Non-Technical Losses (NTLs) are problems commonly found in electric power systems distribution, caused by theft or fraud of energy. These problems result in financial losses for distribution utilities as well as consumers, who partially bear the costs involved in the NTLs. In view of this, practices for the identification of consumer units that are committing some type of irregularity in their facilities must be applied. In this scenario data classification models emerge, which based on supervised learning based on endogenous and exogenous historical data, are able to interpret information and label them. One of these models is the Decision Tree, which associated with Machine Learning (ML) techniques for the optimization of hyperparameters can obtain results with high precision in the outliers identification. Thus, this study aims to implement the Decision Tree model to identify consumers with NTLs, and to propose the optimization of Decision Tree hyperparameters following three ML techniques, Bayes Search, Grid Search and Randomized Search. Finally, the results are discussed and analyzed, and considerations are performed on the models.

Resumo: As Perdas Não Técnicas (PNTs) são problemas comumente encontrados nos sistemas de distribuição de energia elétrica, ocasionados pelo furto ou fraude de energia. Estes problemas acarretam em prejuízos financeiros as concessionárias de distribuição, assim como aos consumidores, que arcam parcialmente com os custos envolvidos às PNTs. Diante disto, medidas para a identificação de unidades consumidoras que estejam cometendo algum tipo de irregularidade nas suas instalações devem ser aplicadas. Neste panorama surgem os modelos de classificação de dados, que a partir da aprendizagem supervisionada a partir de dados históricos de origem endógena e exógena consegue interpretar as informações e rotulá-las. Um desses modelos é a Árvore de Decisão, que associada a técnicas de Machine Learning (ML) para a otimização de hiperparâmetros consegue obter resultados com alta precisão na identificação de outliers. Assim, este estudo tem por objetivo a implementação do modelo Árvore de Decisão para a identificação de consumidores com PNTs, e a proposição da otimização de hiperparâmetros da Árvore de Decisão seguindo por três técnicas de ML, Bayes Search, Grid Search e Randomized Search. Por fim, são discutidos os resultados e realizadas análises e ponderações sobre os modelos.