% e F-M easure de 66,47%. Assim, demonstramos a viabilidade de usar o modelo de regressão logística em conjunto com técnicas de seleção de características para resolver o problema da predição de processos judiciais.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.