- O documento discute o desenvolvimento de um Sistema Imunológico Artificial para prever fraudes e furtos de energia elétrica usando dados de consumidores. - O modelo proposto usa algoritmos imunológicos como expansão clonal para classificar consumidores. - Os resultados experimentais mostraram que o sistema teve melhor desempenho em termos de precisão e recall em comparação com outros algoritmos de classificação.

1. Sistema Imunológico Artificial para
Predição de Fraudes e Furtos de
Energia Elétrica
Dissertação de Mestrado
Mauricio Volkweis Astiazara
Prof. Dr. Dante Augusto Couto Barone
Orientador
Porto Alegre, junho de 2012

2. Sumário
● Introdução
● Fraudes e Furtos de Energia Elétrica
● Modelo Proposto
● Metodologia de Validação
● Análise de Resultados
● Conclusões e Sugestões de Trabalhos
Futuros

3. Sumário
● Introdução
● Fraudes e Furtos de Energia Elétrica
● Modelo Proposto
● Metodologia de Validação
● Análise de Resultados
● Conclusões e Sugestões de Trabalhos
Futuros

4. Sistema Imunológico Artificial
Sistema Imunológico Natural

5. Possíveis Aplicações
RECONHECIMENTO DE PADRÕES
VIDA ARTIFICIAL
MÉTODOS DE BUSCA E OTIMIZAÇÃO
CONTROLE E NAVEGAÇÃO AUTÔNOMA
APRENDIZAGEM DE MÁQUINA
ALOCAÇÃO DE TAREFAS
SISTEMAS BASEADOS EM AGENTES
CLASSIFICAÇÃO
MINERAÇÃO DE DADOS
DETECÇÃO DE ANOMALIAS E FALHAS

6. Motivação
● SIA ainda não está tão difundido quanto
outras áreas;
● Muitos trabalhos utilizando toy problems;
● Qual a eficácia de um Sistema
Imunológico Artificial aplicado a um
problema real?

7. Motivação
● Como seria a sua modelagem e
adaptação ao problema de um domínio
específico?
● E como ficaria seu desempenho
comparado aos algoritmos mais
tradicionais?

8. Sumário
● Introdução
● Fraudes e Furtos de Energia Elétrica
● Modelo Proposto
● Metodologia de Validação
● Análise de Resultados
● Conclusões e Sugestões de Trabalhos
Futuros

9. Fraudes e Furtos de Energia
Elétrica

10. Fraudes e Furtos de Energia
Elétrica
● Exemplos de perdas não técnicas:
● furtos de energia,
● erros de medição,
● erros no processo de faturamento,
● consumidores sem equipamento de medição
● etc.
● ANEEL apontou em 2007 que as perdas
não técnicas correspondem a 5 bilhões de
reais anuais no país.

11. Como funciona o Faturamento de
Energia Elétrica?

12. Como funciona o Faturamento de
Energia Elétrica?
Unidade
Consumidora
Rede Elétrica
Medidor

13. Fraude
Unidade
Consumidora
Rede Elétrica
Medidor

14. Fraude

15. Furto 1
Consumidor
Não Cadastrado
Rede Elétrica

16. Furto 2
Unidade
Consumidora
Rede Elétrica
Medidor

17. Como combater Fraudes e Furtos?

18. Como combater Fraudes e Furtos?

19. A Ideia
Utilizar um algoritmo de
Sistema Imunológico Artificial
para predizer consumidores
fraudadores baseados nos
seus dados.

20. A CEEE-D

21. Sumário
● Introdução
● Fraudes e Furtos de Energia Elétrica
● Modelo Proposto
● Metodologia de Validação
● Análise de Resultados
● Conclusões e Sugestões de Trabalhos
Futuros

22. Conjunto de Dados
● Dados de consumidores reais de uma
cidade específica;
● Inicialmente a proporção era irreal e
alguns atributos não podiam ser usados;
● O conjunto final ficou com 19 atributos
incluindo o rótulo.

23. Conjunto de Dados
854
54

24. Conjunto de Dados
● tipo_cliente;
● classe;
● fases
● pessoa_fisica_juridica
● rotatividade_titularidade
● carga_declarada
● teve_corte
● possui_debito_automatico
● osc_consumo
● irregularidade_leitura01
● irregularidade_leitura03
● irregularidade_leitura04
● irregularidade_leitura09
● irregularidade_leitura25
● irregularidade_leitura26
● irregularidade_leitura43
● irregularidade_leitura44
● irregularidade_leitura50
● resultado

25. Projeto
Domínio do Problema
Sistema
Imunológico
Artificial
Representação
Métricas de Afinidade
Algoritmos Imunológicos
Solução

26. Expansão Clonal

27. Expansão Clonal

28. Expansão Clonal

29. Expansão Clonal

30. Expansão Clonal

31. Expansão Clonal

32. Modelos

33. Modelos
Consumidor:
array de
atributos

34. Modelos
Detector:
array de
atributos
Consumidor:
array de
atributos

35. Modelos
Detector:
array de
atributos
Afinidade:
similaridade
(distância)
Consumidor:
array de
atributos

36. Algoritmo

37. Algoritmo
Gerar uma
população
randômica

38. Algoritmo
Gerar uma
população
randômica
Apresentar
antígeno à
população

39. Algoritmo
Gerar uma
população
randômica
Apresentar
antígeno à
população
Reproduzir os
melhores e realizar
mutação nos clones

40. Algoritmo
Gerar uma
população
randômica
Apresentar
antígeno à
população
Reproduzir os
melhores e realizar
mutação nos clones
Melhor indivíduo
tem afinidade >
limiar?

