No pulo do gato

Texto ◘ Eliza Muto

Software inteligente desenvolvido por engenheiros de Bauru identifica, com alto grau de precisão, fraudadores industriais de energia elétrica

Para pegar um gato no pulo, só sendo mais esperto que ele. Ainda mais quando se trata daquele tipo “malandro de rua”, que rouba energia elétrica sem muitos pudores e está frequentemente se renovando para driblar os “guardas belos” na sua cola.

Brincadeira à parte, o furto de energia é um problema que desafia as concessionárias de distribuição. Principalmente quando se trata de tentar identificar os grandes “gatunos” dessa prática – as indústrias fraudadoras –, que, por terem um alto consumo de energia, acabam respondendo pela maior parte da perda financeira. Embora sejam mais comuns em quantidade, as ligações clandestinas residenciais causam um impacto econômico bem menor.

Ao fazerem inspeções in loco nas indústrias, porém, as concessionárias só conseguem detectar 15% dos fraudadores. Em seu auxílio, pesquisadores da Faculdade de Engenharia da Unesp de Bauru acabam de desenvolver um software inspirado no que pode haver de mais inteligente, o cérebro humano. O programa é capaz de identificar, com 85% de precisão, os clientes industriais que furtam energia do sistema. “Queremos minimizar essas inspeções. Vai ser uma economia de tempo e dinheiro”, afirma André Nunes de Souza, coordenador do Laboratório de Sistemas de Potência e Técnicas Inteligentes.

Anualmente, o Brasil perde cerca de 23 mil gigawatts/hora com o roubo de energia elétrica – um prejuízo de quase R$ 8 bilhões por ano, que é rateado com os consumidores nas tarifas, de acordo com a Aneel (Agência Nacional de Energia Elétrica).

O grande desafio para comprovar as adulterações no sistema de energia é superar a astúcia dos fraudadores. “Eles são como hackers: estão sempre inventando um novo artifício. O roubo pode ser sazonal, por exemplo, para não levantar muitas suspeitas”, conta Souza. Foi pensando nessas artimanhas que ele e sua equipe basearam o software no conceito de redes neurais artificiais, ou somente RNA. É a mesma técnica empregada em programas que preveem o comportamento do mercado financeiro ou fazem reconhecimento de faces e digitais.

 

Clique para ampliar

 

As RNAs são modelos matemáticos que tentam imitar o funcionamento dos neurônios. Diferentemente de um computador tradicional, que concentra seu poder de processar dados num chip, as redes neurais combinam várias unidades simples de processamento (o chamado neurônio artificial ou virtual), o que aumenta sua capacidade. Além disso, uma máquina comum realiza um cálculo de cada vez, enquanto as RNAs, com seus vários neurônios artificiais conectados entre si, analisam várias informações ao mesmo tempo. Elas são transmitidas de uma unidade de processamento para outra e combinam-se depois com outros dados para chegar a uma solução.

Em menor escala – em uma simplificação da estrutura e da atividade dos neurônios no cérebro –, as unidades de processamento possuem terminais de entrada, que representam os dendritos, e um terminal de saída, em uma referência ao axônio. As conexões entre eles (ou sinapses) estão associadas a pesos fornecidos aos dados que estão sendo analisados pelo algoritmo. Os pesos servem para ponderar a entrada recebida por cada neurônio e indicam a influência de cada dado no resultado final.

As redes neurais artificiais têm também outra semelhança com o comportamento cerebral – a capacidade de aprendizado. As sinapses têm um papel de memorização das informações mais relevantes para a resolução de um problema. Assim, as RNAs podem aprender a partir de um modelo e então generalizar essa informação para reconhecer um padrão, por exemplo de um fraudador de energia, entre múltiplas variáveis de consumidores.

FraudInspector

Para desenvolver o software, batizado de FraudInspector, os pesquisadores da Unesp analisaram, em um primeiro momento, os registros de consumo de 70 mil clientes (fraudadores ou não) da Manaus Energia (atual Amazonas Energia, empresa controlada pela Eletrobrás) nos últimos cinco anos – mais especificamente de um segmento industrial que se caracteriza pelo alto consumo de energia elétrica. Em seguida, explica Souza, foram selecionados quatro dados técnicos que apresentaram mais incongruências no histórico desse grupo: a demanda medida, a demanda contratada (no momento da assinatura do acordo firmado entre o cliente e a concessionária), o fator de carga e a potência instalada. “Essas duas últimas variáveis demonstram se a energia consumida está sendo utilizada de maneira racional e se o sistema elétrico não está sofrendo prejuízo”, detalha o engenheiro eletricista.

