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.
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.
