Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • Aplicación de Big Data Y Data Analytics Al Modelo de Gestión de Pérdidas No Técnicas en Redes de Distribución de Baja Tensión

    Cargado por

    Eduardo Guerreros
    37 vistas12 páginas
    Este documento describe el uso de big data y análisis de datos para mejorar el modelo de gestión de pérdidas no técnicas en redes de distribución eléctrica de baja tensión. Se presentan algoritmos para detectar patrones de fraude mediante la segmentación de curvas de consumo, el análisis de datos de contadores inteligentes y la correlación de eventos. Los resultados muestran una tasa de éxito del 65-67% en la detección de fraudes. Próximos pasos incluyen la automatización, mejora de algoritmos y

    Descripción original:

    Título original

    csg5-presentacion-3-sergio-bustamante-viesgo-distribucion-electrica-aplicacion-big-data-data-analytics-modelo-gestion-perdidas-no-tecnicas-redes-distribucion-baja-tension

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Denunciar este documento
    Este documento describe el uso de big data y análisis de datos para mejorar el modelo de gestión de pérdidas no técnicas en redes de distribución eléctrica de baja tensión. Se presentan algoritmos para detectar patrones de fraude mediante la segmentación de curvas de consumo, el análisis de datos de contadores inteligentes y la correlación de eventos. Los resultados muestran una tasa de éxito del 65-67% en la detección de fraudes. Próximos pasos incluyen la automatización, mejora de algoritmos y

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    37 vistas12 páginas

    Aplicación de Big Data Y Data Analytics Al Modelo de Gestión de Pérdidas No Técnicas en Redes de Distribución de Baja Tensión

    Cargado por

    Eduardo Guerreros
    Este documento describe el uso de big data y análisis de datos para mejorar el modelo de gestión de pérdidas no técnicas en redes de distribución eléctrica de baja tensión. Se presentan algoritmos para detectar patrones de fraude mediante la segmentación de curvas de consumo, el análisis de datos de contadores inteligentes y la correlación de eventos. Los resultados muestran una tasa de éxito del 65-67% en la detección de fraudes. Próximos pasos incluyen la automatización, mejora de algoritmos y

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    de 12

    “APLICACIÓN DE BIG DATA Y DATA

    ANALYTICS AL MODELO DE GESTIÓN DE


    PÉRDIDAS NO TÉCNICAS EN REDES DE
    DISTRIBUCIÓN DE BAJA TENSIÓN”
    Sergio Bustamante González
    Responsable de Medida
    Viesgo Distribución Eléctrica
    RED BT VIESGO DISTRIBUCION

    1a empresa en
    360 empleados 36 min 690.000 MÁS DE completar el despliegue
    6 centros de trabajo 31.000 km de Smart Meters
    TIEPI 2017 CLIENTES
    DE RED
    99,5% CLIENTES TIENE UN
    H&S Máxima SMART METER
    Prioridad 109 Subestaciones 11.000 CTs

    2
    NUEVO ENFOQUE EN GESTION DE PÉRDIDAS NO TÉCNICAS

    Modelo Tradicional Nueva Visión

    • Redes convencionales • Smart Grids


    • Información discreta • Información continua: CCH
    • Sistemas obsoletos • Data Analytics & Big Data
    • Detección tardía • Detección precoz
    • Recuperar energía • Minimizar las pérdidas
    • Inspección visual • Monitorización desatendida
    • Corrección • Prevención
    • Proceso administrativo • Sin proceso administrativo

    3
    BALANCE ENERGÉTICO EN BAJA TENSIÓN

    CT Clientes Pérdidas
    CT1

    TR1
    400V

    4
    FASE DE SEGMENTACIÓN: CURVAS PATRÓN
    Clustering
    Segmentación Resultados: Curvas Patrón
    K-Means

    Grupo 270 Patrones típicos Consumo


    primario Consumos
    medios
    Clientes

    3 2 2
    Subgrupos diarios
    CNAE 2
    1 1
    1
    Tarifas Potencias
    0 0 0
    0 6 12 18 24 0 6 12 18 24 0 6 12 18 24
    Hora Hora Hora

    100 Patrones típicos Fraude


    BBDD Histórico
    CCH
    Fraudes

    Casos Fraude 2 2 5

    1.5 1.5 4
    3
    Curvas 1 1
    Balance BT 2
    Pérdidas 0.5 0.5 1
    0 0 0
    0 6 12 18 24 0 6 12 18 24 0 6 12 18 24
    Hora Hora Hora

    5
    FASE DE DESARROLLO: ALGORITMOS

    Detección de Patrones Análisis Curvas históricas


    Datos de partida Datos de partida Simultaneidad
    Clustering k-means
    Balance

    Balance
    Curvas Curvas
    BT

    BT
    Clustering k-means Correlación
    Pérdidas Pérdidas

    Patrones
    Fraude
    CCH
    BBDD

    BBDD
    Segmentos
    Candidatos (CUPS)
    Coincide CT Candidatos (CUPS)
    Eventos
    Eventos Coincide Segmento Correlación > ±0.9
    contador
    contador Eventos Eventos

    6
    FASE DE ENTRENAMIENTO: VALIDACIÓN ALGORITMOS

    Datos de partida Algoritmos Resultados Validación

    Curvas Pérdidas Detección


    Balance BT patrones
    Alarma +
    Simultaneidad:
    BBDD de Aprendizaje

    Patrones Fraude 65%


    Simultaneidad
    + Clientes
    Lista de
    Tasa Éxito
    Candidatos
    Consumo
    CCH Alarma +
    intermitente
    Patrón Marihuana+
    Cons.int./Simult.:
    Eventos Consumo 67%
    contador reducido

    Machine Learning

    7
    FASE DE EXPLOTACIÓN: CASOS ÉXITO
    Detección por identificación de patrón de segmento en curva de pérdidas

    CT Clientes Pérdidas

    CT Clientes Pérdidas

    8
    FASE DE EXPLOTACIÓN: CASOS ÉXITO
    Detección por alta correlación positiva entre CCH cliente y curva de pérdidas

    CT Clientes Pérdidas

    Cliente

    9
    FASE DE EXPLOTACIÓN: CASOS ÉXITO
    Detección por combinación de algoritmos: eventos de contador, correlación
    negativa y ceros intermitentes
    CT Clientes Pérdidas

    Cliente

    10
    PRÓXIMOS PASOS
    • Implementación / Automatización
    – Traslado al sistema Big Data en campo (IDbox)
    – Interfaz gráfico
    – Monitorización diaria
    • Mejora de los algoritmos
    – Ampliar catálogo de patrones
    – Ampliar toolbox de comprobaciones
    – Estimación de pérdidas técnicas
    • Data mining
    – Localización de vertidos no declarados

    11
    DATOS DE CONTACTO:
    sergio.bustamante@viesgo.com

    12

    También podría gustarte