Defensa de Maestría Fernanda Maldonado - 31/5 10:00

Defensa de Maestría Fernanda Maldonado - 31/5 10:00

de Lorena Etcheverry -
Número de respuestas: 0

Buenas,

con mucho gusto les invitamos a la defensa de Maestría en Ciencia de Datos y Aprendizaje Automático de Fernanda Maldonado, que co-dirigimos con Pablo Massaferro (IIE, FING).
El tribunal está conformado por Guillermo Moncecchi (InCo, FING), Juan Pablo Kosut (IIMPI,FING) y Matías Di Martino (UCU).

Ver detalles más abajo.

saludos,

Lorena


----------------------------------

Título: Detección de pérdidas no técnicas de energía utilizando técnicas de aprendizaje profundo para series temporales multivariadas.

Cuándo: Viernes 31/5 10hs
Dónde: Salón 726 Fing

Resumen:

Las pérdidas no técnicas (NTL) en el sector energético representan un desafío importante para las empresas de servicios públicos y las economías globales. Incluyen robo y manipulación de medidores, resultando en pérdidas de ingresos y suministro energético comprometido. Para detectar el consumo indebido, es esencial la inspección con personal capacitado, seleccionada mediante algoritmos que identifiquen probabilidades de fraude, evitando inspecciones innecesarias.

El impacto financiero y medioambiental de NTL, junto con la crisis energética mundial, ha llevado a estudios que, aunque numerosos, pocos utilizan series temporales multivariadas. Esta tesis utiliza datos reales y combina infraestructura de medición avanzada (AMI), ciencia de datos y aprendizaje profundo (redes neuronales como CNN, LSTM, ResNet) para abordar el problema innovadoramente. AMI permite recopilar datos con resoluciones de hasta 15 minutos, mejorando la precisión de la medición y el monitoreo del consumo de energía. La fusión de estos datos con redes neuronales revela patrones ocultos en las series temporales multivariadas, que métodos tradicionales no capturan. Además, se explora la correlación entre la temperatura ambiente y la demanda energética, considerando el consumo de energía activa, reactiva y temperatura.

Esta tesis examina la integración de AMI y el aprendizaje profundo supervisado, desde el preprocesamiento de datos hasta la interpretación de resultados, para abordar proactivamente las NTL y mejorar la eficiencia de inspección. Los principales aportes son: (i) creación de un conjunto de datos de energía activa, reactiva y temperatura con resolución horaria para 50k clientes de UTE, (ii) comparación de técnicas de normalización de series temporales, (iii) estudio de la correlación entre temperatura ambiente y consumo energético, y (iv) aplicación de arquitecturas de aprendizaje profundo en series temporales multivariadas.

Los resultados confirman que los datos de alta resolución tienen mayor potencial que los de baja resolución, y que la temperatura ambiente influye en los patrones de consumo energético, afectando indirectamente las NTL. Esto abre nuevas oportunidades para la detección de NTL y sugiere una nueva arquitectura para el sistema de detección de pérdidas de UTE.

tesis