sistema imunológico artificial para predição de fraudes e furtos de energia elétrica

Sistema Imunológico Artificial para Predição de Fraudes e Furtos de

Energia Elétrica

Dissertação de Mestrado

Mauricio Volkweis Astiazara

Prof. Dr. Dante Augusto Couto BaroneOrientador

Porto Alegre, junho de 2012

Sumário

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

Futuros

Sistema Imunológico ArtificialSistema Imunológico Natural

Possíveis Aplicações

RECONHECIMENTO DE PADRÕES

VIDA ARTIFICIAL

MÉTODOS DE BUSCA E OTIMIZAÇÃO

CONTROLE E NAVEGAÇÃO AUTÔNOMA

APRENDIZAGEM DE MÁQUINAALOCAÇÃO DE TAREFAS

SISTEMAS BASEADOS EM AGENTES

CLASSIFICAÇÃOMINERAÇÃO DE DADOS

DETECÇÃO DE ANOMALIAS E FALHAS

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?

Motivação

● Como seria a sua modelagem e adaptação ao problema de um domínio específico?

● E como ficaria seu desempenho comparado aos algoritmos mais tradicionais?

Sumário


Futuros

Fraudes e Furtos de Energia Elétrica

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.

Como funciona o Faturamento de Energia Elétrica?

Como funciona o Faturamento de Energia Elétrica?

UnidadeConsumidora

Rede Elétrica

Medidor

Fraude

UnidadeConsumidora

Rede Elétrica

Medidor

Fraude

Furto 1

ConsumidorNão Cadastrado

Rede Elétrica

Furto 2

UnidadeConsumidora

Rede Elétrica

Medidor

Como combater Fraudes e Furtos?

A Ideia

Utilizar um algoritmo de Sistema Imunológico Artificial para predizer consumidores fraudadores baseados nos

seus dados.

A CEEE-D

Sumário


Futuros

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.

Conjunto de Dados

854

54

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

Projeto

Domínio do Problema

Sis

tem

a Im

unol

ógic

o A

rtific

ial

Representação

Métricas de Afinidade

Algoritmos Imunológicos

Solução

Expansão Clonal

Modelos

Modelos

Consumidor: array de atributos

Modelos

Detector: array de atributos


Modelos

Detector: array de atributos

Afinidade: similaridade (distância)


Algoritmo

AlgoritmoGerar uma população randômica


Apresentar antígeno à população



Reproduzir os melhores e realizar mutação nos clones




Melhor indivíduo tem afinidade >

limiar?





limiar?

NãoNão





limiar?

Adicioná-lo à lista de células de

memória

SimSim

NãoNão





limiar?


memória

Substituir piores indivíduos por

novos randômicos

NãoNão

SimSim





limiar?


memória

Substituir piores indivíduos por

novos randômicos

NãoNãoPróximo antígeno

SimSim

Utilização do Classificador

Sumário


Futuros

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.

Medida-F

0 20 40 60 80 1000

20

40

60

80

100

Recall

Pre

cisã

o

Metodologia de Validação

● Foram realizadas 10 Validações Cruzadas Deixando Um de Fora;

● Foram calculados a Média, Desvio Padrão e Intervalo de Confiança.

Sumário


Futuros

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%]

Resultados Experimentais

● A precisão randômica da amostra é 5,95%;

● O ganho em precisão do classificador ficou em 2,35.

Comparação com Outros Algoritmos# Algoritmo Precisão Recall Medida-F1 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%

Comparação com Outros Algoritmos

0 10 20 30 40 50 60 70 80 90 1000

10

20

30

40

50

60

Recall

Pre

cisã

o

SIASIA

Sumário


Futuros

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.

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.

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.

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).

Submissão de Artigo

International Conference on Enterprise Information Systems (ICEIS) 2012:

Aceito.

FIM

Muito obrigado pela atenção.

sistema imunológico artificial para predição de fraudes e furtos de energia elétrica

Science