Solução de IA para Recuperação de Receita no Setor Elétrico

Imagem de Gerd Altmann por Pixabay

Perdas não técnicas é algo que ocorre com uma alta frequência no setor elétrico brasileiro. O furto de energia ou o famoso “gato” é considerado um dos diversos tipos de perdas não técnicas e talvez um dos mais conhecidos. Além de questões socioeconômicas, um dos fatores que contribuem para isso, é a limitação dos métodos tradicionais para combater esse tipo de perda. Contudo, com a utilização de tecnologias disruptivas, como a Inteligência Artificial, essas “perdas não técnicas”, no segmento de energia elétrica, podem ser recuperadas.

Como bem disse um amigo, “IA não é apenas o ChatGPT, outras técnicas de IA podem ser desenvolvidas para diversos segmentos, e o mercado de energia elétrica é um deles”. Sendo assim, o objetivo desse artigo é explicar o que é perda técnica e não técnica, definir Inteligência Artificial e Deep Learning e apresentar o Neuron, uma solução de Inteligência Artificial, 100% nacional, desenvolvida pela CAS Tecnologia, para recuperação de receitas no setor elétrico.

Em 2021, a Agência Nacional de Energia Elétrica (ANEEL) explicou que o sistema elétrico é composto por atividades de geraçãotransmissão e distribuição de energia. Na atividade de distribuição, as perdas podem ser calculadas considerando a diferença entre a energia adquirida pelas distribuidoras e a faturada aos seus consumidores. Essas perdas são classificadas em “técnicas”, quando estão relacionadas com uma parte da energia que é perdida no processo de transporte, transformação de tensão e medição, apuradas mensalmente pela Câmara de Comercialização de Energia Elétrica (CCEE), e as perdas não técnicas, que são geradas principalmente por conta de furtos (ligação clandestina, desvio direto da rede), fraudes (adulterações no medidor ou desvios), erros de leitura, medição, cadastro e faturamento. As perdas não técnicas reais são apuradas pela diferença das perdas totais, informadas pelas distribuidoras, e das perdas técnicas regulatórias, apuradas pela ANEEL.

As perdas técnicas e as perdas não técnicas geram impacto nas tarifas de energia e a redução delas traz benefícios para o meio ambiente com a diminuição do desperdício, para as concessionárias com a melhoria na qualidade do fornecimento e principalmente para os consumidores que terão uma conta de luz mais barata.

No entanto, o combate a essas perdas não é algo trivial. As concessionárias calculam que o custo para recuperar a situação de perda não técnica quando não feito de maneira assertiva, pode chegar a 75% da própria perda. Por este motivo, é extremamente necessário conseguir identificar esse tipo de perda com maior assertividade para permitir uma tomada de decisão mais objetiva, onde as ações possam ser conduzidas no menor espaço de tempo e com resultados satisfatórios.

Diante desse cenário é que entra o Neuro, uma solução de inteligência artificial. Entretanto, é preciso conhecer um pouco mais sobre IA, que é uma disciplina da Ciência da Computação que visa desenvolver sistemas com comportamento inteligente semelhante aos seres humanos. É um escopo amplo com vários subcampos, entre eles o Machine Learning (Aprendizado de Máquina).

Deep Learning (Aprendizado Profundo), subcampo do Machine Learning, é uma evolução das redes neurais artificiais. Atualmente o Deep Learning e a Generative AI (uma evolução do Deep Learing), são que há de mais moderno em termos de algoritmos de Inteligência Artificial.

O processamento dos dados e o aprendizado em uma rede neural artificial se baseia no funcionamento dos neurônios humanos. As redes neurais profundas (Deep Learning) são redes capazes de aprender padrões complexos em um grande volume de dados. Elas são compostas por várias camadas ocultas de neurônios que processam os dados de entrada de forma muito mais sofisticada e eficiente do que os algoritmos tradicionais de Machine Learning, e por isso, exigem muito mais capacidade de processamento de máquina e uma arquitetura de rede neural mais complexa.

O processo para “ensinar” um algoritmo de Machine Learning com exemplos do resultado esperado, é denominado aprendizado supervisionado, e basicamente é composto pelas etapas de treinamento e teste.

É uma plataforma de Inteligência Artificial que utiliza modelos de redes neurais gerados com a técnica de Deep Learning, cujo fluxo de análise é executado automaticamente por meio de um sistema BPM que permite visualizar e gerenciar todas as etapas desse processo.

O Neuron foi treinado com dados cadastrais, dados de medição, dados de faturamento e resultados de inspeções.  O objetivo é que o modelo gerado pela rede consiga detectar em novos dados, casos de anomalias, ou seja, casos com suspeita de irregularidade. Como a rede tem capacidade de aprendizado rápido e consegue analisar um volume imenso de dados, incapaz de ser analisado na mesma velocidade por um ser humano, a assertividade dessa solução se mostra muito maior do que os métodos tradicionais. Além disso, foi implementada uma funcionalidade de busca automatizada de informações externas que enriquecem as análises que precisam de dados atualizados para prover melhores resultados.

Por utilizar um sistema BPM para automatizar o processo de análise, o fluxo do Neuron, além de conseguir indicar suspeitas de irregularidade com muita precisão e apresentar gráficos dos dados instantâneos, dados de faturamento, memória de massa, entre outros, também ajuda a apontar medidores com defeitos, firmware desatualizados e erro de configuração de equipamentos. Os principais benefícios são: agilidade, assertividade, automatização; flexibilidade; potencialização; e robustez.

A Inteligência Artificial em conjunto com a modelagem de processos automatizados em um sistema BPM, possibilita desenvolver modelos cada vez mais complexos de análise de dados com capacidade de processar grande volume de informações de forma escalável e contínua evolução.