perdidas no tecnicas

7/26/2019 Perdidas No tecnicas

http://slidepdf.com/reader/full/perdidas-no-tecnicas 1/8

Boletín IIE, 2015octubre-diciembre

192

Modelo para detectar y prevenir pérdidasno técnicas en sistemas de distribución eléctrica

con base en técnicas de minería de datosy redes bayesianas

María Yasmín Hernández Pérez, Gustavo Arroyo Figueroa, Martín Santos Domínguez,

Guillermo Rodríguez Ortiz e Hilda Escobedo Hernández

AbstractTe energy sector faces a considerable loss of energy in both, the technical field and the non-technical field. Non-technical losses are

related to the energy delivered, but whose cost is not recovered. Several attempts have carried out to reduce this problem; however,it still persists. Te application of data mining algorithms to the commercial and technical databases provides patterns of energyconsumption. Tese consumption patterns can be related to social, economic and demographic information, and in this way itallows to know the phenomena behind energy losses. In turn, consumption patterns are useful for designing models of energy losses prediction. In this paper, we proposed a prediction model based on Bayesian networks which includes a wide range of parametersand relationships and allows the use of minimal evidence for potential or early losses. Te structure of the Bayesian network is basedon the consumption patterns and on expert knowledge. We have evaluated several algorithms to prepare data and to select relevantdata because there is a large amount of data and in many cases incomplete or irrelevant. In this paper, the current results in theconstruction of diagnostic model are presented.

Introducción

Las pérdidas de energía en los sistemas de distribución es unproblema importante que enfrentan las empresas de energíaeléctrica. En México, cada año se pierde más del 21% dela energía que se genera (Acosta, 2010). Este problemarecae principalmente en la gestión de los servicios públicos,es decir, en la eficiencia y optimización de recursos.La falta de inversión en los sistemas de distribución ycomercialización de energía eléctrica no sólo conduce al

deterioro en la calidad del servicio, sino que también es unode los principales factores en el aumento de las pérdidas deenergía, tanto técnicas como no técnicas.

Primordialmente, las pérdidas técnicas se deben al calorque se produce cuando la electricidad pasa a través de laslíneas de transmisión y de los transformadores, mientrasque las pérdidas no técnicas se producen cuando la energíase toma del sistema sin que el medidor de energía registreel consumo, ya sea por robo, por manipulación de equipos



Artículos técnicos

193

o de los sistemas de facturación paramodificar los registros de consumo,entre otros (Rodríguez, 1997).

En México se han llevado a cabodiversos intentos para minimizarlas pérdidas no técnicas, que en sumayoría han consistido en dispositivosfísicos que se han interesado en elrobo, sin embargo, el problema

ha persistido, ya que no se hanconsiderado otros factores como unamala administración y la falta demantenimiento.

Las bases de datos técnicas ycomerciales de las empresas de energíaeléctrica almacenan información deconsumo de varias décadas, de talmanera que es posible aplicar técnicasde minería de datos para descubrir

patrones de comportamiento queexpliquen las causas de las pérdidasno técnicas de energía. Con laaplicación de estos algoritmos se podríaconocer, entre otros factores, las zonasgeográficas que tienen mayores pérdidasno técnicas de la energía. A su vez, conlos patrones de consumo se puedenpredecir las pérdidas potenciales odetectarlas en etapas tempranas.

Los algoritmos de minería de datosdescubren y muestran conocimientooculto en los datos. Se trata deun proceso largo que incluyediversas etapas: pre-procesamiento,transformación y post-procesamiento.Proponemos un modelo que incluyeel pre-procesamiento de las bases dedatos técnicas y comerciales, a travésde algoritmos de selección de atributos

para detectar la información relevante. Para el diseño delmodelo se están evaluando diversos algoritmos de mineríade datos y se propone un modelo bayesiano para detectar yprevenir las pérdidas no técnicas de energía a partir de lospatrones descubiertos.

El artículo está organizado de la siguiente manera: Lasección 2 presenta el modelo para detectar las pérdidasno técnicas de energía. La sección 3 presenta la redBayesiana, la cual es un elemento fundamental del modelo.

Finalmente, las conclusiones y el trabajo futuro se presentanen la sección 4.

Modelo para detectar pérdidas deenergía en sistemas de distribución

El sistema de distribución de energía eléctrica es elencargado de proporcionar la energía a los consumidoresfinales, la cual se transporta a través de redes de distribuciónde las plantas eléctricas a los usuarios. Las pérdidas de




194

energía se refieren a la energía eléctrica que se produce ytransporta, pero que las empresas que prestan el serviciono facturan. Esto sucede a causa de que la energía se pierdea lo largo del proceso, o a causa de problemas de gestión,o porque se ha tomado de manera ilegal, por lo tanto, laspérdidas se clasifican en técnicas y no técnicas.

Las pérdidas técnicas se deben principalmente al calor quese produce cuando la electricidad pasa por las líneas detransmisión y transformadores.

Las pérdidas no técnicas se producen cuando la energía setoma de manera ilegal desde el sistema sin ser registradapor el medidor de energía, principalmente por robo,manipulación de equipos o de los sistemas de facturación(Rodríguez, 1997).

