Deep learning aplicado a la detección de robos de energía

Abstract

[spa] El aumento de recopilación de información de las redes eléctricas debido a la expansión de las redes inteligentes y a la democratización del dato, ha hecho posible el desarrollo de herramientas más sofisticadas y precisas para paliar la problemática de los robos de energía. En este sentido, las técnicas de inteligencia artificial han probado tener un gran desempeño en la detección de comportamientos irregulares en el uso de la energía, siendo el aprendizaje profundo estado del arte en este campo. El presente proyecto está centrado en el uso de técnicas de aprendizaje profundo para la detección de robos de corriente a partir de históricos de consumo y de información sobre si los consumidores han hecho uso fraudulento de la red a partir de inspecciones. En concreto, se propone el uso de un modelo de aprendizaje profundo que une una red de neuronas totalmente conectadas formada con una sola capa oculta, con una red convolucional profunda, las cuales se van a entrenar de forma conjunta haciendo uso de la librería Pytorch de Python. El proyecto también incluye una parte de ciencia de datos, donde se exploran y transforman los datos disponibles con el fin de mejorar el rendimiento de la red, tratando los valores nulos y los outliers, así como normalizando los datos de consumo con el uso de las librerías Pandas y Scikit-learn de Python.