Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 714
Aluno: Francisco Jonatas Siqueira Coelho
Orientador: Prof. Abel Guilhermino da Silva Filho
Título: Um Framework Baseado em Atenção para Detecção e Localização Temporal de Perdas Não Técnicas
Data: 28/08/2026
Hora/Local: 13h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Cleber Zanchettin
Prof. Victor Wanderley Costa de Medeiros
Prof. João Fausto Lorenzato de Oliveira (UPE/Escola Politécnica de PE)
Prof. Max Mauro Dias Santos (UTFPR / Departamento de Eletrônica)
Prof. Wellington Pinheiro dos Santos (UFPE/Depto. de Engenharia Biomédica)
RESUMO:
As perdas não técnicas (PNT) representam a principal causa de desperdício de energia nas redes de distribuição. Causado principalmente pelo furto e pela fraude de energia, esse problema gera prejuízos anuais estimados em até 96 bilhões de dólares para a indústria de energia ao redor do mundo. No Brasil, os custos calculados para o ano de 2024 totalizaram aproximadamente R$ 10,3 bilhões. Além de comprometer a eficiência da rede e pôr em risco a segurança da população, essa prática criminosa encarece a tarifa elétrica, uma vez que parte dessas perdas é repassada aos consumidores regulares por meio de sobretaxas na conta de luz. Em algumas regiões do país, o impacto direto ultrapassa 13% no valor final da fatura. Portanto, a detecção de PNTs e a recuperação da energia não faturada são essenciais para assegurar a estabilidade do sistema elétrico e o equilíbrio econômico-financeiro tanto das concessionárias quanto da sociedade. Contudo, quantificar a energia não faturada permanece um desafio para as concessionárias, visto que tais estimativas dependem diretamente do intervalo temporal de ocorrência da PNT. Apesar disso, o estado da arte aborda predominantemente a detecção de PNTs como um problema de classificação binária, limitando-se a categorizar os padrões de consumo como normais ou fraudulentos. Essa abordagem ignora dinâmicas temporais, como a extensão e a duração dos eventos de irregularidade. Para superar essa limitação, esta tese propõe o framework DetTeL, uma arquitetura projetada para detectar PNTs e estimar temporalmente sua duração. O DetTeL combina um mecanismo de janela deslizante, um extrator de características baseado em atenção, um classificador binário e um módulo de agregação temporal, permitindo a visualização de regiões temporais anômalas. O framework proposto foi avaliado em três cenários, que representam padrões de PNTs intermitentes e recorrentes, com diferentes técnicas de furto, construídos com base em dois conjuntos de dados. Os resultados mostram que o DetTeL tem desempenho superior ou equivalente aos modelos do estado da arte, alcançando valores médios de F1-score de 0,896, 0,944 e 0,925 para os três cenários propostos. Além disso, atinge valores médios de IoU1D de 0,831 e 0,779 para cada dataset, indicando um alto grau de sobreposição entre os intervalos estimados e os intervalos de referência.
Palavras-chave: Perdas não técnicas; Aprendizagem de Máquina; Redes inteligentes; Detecção de Anomalias
Comentários desativados