41. Algoritmo
Gerar uma
população
randômica
Apresentar
antígeno à
população
Reproduzir os
melhores e realizar
mutação nos clones
Melhor indivíduo
tem afinidade >
limiar?
NãoNão

42. Algoritmo
Gerar uma
população
randômica
Apresentar
antígeno à
população
Reproduzir os
melhores e realizar
mutação nos clones
Melhor indivíduo
tem afinidade >
limiar?
Adicioná-lo à lista
de células de
memória
SimSim
NãoNão

43. Algoritmo
Gerar uma
população
randômica
Apresentar
antígeno à
população
Reproduzir os
melhores e realizar
mutação nos clones
Melhor indivíduo
tem afinidade >
limiar?
Adicioná-lo à lista
de células de
memória
Substituir piores
indivíduos por
novos
randômicos
NãoNão
SimSim

44. Algoritmo
Gerar uma
população
randômica
Apresentar
antígeno à
população
Reproduzir os
melhores e realizar
mutação nos clones
Melhor indivíduo
tem afinidade >
limiar?
Adicioná-lo à lista
de células de
memória
Substituir piores
indivíduos por
novos
randômicos
NãoNão
Próximo
antígeno
SimSim

45. Utilização do Classificador

46. Sumário
● Introdução
● Fraudes e Furtos de Energia Elétrica
● Modelo Proposto
● Metodologia de Validação
● Análise de Resultados
● Conclusões e Sugestões de Trabalhos
Futuros

47. Metodologia de Validação
● Objetivos:
● Avaliar se o SIA consegue predizer os
consumidores desonestos: Ganho em
Precisão;
● Avaliar a eficácia: Medida-F;
● Avaliar a eficácia em relação a outros
métodos: Comparação com outros
algoritmos.

48. Medida-F
0 20 40 60 80 100
0
20
40
60
80
100
Recall
Precisão

49. Metodologia de Validação
● Foram realizadas 10 Validações Cruzadas
Deixando Um de Fora;
● Foram calculados a Média, Desvio Padrão
e Intervalo de Confiança.

50. Sumário
● Introdução
● Fraudes e Furtos de Energia Elétrica
● Modelo Proposto
● Metodologia de Validação
● Análise de Resultados
● Conclusões e Sugestões de Trabalhos
Futuros

51. Resultados Experimentais
Métrica Média Desvio
Padrão
Intervalo de
Confiança
(nível 95%)
Precisão 14,00% 0,86 [13,47%,
14,43%]
Recall 72,04% 4,32 [69,36%,
74,71%]
Medida-F 23,44% 1,41 [22,56%,
24,31%]

52. Resultados Experimentais
● A precisão randômica da amostra é
5,95%;
● O ganho em precisão do classificador
ficou em 2,35.

53. Comparação com Outros Algoritmos
# Algoritmo Precisão Recall Medida-F
1 Clonalg (SIA) 13,07% 71,93% 23,39%
2 Naive Bayes 10,6% 94,44% 19,07%
3 Voting feature
intervals
10,25% 90,74% 18,42%
4 KNN (K=1) 14,55% 14,81% 14,68%
5 RandomTree 10,64% 9,26% 9,9%
6 RandomForest 12,5% 3,7% 5,71%

54. Comparação com Outros Algoritmos
0 10 20 30 40 50 60 70 80 90 100
0
10
20
30
40
50
60
Recall
Precisão
SIASIA

55. Sumário
● Introdução
● Fraudes e Furtos de Energia Elétrica
● Modelo Proposto
● Metodologia de Validação
● Análise de Resultados
● Conclusões e Sugestões de Trabalhos
Futuros

56. Conclusões (1 de 2)
● Diferente de outros trabalhos, este utilizou
métrica que faz sentido no contexto do
negócio em vez da acurácia de maneira
simplista;
● O SIA conseguiu aprender o conceito de
consumidor desonesto;
● Em termos de medida-F, o SIA ficou em
primeiro lugar.

57. Conclusões (2 de 2)
● SIA deve ser considerado um candidato
em potencial para resolver problemas de
classificação;
● Os algoritmos de classificação utilizados
poderão produzir resultados melhores
com uma parametrização adequada.

58. Sugestões de Trabalhos Futuros
● Algoritmos de seleção de atributos;
● Explorar outras medidas de distância para
dados categóricos;
● Uso do histórico de consumo poderia ser
melhorado (série temporal);
● Simplificação da parametrização.

59. Continuidade do Trabalho na CEEE
● Primeiros resultados com dados reais
foram considerados pela CEEE muito
positivos;
● CEEE solicitou continuidade com mais
dados reais;
● Sugerimos palestra sobre a tarefa de
classificação, suas etapas e ferramentas
(ensinar a pescar).

60. Submissão de Artigo
International Conference on Enterprise
Information Systems (ICEIS) 2012:
Aceito.

61. FIM
Muito obrigado pela atenção.