{"id":87,"date":"2026-04-17T09:51:15","date_gmt":"2026-04-17T14:51:15","guid":{"rendered":"https:\/\/academia.utp.edu.co\/ia-e-industria\/?page_id=87"},"modified":"2026-04-17T11:36:46","modified_gmt":"2026-04-17T16:36:46","slug":"perdidas-no-tecnicas","status":"publish","type":"page","link":"https:\/\/academia.utp.edu.co\/ia-e-industria\/perdidas-no-tecnicas\/","title":{"rendered":"P\u00e9rdidas No T\u00e9cnicas"},"content":{"rendered":"\n
\n
\n

Autores<\/strong>:<\/h2>\n\n\n\n

Diego Alejandro Moreno Gall\u00f3n, Germ\u00e1n Holgu\u00edn Londo\u00f1o, Mauricio Holgu\u00edn Londo\u00f1o<\/p>\n<\/div>\n\n\n\n

\n
\n
Ver material completo<\/a><\/div>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n

Problema<\/strong><\/h1>\n\n\n\n

En Colombia entre el a\u00f1o 2020 y el 2022, por p\u00e9rdidas no t\u00e9cnicas se han perdido alrededor de USD$401M<\/strong> en el sistema de distribuci\u00f3n de energ\u00eda el\u00e9ctrica, y a\u00f1o a a\u00f1o van aumentando. Se requiere explorar nuevas tecnolog\u00edas para identificar instalaciones fraudulentas, y recuperar la energ\u00eda que fue utilizada pero no facturada.  <\/p>\n\n\n\n

T\u00edpicamente en el sector el\u00e9ctrico, se realiza la detecci\u00f3n de p\u00e9rdidas no t\u00e9cnicas de manera manual, y requiere meses para poder identificar los focos de p\u00e9rdidas, por lo que se necesitan avances en infraestructura, anal\u00edtica de datos, big data e inteligencia artificial para mejorar la frecuencia y el indice de detecci\u00f3n de p\u00e9rdidas no t\u00e9cnicas.<\/p>\n\n\n\n

Para este problema se plantea usar la infraestructura de medici\u00f3n avanzada<\/strong> (AMI) , ubicada como macromedidor donde se registra el total de energ\u00eda suministrada a un conjunto de uduarios, ver figura, 1. <\/p>\n\n\n\n

Se desea determinar si es posible clasificar una instalaci\u00f3n como fraude, solamente con la informaci\u00f3n provista por las variables el\u00e9ctricas de los macromedidores AMI, utilizando m\u00e9todos de aprendizaje de m\u00e1quina y teniendo en cuenta que debe ser una metodolog\u00eda escalable.<\/p>\n\n\n

\n
\"\"
Figura 1: Macromedidor, [1]<\/figcaption><\/figure>\n<\/div>\n\n\n

Base de datos<\/strong><\/h2>\n\n\n\n

Se realiz\u00f3 la limpieza y uni\u00f3n de la base de datos entregada por un operador de red (OR) el\u00e9ctrico en Colombia; la cual contiene 4 tablas, un total de 88 variables<\/strong>, 23.5 millones de registros<\/strong>, y como resultado se crea una tabla con 10 variables<\/strong> y 3.7 millones de registros <\/strong>con una frecuencia de muestreo de horas.  Al tener la base de datos, el siguiente paso es obtener las clases ya que esta base no las contiene. Dentro del proceso del OR se tiene que la cuadrilla de revisi\u00f3n, va a la instalaci\u00f3n y dictamina si es positivo para fraude, al ser marcada como tal se puede marcar en una columna adicional dicha etiqueta. <\/p>\n\n\n\n

Se tiene que el 0.4% de los registros, terminan siendo marcados como fraudes y que solo dicha etiqueta goza de verificaci\u00f3n. Pero aquellos registros sin dicha etiqueta no han tenido ninguna verificaci\u00f3n, por lo tanto,  la base de datos tendr\u00eda dos clases: FRAUDES<\/strong> y OTROS<\/strong>.  Al verificar un poco m\u00e1s a fondo el como surge la etiqueta de FRAUDE <\/strong>se tiene que se despach\u00f3 una cuadrilla de verificaci\u00f3n a ese macromedidor en particular. El despacho de la cuadrilla se realiza s\u00f3lo a aquellos registros que son marcados como ANORMALES<\/strong>. Por ende, no se deber\u00eda involucrar a aquellos registros con un comportamiento NORMAL<\/strong>.<\/p>\n\n\n\n

Etiquetado<\/strong><\/h2>\n\n\n\n

La tarea de clasificaci\u00f3n puede dividirse en dos etapas como puede observarse en la figura 2, siendo la primera en donde se decide ANORMAL <\/strong>y NORMAL <\/strong>para luego, solo con los casos ANORMAL <\/strong>determinar si son FRAUDE <\/strong>o OTRO<\/strong>.  Con la estructura resultante se permite eliminar el 60% de los datos de la base de datos. Es decir que se va a tener dos etapas con modelos de aprendizaje supervisado.<\/p>\n\n\n\n

Se tienen las etiquetas de otros y de fraude, falta determinar las etiquetas  de la primera etapa. Para obtener las etiquetas de la primera etapa se realiza un an\u00e1lisis de valores extremos y detectar los valores at\u00edpicos.  Esa detecci\u00f3n de valores a t\u00edpicos se realiza en informaci\u00f3n de los registros de consumo mensuales en dos puntos de medida (entre en macromedidor y el medidor del usuario), para luego llevar las etiquetas a los datos del macromedidor.<\/p>\n\n\n

\n
\"\"<\/figure>\n<\/div>\n\n\n
\n

Figura 2: \u00c1rbol Jer\u00e1rquico de Clasificaci\u00f3n<\/p>\n<\/blockquote>\n\n\n\n

Estructura Propuesta<\/strong><\/h2>\n\n\n\n

Al tener una base de datos etiquetada, es natural, utilizar aprendizaje de m\u00e1quina supervisado para entrenar los modelos que sean capaces de separar clases. Para el caso particular se utiliz\u00f3 uno de los m\u00e9todos cl\u00e1sicos m\u00e1s robustos como lo es la maquina de soporte de vectores. Pero como este problema es de Big Data Analytics<\/em><\/strong> <\/em>la metodolog\u00eda de entrenamiento, y validaci\u00f3n deben ser escalables<\/strong>. La metodolog\u00eda se apoya en el bootstraping, <\/em><\/strong>en el que se selecciona un bloque aleatorio de tama\u00f1o T para entrenar un modelo, actualizar las m\u00e9tricas de desempe\u00f1o y repetir el proceso hasta que un bloque cualquiera de tama\u00f1o T ya no modifique considerablemente las m\u00e9tricas, esto se puede observar en la figura 4.<\/p>\n\n\n\n

Por la estructura de la metodolog\u00eda, va a ser necesario una infraestructura de computo  especial, y es por eso que se utiliz\u00f3:<\/p>\n\n\n\n

\n
\n