X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
AUTOMAÇÃO DA DETECÇAO DE FRAUDES EM SISTEMAS DE MEDIÇÃO DE ENERGIA ELÉTRICA UTILIZANDO
LÓGICA FUZZY EM AMBIENTE SCADA
1
ANDRÉ L. MAITELLI
1.
, LEONARDO T. MENESES2.
Laboratório de Automação do Petróleo, Departamento de Engenharia Elétrica e de Computação,
Universidade Federal do Rio Grande do Norte
Campus Universitário Lagoa Nova, Natal-RN- CEP59072-970
[email protected]
2. Laboratório de Comandos Elétricos, Coordenação de Eletrotécnica, Instituto Federal de Educação,
Ciência e Tecnologia da Paraíba
Av. 1º de Maio, 720, Jaguaribe,João Pessoa-PB-CEP 58015-430
[email protected]
Abstract This article presents a proposal to make automatic the identification of energy thefts in electric energy metering systems by fuzzy logic and supervisory system. The solution was took of metering data coledted from meters at customer units like
the following: voltage, current, active power demand, angles conditions of phasors diagrams , gathering and processing these datas into Fuzzy Logic making use expert knowledge. The values collected were computed by fuzzy logic in engineering algorithm,
and the output shows to the system user the membership of the electrical energy customer to be consuming without to pay for.
This solution has great value to the industry of utilities because the losses by energy thefts already sets more than twenty per
cent, in such a way that it is an expert system that looks for decision make with assertion and take the distribution companies for
a low losses-level.
Keywords Automation, energy thefts, electric energy, fuzzy logic, SCADA.
Resumo Este artigo apresenta uma proposta para automatizar a identificação dos furtos de energia em sistemas de medição de
energia elétrica utilizando lógica fuzzy e sistema supervisório. A solução foi coletar dados de medidores nas unidades
consumidoras tais como: tensão, corrente, demanda de potência ativa, condições angulares de diagramas fasoriais, reunindo e
processando estes dados via lógica fuzzy , fazendo uso de conhecimento de especialistas. Os valores coletados são computados
por lógica fuzzy em algoritmo de simulação, e a saída do sistema mostra ao usuário se a unidade consumidora está consumindo
energia sem pagar por ela. Esta solução tem grande importância para a indústria da energia elétrica porque as fraudes já
alcançam mais do que vinte por cento, e desta forma a concepção de um sistema especialista que proporcione tomadas de
decisão com elevado grau de confiabilidade proporcionará às distribuidoras de energia elétrica reduzir o nível de perdas.
Palavras-chave Automação, detecção de fraudes, energia elétrica, lógica fuzzy, SCADA.
1
Introdução
Controle e automação são ações determinantes para o
monitoramento e otimização de processos, cujas
vantagens são o aumento da eficiência dos mesmos, a
diminuição de custos, o aumento da competitividade,
a melhoria da qualidade e o maior controle e
segurança da operação (Rosário, 2005). Sistemas de
leitura e controle remoto de medição de energia
elétrica em consumidores, associados com adequadas
análises do comportamento dos dados de medição
supervisionados formam a proposta de solução para
que distribuidoras de energia elétrica tenham a
garantia de que o produto entregue está sendo
corretamente medido e que assim não esteja
ocorrendo diferença entre a energia consumida e a
energia faturada, que possa causar prejuízos à
companhia, com a ocorrência de perdas comerciais.
Objetivando recuperar receita – as perdas de
energia já alcançam índices superiores a 20% em
algumas companhias – coibindo o furto de energia e
mitigando anomalias em sistemas de medição, a
ISSN: 2175-8905 - Vol. X
solução que se propõe é a implantação de
supervisórios SCADA para coleta de dados elétricos
como tensão, corrente, ângulo entre correntes e
tensões, queda de consumo e de demanda entre ciclos
de faturamento, perfis de curvas de carga, potências
negativas, inversões de circuitos de corrente ou de
tensão, dentre outros, e o subseqüente tratamento
destas informações por controle inteligente.
