Warning: session_start() [function.session-start]: Cannot send session cookie - headers already sent by (output started at /home/storage5/e/7d/18/bvr1/public_html/snptee/xxvsnptee/trabalhos/GDI/3989.php:2) in /home/storage5/e/7d/18/bvr1/public_html/snptee/xxvsnptee/redirect.php on line 2

Warning: session_start() [function.session-start]: Cannot send session cache limiter - headers already sent (output started at /home/storage5/e/7d/18/bvr1/public_html/snptee/xxvsnptee/trabalhos/GDI/3989.php:2) in /home/storage5/e/7d/18/bvr1/public_html/snptee/xxvsnptee/redirect.php on line 2

XXV SEMINÁRIO NACIONAL DE
PRODUÇÃO E TRANSMISSÃO
DE ENERGIA ELÉTRICA


BELO HORIZONTE - MG

10 A 13

NOVEMBRO/2019
2019 - EXPOMINAS
Grupo: GDI
Tema: Operação de Sistema:
Título: Aplicação de Inteligência Artificial no processo de triagem de chamados emergenciais da distribuidora visando redução de deslocamentos improcedentes no serviço de campo
Autores: Wendell William Teixeira(1); Joao Pedro Ferreir dos Santos Freitas(2); Raul Sena Ferreira(3); Andre Luiz de Mesquita Melo(3); Tassio Simioni(3)
Instituições: CPFL ENERGIA(1); CPFL ENERGIA(2); RADIX(3)
Resumo: No dia a dia da operação de uma distribuidora de energia recebe-se muitos contatos de clientes para solicitar manutenção de rede ou relatar problemas no suprimento de energia. Geralmente, quando uma ligação é recebida pelos canais apropriados, o problema relatado passa por uma fase de triagem e, no final, uma equipe de manutenção é enviada para o local com o objetivo de resolver o problema do cliente. Entretanto, nem todos os problemas são de responsabilidade da empresa, este tipo de situação é uma das causadoras do denominado “Deslocamento Improcedente”, que se trata de um deslocamento desnecessário para a equipe de campo, que gera custos de combustível e impactos logísticos. Um volume elevado de deslocamentos improcedentes pode resultar em penalidades pesadas para a empresa, uma vez que a equipe não estará disponível para atender clientes que realmente precisariam de assistência. Para resolver esse problema, propomos uma solução de aprendizado de máquina supervisionada que usa informações relatadas pelo cliente e dados da distribuidora de energia para predizer a probabilidade de uma determinada solicitação do cliente gerar um deslocamento improcedente. Nossos primeiros resultados indicam que o modelo alcançou 84% de assertividade dentro conjunto de dados avaliados (100 mil eventos). Neste trabalho, mostramos como construímos esse modelo, pré-processamos as informações e como essa solução pode ser aplicada para diminuir os custos de manutenção dentro de uma empresa de distribuição de energia, parte de um projeto de Pesquisa e Desenvolvimento ANEEL DE3028 “Ferramenta em tempo real para redução de deslocamentos improcedentes no serviço de campo das distribuidoras do grupo CPFL Energia”, proposto pela CPFL Piratininga em cooperação com CPFL Paulista, CPFL Santa Cruz, Rio Grande Energia Sul.