Detecção de anomalias em dados de medidores inteligentes

(1)

Universidade Federal de Pernambuco Centro de Informática

Graduação em Ciência da Computação

Detecção de anomalias em dados de medidores

inteligentes

Proposta de Trabalho de Graduação

Aluno_{: Fillipe de Menezes Cardoso da Silva (}fmcs3@cin.ufpe.br)

Orientador_{: Luciano Barbosa (}luciano@cin.ufpe.br)

Área_{: Ciência de dados}

(2)

Sumário

1. Resumo………...3

2. Contexto……….……….4

3. Objetivo……….…………..5

4. Cronograma……….……...6

4. Possíveis Avaliadores………...7

5. Referências bibliográficas………..…...8

(3)

Resumo

As distribuidoras de energia estão adotando novos sistemas de transmissão e distribuição que permitem uma medição mais detalhada do padrão de consumo de energia dos clientes. Em contraste com o sistema antigo de medição, que registra o consumo de uma residência como um agregado mensal, as novas medições realizadas por medidores inteligentes contêm uma granularidade menor, medindo informações de consumo em intervalos de poucos minutos.

Com base nesse cenário a proposta do trabalho é criar um sistema de detecção de anomalias para os dados de consumo medidos por medidores inteligentes, o objetivo é que o sistema possa auxiliar os técnicos da distribuidora a tomar decisões com base nos alertas do sistema. Também será realizado a comparação de diversos algoritmos de detecção de anomalias para séries temporais, como o MAD, S-ESD, ARIMA, Holt Winters e Prophet.

Palavras Chaves:_{Anomalias, Detecção de anomalias, Séries temporais, Medidores} inteligentes, Rede elétrica inteligente.

(4)

Contexto

As redes elétricas inteligentes incorporam novas tecnologias e inovações para a malha de energia elétrica, essas redes de energia modernizadas fornecem controle sobre os dados de consumo de energia com _{uma granularidade menor, os} dados são coletados por medidores inteligentes e enviados por meio de redes sem fio (FORD 2014).

Medidores inteligentes registram o consumo de energia e comunicam as informações diretamente para a distribuidora, ao contrário dos medidores analógicos onde o consumo é lido manualmente a cada mês, os medidores inteligentes reportam informações diretamente com um intervalo de cinco minutos a uma hora.

Os dados provenientes de medidores inteligentes formam uma série temporal e conseguem captar o comportamento do consumo diário e semanal de cada cliente. Como há um número grande de residências, que produz uma quantidade grande de dados que ser utilizada em análises para detecção de fraudes, previsão de consumo e outras análises de interesse da distribuidora.

Os tipos de análises variam dependendo da existência ou não de rótulos que indiquem alguma irregularidade ou comportamento específico. Em ambos os casos supervisionados e não supervisionados, o problema de detecção de fraudes é normalmente reduzida para o problema de detecção de anomalias.

Geralmente uma anomalia é um valor ou comportamento que desvia do que é esperado, mas o critério exato do que determina o que é anomalia varia dependendo da situação (ALLA 2019). Anomalias em dados de consumo podem ser possíveis fraudes ou erros técnicos na rede elétrica, por isso a detecção dessas anomalias é importante.

Segundo (CHANDOLA 2009) detecção de anomalias se refere ao problema detectar padrões ou comportamentos nos dados que não correspondem ao comportamento esperado, para o caso deste trabalho os dados são séries temporais que representam o consumo de clientes ao longo do tempo.

Então o problema de detecção de fraudes em dados de medidores inteligentes se reduz ao problema de encontrar anomalias nessas séries temporais, já que um comportamento de consumo que não corresponde ao esperado pode indicar que o cliente realizou alguma alteração indevida na rede ou no sistema de medição.

(5)

Objetivo

O objetivo deste trabalho é criar um sistema de análise de dados que possa ajudar na detecção de fraudes de clientes ou de erros técnicos que afetam a receita da distribuidora de energia. Um das possíveis soluções seria utilizar técnicas de aprendizado de máquina para identificar essas fraudes, porém não existe rótulos disponíveis de fraudes, e dado que existe uma grande quantidade de dados o processo manual de rotular fraudes seria muito custoso.

Dentro desse cenário o foco deste trabalho é criar um módulo de detecção de anomalias não supervisionado que irá ranquear as anomalias nos dados dos medidores inteligentes de modo a ajudar no processo de tomada de decisão por parte do cliente. No final o módulo que será integrado ao programa de visualização Tableau onde um especialista do domínio poderá realizar a visualização das séries temporais para validar se houve fraude ou não.

(6)

Cronograma

Abaixo segue o cronograma previsto para a execução das tarefas do projeto: Atividades Setembro Outubro Novembro Dezembro Revisão de literatura

Desenvolvimento do Projeto

Escrever monografia Defender

(7)

Possíveis Avaliadores

Um possível avaliador para esse trabalho é o professor Paulo Salgado (CIN/UFPE).

(8)

Referências Bibliográficas

FORD, Vitaly; SIRAJ, Ambareen; EBERLE, William. _{Smart grid energy fraud}

detection using artificial neural networks_{. Orlando: IEEE Symposium on}

Computational Intelligence Applications in Smart Grid (CIASG), 2014, p.1-6.

CHANDOLA, Varun; BANERJEE, Arindam; KUMAR, Vipin. _{Anomaly detection: a}

survey. ACM Computing Surveys (CSUR), 41(3):15, 2009.

ALLA, Sridhar; ADARI, Suman, _{Beginning anomaly detection using}