Lógica Fuzzy é utilizada para a descrição
linguística das condições das variáveis quanto às
pertinências da ocorrência de fraudes, simulações em
MATLAB são realizadas e um algoritmo em C++
builder é desenvolvido e testado com banco de dados
real de uma distribuidora de energia elétrica, para
diversas unidades consumidoras de alta tensão,
comprovando a eficácia do método.
2 Lógica Fuzzy
A teoria de conjuntos fuzzy tem sido utilizada com
bons resultados para expressar conhecimento
impreciso e solucionar problemas em áreas onde a
modelagem tradicional é ineficiente. A possibilidade
159
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
de descrição linguística do modelo, em contrapartida
à descrição por equações diferenciais, torna possível
o aproveitamento do conhecimento dos especialistas
ou operadores do processo, otimizando as soluções.
Técnica simples e de grande aplicação,
particularmente a problemas de tomada de decisão e
de controle de processos, foi escolhida para aplicação
à solução do problema aqui apresentado, porque
trata-se da obtenção de respostas em um ambiente
onde a análise das variáveis monitoradas apontam
tendências e possibilidades. Estamos diante de um
processo que é de difícil equacionamento matemático
e, portanto, é inadequada a modelagem por equações,
porém temos subsídio dos especialistas em medição
de energia elétrica que em manifestando os seus
conhecimentos do comportamento esperado para as
variáveis de medição de energia elétrica nos
permitem emular o raciocínio dos mesmos, e assim
estabelecemos regras que conduzirão à tomadas de
decisões via ferramenta Fuzzy Tool Box do
MATLAB.
A Lógica Fuzzy consiste em uma abordagem do
problema com base em regras do tipo SE X e Y
ENTÃO Z, sem a necessidade de estabelecer um
modelo matemático, e o mecanismo de inferência
baseado nestas regras faz uso de conjuntos fuzzy
(Eksin et al,2006). A inferência consiste em combinar
as pertinências dos antecedentes e concluir pelos
conseqüentes em seus resultados fuzzy constituindo-se
de etapas como a verificação do grau de
compatibilidade entre os fatos e as cláusulas nas
premissas das regras e a determinação do valor da
conclusão por agregação do resultado de cada regra
(Sandi e Correa,1999) .
O método Mandani de inferência, escolhido para
esta solução, usa conjuntos fuzzy como saídas nos
consequentes das regras. O método Sugeno usa
funções lineares nos conseqüentes. Apesar do método
Sugeno ser computacionalmente mais eficiente, o
método Mandani é intuitivo e adequado para entrada
de regras baseadas na experiência de especialistas
(Sivanandam, 2007), o que pertine ao problema aqui
abordado, e portanto utilizaremos este método.
A partir da representação gráfica na figura 1
(Sivanandam,2007), observa-se como funciona a
inferência Mandani.
Neste caso foram estabelecidas duas regras. Os
valores de entrada crisps x0 e y0 são fuzzificados
para cada função de pertinência de cada regra, e então,
para cada regra transporta-se à função de pertinência
consequente o mínimo valor dos fuzzificados nas
funções de pertinência antecedentes. Combinam-se os
conseqüentes de cada regra para conseguir uma
distribuição de saída e então defuzzifica-se o valor
fuzzy para conseguir um valor crisp de controle ou de
tomada de decisão.
3 Identificação de Fraudes
Fraudes de energia elétrica são identificadas através
da análise de variáveis elétricas medidas, tais como
módulo de tensão, módulo de corrente,
posicionamentos fasoriais das tensões e das
correntes, queda de energia consumida e de demanda
de energia entre dois períodos de faturamento, dentre
outros fatores. A garantia da ocorrência das fraudes
não é absoluta; são tendências, sendo uma área
propícia à utilização das técnicas fuzzy para a
identificação de problemas.
A proposta deste trabalho é que as companhias
de energia elétrica utilizem sistemas supervisórios
combinados com lógica fuzzy para identificar fraudes
em sistemas de medição de energia elétrica. Esta
seção faz a demonstração do método por simulação no
fuzzy tool box do MATLAB e por algoritmo C++
builder.
