Abstract:
Las pérdidas no técnicas es uno de los principales desafíos que afrontan las empresas
eléctricas. Sin embargo, la detección de este fenómeno es sumamente complicado debi do a la variedad de factores que las producen. En este trabajo, se implementó métodos
de minería de datos no supervisado para detectar pérdidas no técnicas presentes en
redes de distribución. La metodología consistió, primero, en generar artificialmente un
conjunto de datos de registros de medidores inteligentes mediante modelos ocultos de
Markov (HMM). Luego, se aplicó un modelo que altera los perfiles de carga diario de los
usuarios para simular distintos tipos de pérdidas. Después, se procedió a la fase de en trenamiento donde se comparó tres algoritmos de agrupamiento: K-medias, K-medianas
y Jerárquico Aglomerativo Ward para seleccionar el que mayor cantidad de pérdidas
detecte, a través de los indicadores de validación de grupos MIA (Indice de Adecuación
de la Media) y Silueta. Además, se definió una serie de criterios para caracterizar a los
grupos que diferenciaban a usuarios benignos de los usuarios con pérdidas. Los resul tados obtenidos en la fase de prueba evidencian que es posible detectar a usuarios que
presentan irregularidades en su patrón de consumo, reconociendo aproximadamente al
68 % de las pérdidas aplicadas. Por tanto, es de suma importancia contar con métodos
computacionales inteligentes y eficaces para resolver esta problemática.
