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

Cordova Carmen, Jean Jairo

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

dc.contributor.advisor	Fiestas Chévez, José́
dc.contributor.author	Cordova Carmen, Jean Jairo
dc.coverage.spatial	Iquitos, Perú
dc.date.accessioned	2025-01-29T17:07:48Z
dc.date.available	2025-01-29T17:07:48Z
dc.date.issued	2024-12
dc.description.abstract	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.
dc.format	application/pdf
dc.identifier.citation	Cordova, J. (2024). Implementación de un modelo de aprendizaje automático para la identificación de consumos anómalos en clientes asociados a pérdidas no técnicas (Tesis para optar el título de Ingeniero Mecánico-Eléctrico). Universidad de Piura. Facultad de Ingeniería. Programa Académico de Ingeniería Mecánico-Eléctrica. Piura, Perú.
dc.identifier.uri	https://hdl.handle.net/11042/7115
dc.language.iso	spa
dc.publisher	Universidad de Piura	es
dc.publisher.country	PE
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.uri	https://creativecommons.org/licenses/by-nd/4.0/
dc.source	Universidad de Piura	es
dc.source	Repositorio Institucional Pirhua - UDEP	es
dc.subject	Consumo de energía eléctrica -- Mediciones -- Optimización
dc.subject	Consumo de energía eléctrica -- Control automático
dc.subject.ddc	621.31
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#2.02.01
dc.title	Implementación de un modelo de aprendizaje automático para la identificación de consumos anómalos en clientes asociados a pérdidas no técnicas
dc.type	info:eu-repo/semantics/bachelorThesis
renati.advisor.dni	80543428
renati.advisor.orcid	https://orcid.org/0000-0002-2909-4448
renati.author.dni	72489635
renati.discipline	713076
renati.juror	Castro Sánchez, Miguel
renati.juror	Vásquez Díaz, Edilberto
renati.level	https://purl.org/pe-repo/renati/level#tituloProfesional
renati.type	https://purl.org/pe-repo/renati/type#tesis
rim.academicdepartment	Área de Electrónica y Automatización	es
rim.college	Facultad de Ingeniería	es
rim.department	Departamento de Ingeniería Mecánica Eléctrica	es
thesis.degree.discipline	Ingeniería Mecánico- Eléctrica
thesis.degree.grantor	Universidad de Piura. Facultad de Ingeniería
thesis.degree.name	Ingeniero Mecánico Eléctrico