Implementación de un modelo de aprendizaje automático para la identificación de consumos anómalos en clientes asociados a pérdidas no técnicas

• Autor: Cordova Carmen, Jean Jairo
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/7115
• Enlace del recurso: https://hdl.handle.net/11042/7115
• Nivel de acceso: acceso abierto
• Materia: Consumo de energía eléctrica -- Mediciones -- Optimización; Consumo de energía eléctrica -- Control automático; 621.31; https://purl.org/pe-repo/ocde/ford#2.02.01

El hurto de energía eléctrica y las pérdidas no técnicas generan perjuicios económicos significativos para empresas distribuidoras como Electro Oriente. Según el reporte del Departamento de Control de Pérdidas de julio de 2024, se distribuyeron 31 540.393 KWh, de los cuales 2 330.719 KWh (7.39%) se perdieron en baja y media tensión, afectando las utilidades de la empresa. Con 99 002 usuarios en la ciudad de Iquitos, es crucial contar con un sistema eficiente que permita reducir estas pérdidas. La tesis detalla los principales tipos de hurtos de energía identificados en las redes, incluyendo: conexión directa en medidores, derivaciones en la acometida, puentes internos y externos en medidores y conexiones clandestinas. Además, se describen las metodologías tradicionales para la detección de estas pérdidas. La metodología del modelo Random Forest, implementada en este trabajo, optimiza los recursos operativos al focalizar las inspecciones en los casos con mayor probabilidad de hurto. Esto no solo reduce tiempos y costos, sino que también mejora la eficiencia en la gestión energética. La implementación de este modelo asegura que Electro Oriente cumpla con las normativas vigentes impuestas por OSINERGMIN, evitando sanciones. Finalmente, la reducción de pérdidas no técnicas impacta directamente en las utilidades de la empresa. El modelo de aprendizaje automático Random Forest, entrenado con datos históricos y casos de hurto de energía verificado, identifica características clave para localizar con mayor precisión casos de fraude, facilitando así el recupero de energía que antes no era facturada. Esto genera un aumento en los ingresos y mejora la estabilidad financiera de la empresa.