As perdas não técnicas são um problema significativo em países subdesenvolvidos, decorrente, principalmente, de fraudes em medidores e furtos de energia. Para mitigá-las, as distribuidoras realizam inspeções em unidades consumidoras suspeitas. O custo operacional para se realizar essas inspeções é alto e só pode ser justificado por um retorno através da descoberta de fraudes. Para aumentar a precisão na descoberta de fraudes, modelos de machine learning podem ser utilizados. Este trabalho propõe modelos de detecção de fraudes utilizando os tipos de modelos mais atuais e que vem se destacando como bons classificadores. Além disso, este trabalho propõe uma metodologia de cálculo regulatório de perdas mais realista que leve em consideração esse rico banco de dados criado através das inspeções realizadas pelas distribuidoras e o compara com a metodologia regulatória atual numa área piloto da distribuidora Enel de São Paulo.

Non-technical losses are a significative problem in developing countries, mainly due to tampering in meters and energy theft. To mitigate them, utilities carry out inspections in suspected consumers. The operational cost to carry out these inspections is high and can only be justified by a return through fraud discovery. To increase the precision of fraud detection, machine learning models can be used. This work presents fraud detection models using the most recent types of models that have been showing good results as classifiers. In addition, this work proposes a more realistic regulatory loss calculation methodology that takes into account this rich database created through inspections carried out by utilities and compares it with the current regulatory methodology in a pilot area of the utility Enel of São Paulo.