Diseño de herramienta computacional basada en machine learning para la detección de desviaciones de consumo

Detectar de forma temprana desviaciones en los patrones de consumo es una de las actividades críticas del negocio eléctrico y en general de cualquier empresa prestadora de un servicio público. El siguiente proyecto tiene por objetivo desarrollar una herramienta computacional web a través de la cual se validen las curvas históricas de consumo de energía eléctrica de clientes no regulados del caribe colombiano a través de métodos especializados de machine learning. Se realizó inicialmente una evaluación completa del proceso de análisis energético a través de métodos y herramientas dentro del espectro del estudio del trabajo. Del levantamiento de la información se logran poner de presente las principales falencias del proceso y se evidencia la falta de información para realizar una evaluación comparativa entre la herramienta VBA actualmente utilizada por la compañía para analizar la energía, y la nueva herramienta propuesta en este proyecto. De manera consecuente, se determina someter a crítica el resultado de cuatro técnicas de machine learning: One Class Support Vector Machines, Isolation Forest, Robust Covariance y Local Outlier Factor; para determinar el mejor modelo a partir de la construcción de la realidad en conjunto con los analistas. A través de la crítica y análisis de resultados de la validación de los métodos se logra medir el rendimiento de cada uno de los modelos, y se determina finalmente que la mejor técnica para detectar desviaciones de consumo dentro del contexto comercial de la compañía es Robust Covariance. La técnica obtuvo la mayor valoración F1-score para modelos de machine learning, evidenciando un equilibrio fundamental entre la ocurrencia de eventos falsos positivos, falsos negativos y verdaderos positivos; así como una reducción del 93% del número de puntos de medida revisados manualmente en comparación con la herramienta VBA.

• Autores: Ahumada Sierra, Loui Alejandro
• Fecha de publicación: 2018
• Institución: Universidad del Norte
• Repositorio: Repositorio Uninorte
• Idioma: spa
• OAI Identifier: oai:manglar.uninorte.edu.co:10584/7894
• Acceso en línea: http://hdl.handle.net/10584/7894
• Palabra clave: Aprendizaje automático; Detección de desviaciones; machine learning; Outlier detection; One Class Support Vector Machines; Isolation Forest; Robust Covariance; Local Outlier Factor
• License: Universidad del Norte