Novedades

Según informes del Banco Interamericano de Desarrollo (BID) las pérdidas totales de energía eléctrica en América Latina y el Caribe (ALC) alcanzan el 17\% de la energía generada. Sin tener en cuenta las pérdidas técnicas (dentro de los sistemas de distribución), el perjuicio económico causado para las economías de ALC asciende a 11 mil millones de dólares anuales. Dado el impacto que las pérdidas no técnicas (NTL) generan, su detección y regularización es de gran importancia.

Es necesario definir a qué clientes inspeccionar y para tal tarea las empresas se basan en el análisis de datos y consumos de sus clientes.

En esta tesis se aborda el problema de detección de pérdidas no técnicas basado en técnicas de aprendizaje automático supervisado. Los aportes principales de esta tesis se pueden resumir en: (i) la incorporación explícita de los costos y el retorno potencial asociado a las actividades de inspección y su uso en la optimización de algoritmos de aprendizaje automático; (ii) el análisis de las rutas de inspección como parte de una estrategia global; (iii) en un contexto de cambios en la infraestructura de medición, se propone una arquitectura de aprendizaje profundo que, utilizando datos de consumo multirresolución, sea capaz de mejorar la detección de NTL en contadores inteligentes; (iv) se organizó y analizó una base de datos con consumo real y fraude de magnitud sin precedentes, para validar hipótesis presentadas en trabajos anteriores y validadas en pequeñas bases de datos.

A pesar de la relevancia del impacto económico de NTL, antes de esta tesis, ningún trabajo se centró en el modelado de costos y la inclusión de estimaciones de retorno económico de las actividades de campo. En esta tesis se propone un nuevo enfoque del problema centrado en maximizar el retorno económico de las actividades de inspección. También se aborda por primera vez la inclusión de estrategias de optimización de ruteo de vehículos dentro de un esquema de detección de NTL. Los resultados experimentales son validados sobre grandes bases de datos generadas en conjunto con la empresa de generación y distribución de energía de Uruguay (UTE).

En los últimos años, el movimiento hacia la medición inteligente ha creado nuevos desafíos y oportunidades para la detección automática de NTL. En concreto, ha habido varias propuestas para tratar datos de contadores inteligentes con deep learning en los últimos tres años. Hasta donde sabemos, todos los trabajos utilizan exclusivamente datos de contadores inteligentes o datos de contadores de menor resolución temporal, pero no existen trabajos que aborden el problema de la coexistencia de estos datos en el proceso de cambio de tecnologías de medida. Este proceso puede llevar años y la información que se genera es muy valiosa. En esta tesis se presenta por primera vez en NTL una arquitectura de aprendizaje profundo para tratar datos de consumo en multirresolución, y se demuestra que el uso combinado de datos de medidores inteligentes con registros mensuales previos genera mejores resultados que el uso único de consumo en alta resolución. La propuesta se prueba con datos reales de UTE y datos sintéticos ampliamente utilizados en la literatura. Además, utilizando una de las mayores bases de datos de acceso académico reportadas, se prueban varias hipótesis sobre la inclusión de información adicional y el desempeño de los principales algoritmos utilizados en NTL. Ideas derivadas del problema de los ataques adversarios también se utilizan en esta tesis para interpretar modelos de aprendizaje profundo.

Los resultados obtenidos en esta tesis, que dio lugar a cinco artículos científicos, han sido implementados y transferidos a la industria a través de acuerdos entre UTE y UdelaR. UTE utiliza los algoritmos propuestos y los avances científicos y tecnológicos desarrollados para la detección automática de NTL.