Modelo de inteligencia artificial y técnicas de equilibrio para controlar las pérdidas no técnicas en el sector de la energía eléctrica.
DOI:
https://doi.org/10.15649/2346030X.5635Palabras clave:
energía, inteligencia artificial, modelo, pérdida no técnica, usuarioResumen
Las pérdidas no técnicas (NTL) en los sistemas de distribución de energía eléctrica representan un problema crítico debido a su impacto económico y operativo, ya que están asociadas principalmente al fraude, la manipulación y los errores administrativos. Este artículo propone el diseño y la evaluación de un modelo híbrido de aprendizaje profundo para la detección automática de NTL, que integra redes neuronales convolucionales (CNN), redes de memoria a corto y largo plazo (LSTM) y redes neuronales densas (DNN). Para mitigar el desequilibrio de clases característico de este tipo de problema, se aplicaron técnicas de remuestreo sintético, concretamente SMOTE, BorderlineSMOTE y ADASYN, analizando su efecto en el rendimiento del modelo. La validación se realizó utilizando un conjunto de datos reales de una empresa de distribución eléctrica del municipio de Aguachica, Colombia, compuesto por 44 231 usuarios y 365 variables por registro. Los resultados muestran que la combinación BorderlineSMOTE + CNN-LSTM-DNN logra el mejor rendimiento general, alcanzando una precisión del 74,47 %, junto con mejoras en métricas clave como la recuperación, la puntuación F1 y el AUC. Estos hallazgos demuestran que la integración de arquitecturas profundas con técnicas avanzadas de equilibrio es una estrategia eficaz para la detección de PNT en entornos eléctricos del mundo real.
Referencias
[1] H. Córdoba, J. Ramírez, and A. Méndez, “Identification of the characteristics involved in the detection of non-technical losses for two Colombian energy companies,” Energy Eng. Technol. J., vol. 23, no. 2, pp. 45–61, 2020. [Online]. Available: https://www.redalyc.org/journal/430/43052680008/html/.
[2] F. A. A. Paredes, R. C. de Souza, C. C. O. Ramos, and J. P. Papa, “Data-driven machine learning methods for non-technical losses of electrical energy detection: A state-of-the-art review,” Energies, vol. 16, no. 21, art. no. 7460, Nov. 2023, doi: 10.3390/en16217460.
[3] V. Orjales, M. J. Rodríguez, A. Gómez, and J. M. Esteban, “Using regression analysis to identify patterns of non-technical losses on power utilities,” in Proc. KES 2010 – Knowl.-Based Intell. Inf. Eng. Syst., Cardiff, U.K., 2010, pp. 410–419, doi: 10.1007/978-3-642-15387-7_45.
[4] A. H. T. Alfarra, B. A. Attia, and C. S. M. El Safty, “Non-technical loss detection for metered customers using support vector machines,” Res., Eng. Policy Q. J., vol. 16, no. 4, pp. 1–10, 2024, doi: 10.24084/repqj16.353.
[5] A. Hasan, R. Toma, A. A. Nahid, M. Islam, and J. M. Kim, “Electricity theft detection in smart grid systems: A CNN–LSTM based approach,” Energies, vol. 12, no. 14, art. no. 3310, Jul. 2019, doi: 10.3390/en12173310.
[6] T. Sadeghi, Z. Nasr, B. R. Tahour, H. Nowzari-Dalini, and M. Zolghadr, “Electricity theft detection in power grids with a hybrid convolutional neural network–support vector machine model,” in Proc. 5th Int. Conf. Future Netw. Distrib. Syst., Dubai, UAE, Oct. 2022, pp. 1–6, doi: 10.1145/3508072.3508078.
[7] D. Ali, M. S. Ali, M. Imamuddin, and M. E. E. Rizvi, “A novel framework for electricity theft detection in smart grids using principal component analysis and machine learning techniques,” Heliyon, vol. 10, no. 15, art. no. e35167, Aug. 2024, doi: 10.1016/j.heliyon.2024.e35167.
