Análisis de los paradigmas de inteligencia artificial, para un modelo inteligente de gestión de

la energía eléctrica

El presente documento muestra la importancia del ahorro energético, así como la necesidad de
diseñar modelos inteligentes que ayuden a dar un apoyo a la reducción del problema del
consumo excesivo de la energía eléctrica. La herramienta principal para llegar a obtener un
modelo inteligente son los paradigmas de inteligencia artificial, los cuales son modelos que se
han diseñados para dar solución a muchos otros problemas de la ingeniería, en este caso se
enfoca directamente en el tratamiento de datos y la visualización de un sistema para encontrar
patrones que ayuden a hacer que el sistema se comporte de una manera adecuada, este
comportamiento puede venir de datos previamente evaluados en auditorías eléctricas, o el
modelo está diseñado para adquirir nuevos conocimientos de forma que al encontrar un patrón
de consumo que no ponga en riesgo la estabilidad de la red eléctrica, este patrón puede ser
consultado para hacer que el sistema se comporte igual en el futuro.

PROPUESTA DE MODELO DE DETECCIÓN DE FRAUDES DE ENERGÍA ELÉCTRICA EN CLIENTES

RESIDENCIALES DE LIMA METROPOLITANA APLICANDO MINERÍA DE DATOS

En el presente trabajo, desarrollaremos un modelo como propuesta para predecir potenciales

situaciones de fraudes de energía eléctrica en clientes residenciales basado en aprender el
comportamiento de clientes que anteriormente hurtaron para ello aplicaremos el proceso
Minería de Datos basado para analizar, extraer y almacenar información de la base de datos, las
cual contiene la historia del consumo de energía.

El modelo se propone para apoyar a las empresas de distribución eléctricas en especial a los
técnicos eléctricos a examinar y verificar, acertadamente, de manera rápida y oportuna los
resultados obtenidos y contribuya, de esta forma, en la toma de decisiones. Para la creación del
modelo se utilizaron las redes neuronales por ser la de mejor desempeño en la detección. El
modelo creado fue evaluado con datos de una empresa distribuidora de electricidad para el
período 2009 y 2010. Las herramientas utilizadas para la creación del modelo fueron el Sql
Server Management Studio (Database Engine para la base de datos y creación de
procedimientos, Análisis Services para la creación de Estructuras y modelos) y como
herramienta interactiva y de fácil entendimiento para el usuario el Complemento de Minería de
Datos para Microsoft Excel. Ésta última, el usuario la utilizará para crear, evaluar y consultar los
modelos ya existentes o nuevos modelos.

Modelado, detección y prevención del robo de electricidad para mejorar el rendimiento y la

seguridad de la red eléctrica.

Esta disertación contribuye al desarrollo e implementación de novela algoritmos para analizar

los patrones de consumo de electricidad de los clientes y identificando consumidores ilegales
basados en irregularidades en el consumo.

La distribución de electricidad involucra importantes aspectos técnicos y no técnicos Pérdidas

(NTL). El consumo ilegal de electricidad o el robo de electricidad constituye una del principal
parte de NTL. Esta disertación discute varios métodos implementados por ilegales
consumidores por robar electricidad y proporciona una revisión relevante de la literatura. UN

La técnica de codificación conserva la exclusividad en el patrón de consumo de energía la técnica

de codificación ahorra un tiempo de CPU significativo análisis en tiempo real y clasificación de
clientes, además de disminuir la memoria requerido para almacenar datos históricos. Entonces,
esta disertación aclara la operación de inteligencia técnicas de clasificación en los datos de
consumo de energía del cliente para clasificar genuina y consumidores ilegales. Estos modelos
de clasificación se aplican al consumo regular de energía datos, así como los datos codificados
para comparar las precisiones de clasificación correspondientes y carga computacional.

MINERÍA DE DATOS APLICADA A LA DETECCIÓN DE CLIENTES CON ALTA PROBABILIDAD DE

FRAUDES EN SISTEMAS DE DISTRIBUCIÓN

El fraude en el ámbito del campo de la electricidad se define como la acción ilegal llevada a cabo
por el usuario con el fin de reducir la cantidad de energía consumida, que infiere en una
facturación errónea de dicho consumo. El fraude eléctrico está asociado a las actividades de
pérdidas no técnicas.

La minería de datos es un proceso que tiene como propósito fundamental analizar, extraer y
almacenar información relevante de amplias bases de datos, las cuales contienen historiales de
consumo de energía por medio de herramientas estadísticas y probabilísticas. En este proyecto
se empleará la máquina de soporte vectorial (SVM), la cual es una herramienta muy poderosa
para la clasificación de datos y elección con una alta probabilidad, qué datos pueden ser
importantes para la decisión que se encuentra en proceso de análisis.

Esta investigación utiliza como fuente de información perfiles de carga de usuarios residenciales
con el fin de construir y caracterizar dichos comportamientos, por medio de patrones de
consumo reales que se pueden presentar para un periodo de tiempo determinado y permitir su
representación cuantificada, por medio de herramientas computacionales que definen su
estado (normal o sospechoso). Es aquí donde la SVM se encarga de utilizar los perfiles de carga
y clasificarlos según su comportamiento.

Las SVMs se basan principalmente en aprendizajes supervisados que requieren de etapas

previas de entrenamiento, y es aquí donde se buscan modelos de clasificación más eficientes y
confiables, que garanticen una alta precisión sin importar el número de perfiles de carga que se
desea estudiar.