O disparo do processo por análise fuzzy dar-se-á
a partir da abertura da porta da caixa de medição e
para tanto sensores são instalados. Nada impede,
contudo, que o sistema opere independente da
sinalização de abertura da porta, desde que disparado
por regras estabelecidas. As variáveis de entrada
coletadas em medidores eletrônicos instalados nas
unidades consumidoras serão: módulo da tensão na
fase A, módulo da tensão na fase B, módulo da tensão
na fase C, módulo da corrente na fase A, modulo da
corrente na fase B, módulo da corrente na fase C,
ângulo da corrente na fase A, ângulo da corrente na
fase B, ângulo da corrente na fase C, queda de
energia-kWh- entre dois meses consecutivos, e queda
de demanda-kW- entre dois meses consecutivos. À
variável de saída denominou-se diagnóstico.
3.1. Variáveis e suas funções de pertinência
As variáveis e funções de pertinência escolhidas para
a demonstração foram as seguintes (abcissas:variável
específica; ordenadas: pertinência):
Figura 1. –Inferência Mandani, (Sivanandam,2007)
ISSN: 2175-8905 - Vol. X
160
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
Baixa
aceitável
aceitável
Figura 2. Variável 1, Variável 2, e Variável 3:
Módulo de VA, Módulo de VB ou Módulo de VC
Funções de pertinência:
Baixa (até 220 V);
Aceitável (acima de 170 V)
muito pequena
indesejável
Figura 7. Variável 10: Queda de kWh
Funções de pertinência: Aceitável (até 70%);
Inaceitável (acima de 50%)
aceitável
aceitável
Figura 3. Variável 4, Variável 5 e Variável 6:
Módulo de IA, Módulo de IB ou Módulo de IC
Funções de pertinência : Muito Pequena (até 15% de
Inominal); Aceitável(acima de 5% de Inominal)
esp. capacitivo
esp. indutivo
Figura 4. Variável 7: Ângulo de IA
Funções de pertinência: Esperado Capacitivo (de 0º
até 100º); Indesejável ( de 80º até 280º); Esperado
Indutivo( de 260º até 360º)
esp. indutivo
esp. cap.
aceitável
Figura 5. Variável 8: Ângulo de IB
Funções de pertinência: Indesejável_1 (0 a 160º);
Esperado Indutivo (140 a 250º); Esperado Capacitivo
( 230 a 340º); Indesejável_2 (320 a 360º)
Indesej_1
esp.ind
esp. cap.
indesejável_2
inaceitável
Figura 8. Variável 11: Queda de kW
Funções de pertinência: Aceitável
Inaceitável (acima de 50%)
(até 70%);
A variável lingüística de saída que será utilizada
em nossa rotina fuzzy será Diagnóstico conforme a
figura 9, aonde especificam-se também as funções de
pertinência correlacionadas:
Não tem fraude
indesejável_1
inaceitável
% possibilidade de fraude
tem fraude
Figura 9. Variável 12: Diagnóstico
Funções de pertinência : NTF- Não tem Fraude (até
10%); PPF- Percentual de Possibilidade de Fraude (de
9 a 90% ); TF- Tem Fraude (acima de 89%)
A variável de saída Diagnóstico é o indicativo da
existência de fraude em sistemas de medição de
energia elétrica. Foram utilizadas funções de
pertinência trapezoidais para as variáveis de entrada e
de saída. Os limites que foram estabelecidos são
nossa sugestão como especialista em medição de
energia elétrica, mas outras faixas de valores podem
ser estabelecidos em função da experiência de outros
especialistas.
3.2. Base de regras implementada
Figura 6. Variável 9: Ângulo de IC
Funções de pertinência: Indesejável_1 (0 a 40º);
Esperado Indutivo (20 a 130º); Esperado Capacitivo
(110 a 220º); Indesejável_2 (200º a 360º)
ISSN: 2175-8905 - Vol. X
Nove regras foram criadas para a simulação em
Matlab e para o entendimento do propósito do
método.
