Estimados:
Es un gusto invitarlos a la defensa de la Tesis de Maestría de Fernando Viera, titulada: "Modelado y detección de fraudes en redes inteligentes de distribución de Energía Eléctrica", que tendrá lugar el próximo Viernes 18 de Setiembre a las 8:30 Uy.
El tribunal estará integrado por: Gonzalo Casaravilla, Juan Pablo Kosut, Matias Di Martino (actualmente en Duke University) y Felix Biscarri (Universidad de Sevilla).
La Tesis podrá verse a través de Zoom usando el siguiente enlace:
https://us02web.zoom.us/j/84258906515?pwd=WHdpc25zZ2NMb1R6QmtuV0J1VXUrUT09
ID de reunión: 842 5890 6515
Código de acceso: 460220
Les solicitamos que se unan con el micrófono silenciado, evitando perturbar
el desarrollo de la presentación.
Se adjunta al final resumen de la tesis.
Aprovecho para agradecer la contribución de Pablo Massaferro al trabajo de supervisión a lo largo de la tesis.
Cordialmente,
Cordialmente,
Alicia Fernández
Las pérdidas de energía ocurren durante las diferentes etapas de su entrega, tanto en la generación, como en transmisión y distribución. Estas pérdidas pueden ser clasificadas en pérdidas técnicas (TLs) y pérdidas no técnicas (NTLs). Una de las principales causas de las NTLs deriva de los diferentes tipos de fraudes que algunos clientes pueden llegar a cometer. Estos eventos pueden generar grandes pérdidas a las compañías de suministro eléctrico, además de poner en peligro la seguridad de las personas, resultando en un aspecto crítico en la gestión diaria de la empresa. La aparición de medidores inteligentes en las nuevas infraestructuras (Smart grids) trae consigo un nuevo abanico de oportunidades para el área de detección de fraudes en el consumo energético.
El objetivo del presente trabajo es estudiar la detección de fraudes en medidores inteligentes a través del modelado de distintos tipos de fraudes, y la generación de bases de datos sintéticas que permitan entrenar y evaluar algoritmos en el estado del arte.
El alcance del trabajo incluye el preprocesado de los datos, adecuando los mismos para servir de entrada de los modelos considerados, incluyendo una propuesta basada en simular el balance en subestaciones. Se aborda también la generación sintética de fraudes antes del entrenamiento, explicando los tipos de fraudes considerados y la estadística que modela los mismos.
El trabajo aborda distintas estrategias de detección de fraudes basadas en redes neuronales profundas, propuestas de inclusión de información de subestación, análisis de complementariedad, y fusión de modelos.
A su vez, se analiza cuánto degrada la detección contar con un menor histórico de datos, resultado que complementa el análisis del efecto del cambio de granularidad en el desempeño. El trabajo incluye un capítulo de ensayos experimentales, los cuales son ejecutados sobre una base de datos pública de consumo de energía residencial con frecuencia 30 minutal. Como ensayo final se evalúa el desempeño del mejor modelo obtenido en una prueba de campo, sobre una base de datos real con fraudes reales obtenida de la empresa estatal Uruguaya, UTE.
Los modelos evaluados muestran que con datos 30 minutales y un histórico de 1 año y medio, se puede lograr muy buen desempeño. También se constató que la degradación puede ser del orden del 20\% cuando se baja a una granularidad diaria o cuando se reduce la historia a 1 mes. Asimismo, se vio que introducir información del balance de subestaciones puede mejorar en algunos puntos el desempeño. En cuanto el comportamiento de los distintos tipos de fraude se obtuvo que existían diferencias de desempeño, y que a futuro se podría considerar emplear estrategias de ensamblado de modelos para diseñar topologías especializadas en todos los fraudes.
El objetivo del presente trabajo es estudiar la detección de fraudes en medidores inteligentes a través del modelado de distintos tipos de fraudes, y la generación de bases de datos sintéticas que permitan entrenar y evaluar algoritmos en el estado del arte.
El alcance del trabajo incluye el preprocesado de los datos, adecuando los mismos para servir de entrada de los modelos considerados, incluyendo una propuesta basada en simular el balance en subestaciones. Se aborda también la generación sintética de fraudes antes del entrenamiento, explicando los tipos de fraudes considerados y la estadística que modela los mismos.
El trabajo aborda distintas estrategias de detección de fraudes basadas en redes neuronales profundas, propuestas de inclusión de información de subestación, análisis de complementariedad, y fusión de modelos.
A su vez, se analiza cuánto degrada la detección contar con un menor histórico de datos, resultado que complementa el análisis del efecto del cambio de granularidad en el desempeño. El trabajo incluye un capítulo de ensayos experimentales, los cuales son ejecutados sobre una base de datos pública de consumo de energía residencial con frecuencia 30 minutal. Como ensayo final se evalúa el desempeño del mejor modelo obtenido en una prueba de campo, sobre una base de datos real con fraudes reales obtenida de la empresa estatal Uruguaya, UTE.
Los modelos evaluados muestran que con datos 30 minutales y un histórico de 1 año y medio, se puede lograr muy buen desempeño. También se constató que la degradación puede ser del orden del 20\% cuando se baja a una granularidad diaria o cuando se reduce la historia a 1 mes. Asimismo, se vio que introducir información del balance de subestaciones puede mejorar en algunos puntos el desempeño. En cuanto el comportamiento de los distintos tipos de fraude se obtuvo que existían diferencias de desempeño, y que a futuro se podría considerar emplear estrategias de ensamblado de modelos para diseñar topologías especializadas en todos los fraudes.