Segundo o pesquisador, os tipos mais comuns de fraudes encontradas entre clientes industriais estão relacionados a intervenções nos relógios medidores, resultando em registros inferiores ao efetivamente consumido. É o caso de desvio de energia em pontos localizados antes da medição, rompimento do lacre de segurança com adulteração do mecanismo, travamento do disco com a inserção de objetos, entre outros. Não custa lembrar, como ressalta Souza, que furto de energia é crime previsto no Código Penal, com pena de um a quatro anos de reclusão e pagamento de multa.

Com uma arquitetura simples (veja quadro abaixo), a rede neural do programa foi treinada com base em 715 dados de consumidores. Algoritmo em ação, o resultado “1” ou “0” indicava, respectivamente, se o cliente era um potencial fraudador ou não.

Nesse processo de aprendizagem, o segredo é descobrir quais variáveis são mais relevantes – ou seja, encontrar o arranjo certo de pesos sinápticos para realizar a tarefa. “Construir uma rede neural é um trabalho de artesão”, afirma Souza. No caso do software, os pesos da rede foram ajustados no treinamento para que os resultados finais estivessem mais próximos dos valores desejados. Por exemplo, quando os dados de um fraudador já previamente identificado foram apresentados, os pesos foram adaptados de forma que o resultado do algoritmo ficasse mais próximo do valor desejado — no caso, “1”.

Após várias tentativas, a RNA foi capaz de aprender a produzir o resultado desejado para cada cliente apresentado. Dessa forma, a rede adquiriu a habilidade de generalizar o “padrão de fraudador” para clientes que não haviam sido apresentados no treinamento inicial. É assim que a rede neural identifica potenciais fraudadores ou não que nunca haviam sido apresentados antes. “A possibilidade de aprender por meio de exemplos e de generalizar a informação aprendida é, sem dúvida, o atrativo principal da solução de problemas pela RNA”, avalia o engenheiro eletricista.

Os tipos mais comuns de fraudes nas indústrias estão relacionados a intervenções nos relógios medidores; é difícil identificar os “gatunos” porque eles estão sempre inventando novas artimanhas

Vantagens

Para comprovar a eficácia do software, os pesquisadores inseriram 126 dados de clientes na rede neural. Desse total, a RNA identificou corretamente 108 dados – uma porcentagem de acerto de mais de 85%. “É uma média superior à de outros estudos na área. Até então, a porcentagem de acerto era de 70%”, aponta Souza. Outra vantagem do programa é que ele não indica um resultado “falso positivo” – ou seja, ele não aponta um consumidor como sendo fraudador de maneira indevida. “Todos os consumidores que foram indicados pelo software eram realmente fraudadores”, ressalta Souza, acrescentando que outros estudos têm taxa de indicação indevida de cerca de 18,5%.

O software funciona integrado ao banco de dados da Manaus Energia. Basta o preenchimento de alguns dados básicos – como o bairro e o ramo de atividade da indústria – para que o programa analise cada registro do banco de dados. Como resultado, o software apresenta uma lista com todos os possíveis fraudadores. “Com esses dados em mãos, a concessionária tem subsídios para adotar medidas para combater o gato de energia”, avalia o engenheiro eletricista. Ele esclarece, no entanto, que a análise desse estudo foi restrita para indústrias que atuam em um segmento específico. “Para outros ramos de atividades, são necessários novos treinamentos da rede neural.” Isso porque os pesos de cada variável mudam para cada tipo de atividade.

Agora, os pesquisadores pretendem ampliar o projeto e aplicar o conceito de RNAs para os setores industrial, comercial e residencial. “A ideia é, num prazo de 24 meses, aplicar novas abordagens inteligentes sobre uma gama maior de clientes”, detalha. “Estamos em busca de patrocínio para essa segunda fase, que custará cerca de R$ 1 milhão.”

Aprender a partir de exemplos e ser capaz de generalizar a informação aprendida para o posterior reconhecimento de um padrão é o principal atrativo das RNAs para a solução de problemas complexos

___________________

 

Deixe uma resposta

*