Primeira Regra
SE |Va| é aceitável E |Vb| é aceitável E |Vc| é
aceitável E
|Ia| é aceitável E |Ib| é aceitável
161
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
E |Ic| é aceitável E ^Ia é esperado indutivo
E ^Ib é esperado induttivo E ^Ic é esperado
indutivo E
Queda de kWh é aceitável E
Queda de kW é aceitável
ENTÃO NÃO TEM FRAUDE
Segunda Regra
SE |Va| é aceitável E |Vb| é aceitável E |Vc| é
aceitável E
|Ia| é aceitável E |Ib| é aceitável
E |Ic|
é aceitável E
^Ia
é esperado
capacitivo E ^Ib é esperado capacitivo E ^Ic
é esperado capacitivo E
Queda de kWh é
aceitável E Queda de kW é aceitável
ENTÃO NÃO TEM FRAUDE
Terceira Regra
SE |Ia| é muito pequeno OU |Ib| é muito
pequeno OU |Ic| é muito pequeno
ENTÃO TEM FRAUDE
Quarta Regra
SE ^Ia é îndesejável OU ^Ib é indesejável_1
OU ^Ic é indesejável_1
ENTÃO TEM FRAUDE
Quinta Regra
SE ^Ia é îndesejável OU ^Ib é indesejável_1
OU ^Ic é indesejável_2
ENTÃO TEM FRAUDE
Sexta Regra
SE ^Ia é îndesejável OU ^Ib é indesejável_2
OU ^Ic é indesejável_1
ENTÃO TEM FRAUDE
Sétima Regra
SE ^Ia é îndesejável OU ^Ib é indesejável_2
OU ^Ic é indesejável_2
ENTÃO TEM FRAUDE
Oitava Regra
SE |Va| é aceitável E |Vb| é aceitável E |Vc| é
aceitável E
|Ia| é aceitável E |Ib| é aceitável
E |Ic| é aceitável E ^Ia é esperado indutivo
E ^Ib é esperado induttivo E ^Ic é esperado
indutivo E
Queda de kWh é inaceitável E
Queda de kW é inaceitável
ENTÃO
PERCENTUAL DE POSSIBILIDADE
DE FRAUDE
Nona Regra
SE |Va| é baixo E |Vb| é baixo E |Vc| é baixo
E
|Ia| é aceitável E |Ib| é aceitável
E |Ic|
é aceitável E ^Ia é esperado indutivo E ^Ib
é esperado induttivo E ^Ic é esperado indutivo
E Queda de kWh é inaceitável E Queda de
kW é inaceitável
ENTÃO TEM FRAUDE
ISSN: 2175-8905 - Vol. X
3.3. Resultados
Para validar o método, foram feitas simulações em
MATLAB com a ferramenta Fuzzy Tool Box, e a
nível acadêmico de produção foi desenvolvido um
algoritmo em C++ builder ao qual denominou-se
“Detector de Fraudes em Sistemas de Medição de
Energia Elétrica” e que procede à pesquisa em
memórias de massa coletadas em medidores de
energia elétrica, por GPRS, via supervisório SCADA
(Meneses,2011).
O algoritmo faz uma pesquisa seqüencial que
abrange até 2880 intervalos de 15 minutos em um
ciclo de faturamento de um mês, e para cada destes
intervalos de integralização apresenta um diagnóstico
que pode ser, em função das condições dos dados de
entrada, um dos seguintes : “Não Tem Fraude” ,
“NN% de Possibilidade de Fraude” ou “Tem
Fraude”.
O exemplo 1 a seguir apresenta o resultado de
uma simulação no MATLAB com obtenção de
diagnóstico para um específico bloco de dados de
entrada de um único intervalo de integralização de
demanda escolhido. O exemplo 2 apresenta o
diagnóstico pelo algoritmo em C++ de um
processamento em uma memória de massa de um
determinado mês em uma fábrica de cimento, onde
pode-se observar que durante todo o dia 20 de
novembro a corrente da fase C inverteu de sentido
quando a porta da caixa de medição permaneceu
aberta, o que preconiza a existência de fraude, visa
vis as variáveis, funções de pertinência e regras
estabelecidas pelos especialistas, conforme as
premissas fuzzy.
Exemplo 1.
