Implementation of ananomaly detection system for gas consumption in industrial clients through data analytics

El sector del gas natural desempeña un papel fundamental a nivel mundial en la actual transición energética, sirviendo como puente clave entre los combustibles fósiles tradicionales y las fuentes de energía renovables. En este trabajo, presentamos una metodología para detectar anomalías en el consumo de gas natural industrial, mediante la transformación de datos de series temporales en representaciones de imágenes utilizando la Transformada Wavelet Continua (CWT). Estos escalogramas, que conservan información tanto temporal como de frecuencia, se utilizan como entradas para redes neuronales convolucionales (CNN) y una arquitectura híbrida CNN–Long Short-Term Memory (LSTM), diseñada para capturar patrones espaciales y dependencias secuenciales. Los modelos fueron entrenados y evaluados con datos operativos reales de clientes industriales, alcanzando puntuaciones F1 superiores a 0,80 en la mayoría de los casos. El análisis exploratorio mostró que los comportamientos normales y anómalos generan patrones basados en wavelets visualmente distintos, lo cual apoya tanto la clasificación supervisada como la interpretabilidad por parte de expertos humanos. Entre las arquitecturas probadas, MobileNetV2 y el modelo CNN-LSTM ofrecieron los resultados más estables y generalizables. Este trabajo demuestra que la integración de transformaciones wavelet con aprendizaje profundo mejora significativamente la detección temprana y confiable de anomalías en los sistemas de distribución de gas.

• Autores: Luna Velasco, María Camila; Benavides Sanclemente, María Alejandra
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2025
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: eng
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/76232
• Acceso en línea: https://hdl.handle.net/1992/76232
• Palabra clave: Deep Learning; Neural Networks; Time series analysis; Wavelet Transform; Anomaly detection; Natural gas consumption; Convolutional Neural Networks (CNN); Long Short-Term Memory (LSTM); Aprendizaje profundo; Redes neuronales; Análisis de series temporales; Transformada wavelet; Detección de anomalías; Consumo de gas natural; Redes neuronales convolucionales; Memoria a largo y corto plazo; Ingeniería
• Rights: openAccess
• License: Attribution-NonCommercial-NoDerivatives 4.0 International