[8] V. S. Viegas, P. R. Esteves, and S. M. Vieira, “Clustering-based novelty detection for identification of non-technical losses,” Int. J. Electr. Power Energy Syst., vol. 101, pp. 301–311, Oct. 2018, doi: 10.1016/j.ijepes.2018.03.031.
[9] Pamir, N. Javaid, U. Qasim, A. S. Yahaya, E. H. Alkhammash and M. Hadjouni, "Non-Technical Losses Detection Using Autoencoder and Bidirectional Gated Recurrent Unit to Secure Smart Grids," in IEEE Access, vol. 10, pp. 56863-56875, 2022, doi: 10.1109/ACCESS.2022.3171229.
[10] M. Z. H. Jesmeen, G. R. Murthy, J. Hossen, J. Ganesan, A. A. Aziz, and K. Tawsif, “Detecting abnormal electricity usage using unsupervised learning model in unlabeled data,” Int. J. Adv. Appl. Sci., vol. 8, no. 9, pp. 102–111, Sep. 2021, doi: 10.21833/ijaas.2021.09.014.
[11] S. Chen, B. Mulgrew, and P. M. Grant, “A clustering technique for digital communications channel equalization using radial basis function networks,” IEEE Trans. Neural Netw., vol. 4, no. 4, pp. 570–578, Jul. 1993, doi: 10.1109/72.238311.
[12] J. Wang, “Fundamentals of erbium-doped fiber amplifiers,” IEEE J. Quantum Electron., submitted for publication.
[13] Y. Yorozu, M. Hirano, K. Oka, and Y. Tagawa, “Electron spectroscopy studies on magneto-optical media and plastic substrate interfaces,” IEEE Transl. J. Magn. Jpn., vol. 2, pp. 740–741, Aug. 1987.
[14] T. Duncombe, “Infrared navigation—Part I: An assessment of feasibility,” IEEE Trans. Electron Devices, vol. ED-11, pp. 34–39, Jan. 1959.
[15] S. Chen, B. Mulgrew, and P. M. Grant, “Clustering techniques for channel equalization using RBF networks,” IEEE Trans. Neural Netw., vol. 4, no. 4, pp. 570–578, 1993.
[16] M. Young, The Technical Writer’s Handbook. Mill Valley, CA, USA: Univ. Science, 1989.
[17] N. Javaid et al., “Unsupervised learning approaches for anomaly detection in smart grids,” IEEE Access, vol. 10, pp. 56863–56875, 2022.
[18] V. S. Viegas et al., “Novelty detection techniques for non-technical losses,” Int. J. Electr. Power Energy Syst., vol. 101, pp. 301–311, 2018.
[19] D. Ali et al., “Machine learning-based PCA framework for electricity theft detection,” Heliyon, vol. 10, art. no. e35167, 2024.
[20] T. Sadeghi et al., “Hybrid deep learning models for electricity theft detection,” in Proc. Int. Conf. Future Netw. Distrib. Syst., 2022.
[21] A. Hasan et al., “Deep learning models for smart grid fraud detection,” Energies, vol. 12, art. no. 3310, 2019.
[22] F. A. A. Paredes et al., “Machine learning techniques for non-technical loss detection: A comprehensive review,” Energies, vol. 16, art. no. 7460, 2023.
[23] N. M. Elshennawy, D. M. Ibrahim, y A. M. Gab Allah, “An efficient electricity theft detection based on deep learning,” Sci. Rep., vol. 15, art. no. 12866, 15 abr. 2025, doi: 10.1038/s41598-025-93140-z.
[24] M. Sleiman, C. Dagli, y R. Bo, “Electricity theft detection with an adaptive deep learning architecture,” Procedia Comput. Sci., vol. 268, pp. 392–401, Oct. 2025, doi: 10.1016/j.procs.2025.08.218.
Descargas
Publicado
Cómo citar
Descargas
Número
Sección
Licencia
Derechos de autor 2026 AiBi Revista de Investigación, Administración e Ingeniería
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
La revista ofrece acceso abierto bajo una Licencia Creative Commons Attibution License
Esta obra está bajo una licencia Creative Commons Attribution (CC BY 4.0).
