Publicada em

11/10/2023

Rhafael Freitas da Costa

378 – Seleção de atributos utilizando técnicas de aprendizado de máquina para medir a qualidade do fornecimento de energia elétrica

Resumo

A busca por qualidade nos serviços de fornecimento de energia elétrica tem ganhado intensidade em resposta à crescente demanda global por eletricidade. No Brasil, a responsabilidade pela regulamentação e supervisão dessa qualidade recai sobre a Agência Nacional de Energia Elétrica, cuja última revisão ocorreu em 2014. Essa metodologia utiliza a técnica estatística stepwise para selecionar as variáveis mais representativa para os indicadores de continuidade, devido a sensibilidade desse método em trabalhar com muitos atributos, o órgão regulador decidiu remover vários atributos. Com o objetivo de aprimorar a esfera regulatória, este trabalho se concentra na apresentação de uma abordagem fundamentada em técnicas de machine learning. Reconhecendo a importância da seleção de atributos para melhor representar conjuntos similares de consumidores, esta pesquisa explora técnicas de machine learning, como random forest e gradient boosting, a fim de selecionar os atributos. Busca-se por modelos que possam lidar eficazmente com vários atributos, tornando-os robustos e versáteis. Para alcançar esse objetivo, também se define hiperparâmetros dos modelos, ajustando-os finamente para otimizar o desempenho das técnicas descritas. Através desses esforços, procura-se aprimorar a capacidade preditiva dos modelos. Para validar a eficácia das técnicas propostas, experimentos foram conduzidos utilizando dados dos conjuntos de unidades consumidores dos anos 2014 e 2020. Adicionalmente, uma análise comparativa detalhada foi realizada, contrastando a metodologia proposta com a abordagem vigente. Esse confronto destacou as vantagens da abordagem baseada em machine learning, evidenciando seu desempenho superior. Os resultados obtidos evidenciaram que a abordagem de seleção de atributos com o emprego de machine learning superou a metodologia atual em termos de precisão de estimação dentro da amostra analisada. A abordagem demonstrou agilidade, precisão e adaptabilidade a diferentes cenários, conferindo-lhe um caráter mais robusto e dinâmico. À medida que as demandas aumentam e as tecnologias evoluem, a aplicação de técnicas de machine learning surge como uma solução promissora para elevar a qualidade e confiabilidade do fornecimento de energia elétrica em um mundo em constante mutação.

Abstract

The quest for quality in electrical energy supply services has gained momentum in response to the increasing global demand for electricity. In Brazil, the responsibility for regulating and overseeing this quality falls under the National Electric Energy Agency, with its latest revision taking place in 2014. This methodology utilizes the stepwise statistical technique to select the most representative variables for continuity indicators. Given the sensitivity of this method when dealing with many attributes, the regulatory body decided to remove several attributes. To enhance the regulatory sphere, this study focuses on presenting an approach grounded in machine learning techniques. Recognizing the importance of attribute selection to represent similar sets of consumers better, this research explores machine learning techniques such as random forest and gradient boosting for attribute selection. The goal is to find models that can effectively handle multiple attributes, making them robust and versatile. To achieve this, model hyperparameters are also defined and finely tuned to optimize the performance of the described techniques. Through these efforts, the aim is to improve the predictive capability of the models. To validate the effectiveness of the proposed techniques, experiments were conducted using data from consumer unit sets for the years 2014 and 2020. A detailed comparative analysis was also carried out, contrasting the proposed methodology with the current approach. This comparison highlighted the advantages of the machine learning-based approach, demonstrating its superior performance. The results obtained showed that the attribute selection approach using machine learning outperformed the current methodology in terms of estimation accuracy within the analyzed sample. The approach demonstrated agility, precision, and adaptability to different scenarios, making it more robust and dynamic. As demands increase and technologies evolve, the application of machine learning techniques emerges as a promising solution to enhance the quality and reliability of electrical energy supply in an ever-changing world.

Data da defesa: 11/10/2023

Banca Examinadora

Orientador (a): Lúcio de Medeiros (Lactec)
Membro da Banca: Henry Leonardo López Salamanca (Lactec)
Membro da Banca: Luiz Felipe Ribeiro Barrozo Toledo (Lactec)
Membro da Banca: Alexandre Rasi Aoki (UFPR)

Palavra(s)-Chave: Aprendizado de Máquina; Seleção de Atributos; Floresta Aleatória; Clusterização; Metodologias Regulatórias para Qualidade.
Keywords: Machine Learning; Attribute Selection; Random Forest; Clustering; Regulatory Methodologies for Quality.

Utilizamos cookies para oferecer melhor experiência, melhorar o desempenho, analisar como você interage em nosso site e personalizar conteúdo. Ao utilizar este site, você concorda com o uso de cookies.