The difficulty of detecting non-technical losses by electric energy concessionaires has been a great and constant challenge. Inspecting consumer units located in rural areas demands excessive time and expenses on the part of concessionaires, due to the distance from urban centers and the difficulty of access, without there being a previous technical indication of the occurrence of Non-Technical Losses. This work aims to present a methodology for estimating electricity consumption for rice crops that use flood irrigation, in the city of Uruguaiana, Rio Grande do Sul, implementing classification using artificial intelligence techniques (clustering, kmeans and random forest), and with the help of indicators, report cases of possible non-technical losses.Resumo: A dificuldade de detecção de perdas não técnicas por parte das concessionárias de energia elétrica, tem se mostrado um grande e constante desafio. Inspecionar unidades consumidoras localizadas em zonas rurais, demanda tempo e gastos excessivos por parte das concessionárias, em função da distância dos centros urbanos e da dificuldade de acesso, sem que haja um prévio indicativo técnico de ocorrência de PNT (Perdas Não Técnicas). Este trabalho tem o objetivo de apresentar uma metodologia de estimativa do consumo de energia elétrica para lavouras de arroz que utilizam irrigação por inundação, no município de Uruguaiana, Rio Grande do Sul, implementar classificação dos mesmos por meio de técnicas de inteligência artificial (clustering, k-means e random forest), e com auxilio de indicadores, informar casos de possível PNT.
Detectar irregularidades no consumo de energia é um desafio importante para as empresas de energia. Perdas comerciais por irregularidades causam perdas nas receitas da concessionáaria e perdas para o consumidor. Para detectar possíveis ocorrências de perdas não téecnicas, este trabalho tem como objetivo utilizar técnicas de aprendizado de máaquina, tanto do tipo supervisionado, para fins de classicação, como K-nearest neighbors e Random Forest, quanto do tipo não supervisionado (Clustering), com o objetivo de criar grupos de consumidores, que serão usados para previsão de classificação. O objetivo é organizar os consumidores do conjunto de dados em grupos com base no consumo, como o conjunto de dados apresentado possui doze meses de dados, a representação foi feita de acordo com o consumo médio pelo desvio. Dados característicos reais de diversas unidades consumidoras localizados em uma região rural do estado de São Paulo foram utilizados para a obtenção dos resultados da metodologiaproposta desse trabalho.
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.