DETECCIÓN DE PATRONES ANÓMALOS DE CONSUMOS DE ENERGÍA ELÉCTRICA

RESIDENCIAL UTILIZANDO TÉCNICAS NO SUPERVISADAS
se propone el desarrollo de perfiles de carga representativos para ser utilizados como referencia
para el análisis de pérdidas no técnicas mediante el uso de dos algoritmos de clasificación,
clasificador de Naïve Bayes y árboles de decisión. Estas metodologías utilizan dos tipos de
perfiles de carga, los patrones de comportamiento anormales y patrones de comportamiento
normales, que se utilizan como datos de entrenamiento. En [4] se presenta una metodología
que agrupa todos los perfiles de carga de los clientes utilizando el software WEKA1. Se buscan
los perfiles de carga diaria que consisten en consumos de cero para ser identificados como
pérdidas no técnicas (NTL2). Los consumos dentro de la media y la desviación estándar se
identifican como normales. Los consumos fuera del rango serán identificados como
comportamientos sospechosos que necesitan de más investigación. Los consumos identificados
como NTL se comprueban en el campo, y si corresponden a usuarios infractores se utilizan como
conjunto de entrenamiento para predicciones futuras. En [5], los autores proponen el uso de
máquinas de soporte vectorial (SVMs3) para identificar a los clientes fraudulentos. Los perfiles
de carga se clasifican en categorías en función del contenido típico o atípico de su
comportamiento. La inspección manual se realiza para confirmar sospechosos de fraude. Estos
casos se utilizaron como conjunto de entrenamiento. En [6], se presenta una metodología
basada en máquinas de aprendizaje extremo (ELM4). El perfil de carga típico de un cliente se
establece sobre la base de las mediciones de curvas de carga de los clientes. Los perfiles de carga
se clasifican en función del contenido típico o atípico dentro de su comportamiento. En este
estudio, la media y la desviación estándar fueron utilizadas para establecer un límite superior y
un límite inferior aceptables, con el fin de clasificar los perfiles de carga representativos. Una
metodología que utiliza Algoritmo Genético (GA5) y máquinas de soporte vectorial (SVM) es
presentada en [7]. La metodología utiliza un clasificador SVM de 4 clases para representar 4
tipos diferentes de perfiles de carga, las clases fueron etiquetadas mediante una inspección
manual. En [8] se presenta una metodología basada en tres técnicas descriptivas: una está
basada en la variabilidad de consumo de los clientes, otra está basada en la tendencia del
consumo, y una tercera que resume otras contribuciones para la detección de NTL.

Diseño y desarrollo de un innovador sistema de medición inteligente con plataforma de

detección NTL basada en GUI

Smart Grid es adoptado gradualmente por la mayoría de los países. AMI (Advanced Metering
Infraestructura) es una de las tecnologías habilitadoras clave que consta de medidores
inteligentes, redes de comunicación y MDMS (Meter Data Management System). La información
oportuna, por ejemplo, los datos de consumo y los registros de eventos son importantes para la
detección de NTL (pérdida no técnica), como el robo de electricidad y otras irregularidades del
cliente. Aporta hasta el 40% de la pérdida de ingresos de las empresas de servicios públicos en
algunos países del mundo. Los mecanismos de detección propuestos incluyen el método de
balance de energía, medidores inteligentes en AMI, sensores de detección física y los métodos
de Inteligencia Artificial (Inteligencia Artificial), a saber, lógica difusa y SVM (máquina de
vectores de soporte). La cuestión problemática es que esos mecanismos simplemente se
implementan por separado con resultados de insatisfacción debido a limitaciones y debilidades
inherentes. En este documento, se desarrolla un novedoso diseño de sistema de medición
inteligente como plataforma de detección NTL basada en GUI. Se propone un algoritmo de
detección de 3 niveles para combinar tres mecanismos que se complementan entre sí para un
mejor rendimiento. La técnica de triangulación facilita la validación del resultado de la detección
a través de la verificación cruzada de tres fuentes de datos de medición. Además, el sistema
también admite una mejor flexibilidad con los métodos integrados de inteligencia artificial
desarrollados o desarrollados y una plataforma fácil de usar basada en GUI para monitorear y
analizar el estado de NTL en tiempo real de la red eléctrica para la recuperación de
ingresos.Técnicas de Inteligencia Artificial aplicadas a la Red Eléctrica Inteligente (Smart Grid)

El interés creciente por la red eléctrica inteligente y la naturaleza multidisciplinar de la misma

están motivando que surjan soluciones a los problemas inherentes que conlleva desde distintos
campos del conocimiento. La complejidad y heterogeneidad de estas redes y el gran volumen
de información que se debe procesar hacen que las técnicas basadas en inteligencia artificial e
inteligencia computacional puedan considerarse como habilitadoras para su adecuado
desarrollo e implantación futuros. El objetivo de este artículo es revisar el estado del arte actual
en las técnicas de inteligencia artificial propuestas para abordar los diferentes aspectos
relacionados con el desarrollo del nuevo modelo de red eléctrica. Por tanto, este trabajo está
orientado a repasar los retos más importantes en el diseño de esta "nueva" red eléctrica y cómo
los sistemas inteligentes pueden contribuir a enfrentarlos con éxito.

METODOLOGIA PARA LA DETECCION DE PERDIDAS NO TECNICAS EN SISTEMAS DE

DISTRIBUCION UTILIZANDO METODOS DE MINERIA DE DATOS
Uno de los grandes problemas que afrontan las empresas de distribución de energía tanto a
nivel nacional como internacional, son los fraudes de energía cometidos por los usuarios. En el
presente proyecto de investigación se presenta y aplica una nueva metodología para la
detección de pérdidas no técnicas en sistemas de distribución, la cual sigue los lineamientos
establecidos en el proceso de minería de datos. La metodología parte del hecho en el cual no se
conocen a priori las etiquetas para aquellos registros Normales y Sospechosos, que conforman
la base de datos; por lo cual, por medio de un proceso de validación, se den los datos que hacen
parte de cualquiera de las etiquetas de anteriormente.