Método para identificação de quedas de consumo atípicas em unidades consumidoras de energia elétrica

Abstract

Esse trabalho tem por objetivo aprimorar a principal atividade das empresas de distribuição no que diz respeito ao combate às perdas comerciais: as inspeções em campo às unidades consumidoras (UCs). Para tanto, é feita a proposição de um método para identificar quedas de consumo atípicas dentro do universo de faturamento de UCs de uma concessionária de energia elétrica. A proposta está fundamentada na análise dos registros históricos de consumo, de modo que os dados considerados atípicos possam ser indicados e as UCs ranqueadas de acordo com a prioridade para as inspeções em campo. Para tanto, propõe-se a utilização combinada de técnicas de previsão de demanda e de estatísticas robustas. A validade do método foi verificada através de um estudo de caso em uma empresa de distribuição de energia elétrica do sul do Brasil. Através do estudo de caso, concluiu-se que o método é capaz de identificar quedas de consumo atípicas, tendo identificado satisfatoriamente 89,38% dos casos avaliados. Ao final do trabalho, são apresentadas sugestões de estudos complementares, de modo a aperfeiçoar o desempenho do método.

This study aims to enhance the main business of distribution companies regarding to the efforts to avoid non-technical losses, that means, field inspections at the consumer units (CUs). For that, the proposition of an algorithm to identify atypical consumption falls within the universe of PAs billing of an electric facility is made. The proposal is based on the analysis of historical records of consumption, so that the data which are considered atypical can be indicated and the CUs ranked according to their priority for inspections in the field. Combined techniques of demand forecasting and statistics robust are proposed. The validity of the algorithm was verified through a case study in an electric power distribution facility in southern Brazil. Through the case study, it was concluded that the algorithm is able to identify atypical consumption falls, and satisfactorily 89.38% of the cases was identified. At the end of this paper, suggestions for further studies in order to improve the performance of the algorithm are presented.