VA= 220 V
VB=220 V
IA=80% de IA nominal
IC= 80% de IC nominal
Ângulo do fasor IA= 300º
Ângulo do fasor IB= 200º
Ângulo do fasor IC= 100º
Queda de kWh= 30%
Queda de kW = 30%
VC=220V
IB=80% de IB nominal
O resultado na simulação MATLAB
foi
Diagnóstico= 4,5% , o que denota pela faixa
percentual estabelecida – vide fig. 10 – que NÃO
TEM FRAUDE
162
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
220
220V
300º
200º
220V
100º
80%Ia
80%Ib
30%
30%
80%Ic
4.5%
Figura 11. Memória de massa de parte do dia 20 e do
dia 21/11/2010 do consumidor CIMENTO.
Trata-se de uma unidade consumidora com medição
indireta, corrente nominal 5 ampéres. As figuras 12,
13, 14 , 15, 16 e 17 mostram as telas de entrada do
aplicativo sendo selecionadas para o processamento
desse caso.
Figura 10. Tela de saída do fuzzy tool box no
MATLAB para o exemplo 1.
Exemplo 2.
A figura 11 apresenta uma parte da memória de massa
do mês de novembro, com destaque para o dia em que
a corrente da fase C inverteu de sentido quando a
porta da caixa de medição abriu.
Figura 12. Tela de entrada do aplicativo e ícone de
seleção da unidade consumidora a ser pesquisada.
Figura 13. Primeiro seleciona-se a unidade
consumidora e em seguida é pressionado o botão
“Abrir”.
ISSN: 2175-8905 - Vol. X
163
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
Figura 14. Seleciona-se o mês da memória de massa
que se quer pesquisar.
Figura 18. Diagnóstico apresentado pelo aplicativo.
4 Conclusão
Figura 15. Seleciona-se a corrente elétrica nominal do
sistema de medição, neste caso 5 ampéres.
A utilização de lógica fuzzy associada à coleta de
dados por SCADA é uma excelente ferramenta para o
diagnóstico automatizado da detecção de fraudes em
sistemas de medição de energia elétrica, possibilitando
às empresas distribuidoras minimizar os impactos
negativos das fraudes de energia elétrica. A
implementação do algoritmo desenvolvido em C++
builder, testado com banco de dados reais de uma
concessionária distribuidora de energia elétrica
comprovou a validade do método. Para trabalhos
futuros sugerimos a implementação de possibilidades
para o usuário do aplicativo na alteração de variáveis
fuzzy, funções de pertinência e conjunto de regras,
formando então um leque de escolhas em função da
equipe de especialistas designada para adequar o
algoritmo às necessidades de cada companhia
distribuidora de energia elétrica.
Referências Bibliográficas
Figura 16. Pressiona-se o botão “Start”.
A figura 18 a seguir mostra a saída do algoritmo, com
destaque para parte do dia 19/11/2010 e para parte do
dia 20/11/2010. Pode-se observar que a partir de 00
:00 h do dia 20/11/2010 o diagnóstico apresentado é
“Tem fraude”, o que é coerente com o ocorrido na
memória de massa – vide figura 11 – quando naquele
intervalo de integralização o ângulo da corrente IB
posicionou-se em um quadrante inadequado,
sugerindo inversão no sentido da corrente naquela fase
concomitantemente com a abertura da porta da caixa
de medição.
ISSN: 2175-8905 - Vol. X
Eksin, C. , Guzelkaya M. e Engin Y.(2006). Fuzzy
Logic Approach to Mimic Decision Making Behavior of Humans. In www.systemsdynamics.org
acesso em 10 de agosto de 2010.
Meneses, L. T.(2011). Automação da Detecção de
Fraudes em Sistemas de Medição de Energia
Elétrica utilizando Lógica Fuzzy em ambiente
SCADA, dissertação de mestrado, PPgEE,
UFRN, Natal,RN.
Rosário, J. M.(2005). Princípios de Mecatrônica,
Pearson Prentice Hall,São Paulo-SP.
Sandi, S. e Correa, C.(1999). Lógica Nebulosa, ITA,
V Escola de Redes Neurais pp c073-c090
Shaw, I. e Simões, M.(1999). Controle e Modelagem
Fuzzy,Edgard Blucher,São Paulo-SP.
Sivanandam, S. N.(2007). Introduction to Fuzzy Logic using MATLAB. Springer, Bombaim-IN
164