El aumento de las pérdidas no técnicas afecta a las empresasde distribución de energía. Por ejemplo, en el aspecto

socioeconómico se afectan lasinversiones futuras y puede llegar a laracionalización del uso de la energía.La falta de inversión en los sistemasde distribución y comercialización deenergía eléctrica conduce no sólo aldeterioro de la calidad del servicio quese presta, sino que es uno de los factoresque más contribuyen al aumento de laspérdidas técnicas y no técnicas.

En el trabajo previo se ha tratado deevitar las pérdidas no técnicas queatacan sólo el robo, sin embargo,estudios recientes han detectado otrascausas de pérdidas no técnicas, las cualesse encuentran principalmente en lossistemas de administración (Acosta,2010) . El porcentaje de pérdidas

Figura 1. Causas de pérdidas no técnicas de energía. Se identifican cinco categorías de causas importantes en el ÁreaMetropolitana de México (Acosta, 1997).




195

varía entre regiones y entre actividadeseconómicas. En la figura 1 se muestraun análisis de las causas de las pérdidasno técnicas en el área metropolitana deMéxico.

Como puede verse en la figura 1, elrobo de energía es sólo una de lascausas de las pérdidas no técnicas en elárea metropolitana y como un primer

intento de reducirlas, se ha atacado elproblema del robo de energía mediantela aplicación de algoritmos de mineríade datos a la información histórica de lafacturación.

La base de datos comercial SICOMcontiene información detallada de loscontratos de los consumidores queincluyen el consumo de energía y losmedidores de consumo. Esta base de

datos ha estado en operación durantevarias décadas, por lo tanto, cuenta conmillones de registros que constituyenuna fuente importante para detectarpatrones de consumo de energía, perose tienen que establecer relaciones conotras bases de datos con informacióntécnica y demográfica, para tratar deidentificar un espectro más amplio delas pérdidas no técnicas.

Nuestro modelo incluye elpre-procesamiento de los datos, laminería de bases de datos, el análisisdel conocimiento descubierto, y laaplicación de los nuevos conocimientos.En la figura 2 se presenta este proceso.

En la etapa de pre-procesamiento delos datos se consideran varias tareas,tales como completar los registros

incompletos. En esta etapa, la participación de expertos es muyimportante, ya que conocen el proceso y por lo tanto puedengenerar reglas para completar los registros, generar los registrosfaltantes, así como establecer relaciones entre los datos.

La minería de datos de bases de datos juega un papel centralen la explotación de la gran cantidad de informacióndisponible, sin embargo, cuando se trata de bases de datosmuy grandes, los algoritmos de minería requieren muchotiempo para procesar la información. Una forma de abordar

este problema es reducir la cantidad de datos antes de aplicarlos algoritmos de minería a través del pre-procesamiento.Por otro lado, los datos del mundo real generalmente estánincompletos, con discrepancias o inconsistencias: faltanvalores en algunos atributos, faltan atributos relevantes, sólocontienen los datos agregados, con errores o con valoresatípicos. Las tareas en el pre-procesamiento de datos son:• Limpieza de datos: completar los valores perdidos,

reducir los datos ruidosos, identificar y eliminar losvalores atípicos, y eliminar las inconsistencias.

Figura 2. Diagrama de detección de pérdidas no técnicas. Lapropuesta incluye el pre-procesamiento de los datos, la aplicaciónde algoritmos de minería de datos, el análisis de los patronesdescubiertos y la aplicación del nuevo conocimiento.




196

• Integración de datos de diferentes bases de datos, cubosde datos o archivos.

• Transformación de datos a través de la normalización yla agregación

• Reducción de datos: se reduce el volumen de datos, perose producen los mismos resultados analíticos o similares

• Discretización de datos: se sustituyen atributosnuméricos con valores nominales.

La aplicación del método de pre-procesamiento de selección

de atributos antes de la minería de datos ha demostradoque este método es prometedor, ya que puede eliminarlos atributos irrelevantes o redundantes que hacen quelas herramientas de minería se conviertan en ineficientes(Mejía, 2004). Al mismo tiempo se puede conservar yaumentar la calidad de la clasificación del algoritmo deminería (precisión predictiva) y ayudar a entender losmodelos inducidos, ya que tienden a ser más pequeños ypor lo tanto se hacen más entendibles para el usuario final.

En el aprendizaje supervisado es conveniente aplicar un

método de clasificación. El método buBF y el método dG(Mejía, 2004) consideran interdependencias entre losatributos nominales.

Como resultado del análisis y la aplicación de algoritmosde minería de datos a la base de datos SICOM hemosencontrado algunos patrones para detectar el robo deenergía, sin embargo, ahora estamos buscando otrasrelaciones para tratar de detectar y prevenir las pérdidasno técnicas de la energía que incluye otras causas comose indica en la figura 1. Estamos evaluando diferentes

algoritmos para saber cuál es más eficaz.

Adicionalmente estamos construyendo un modelo paradetectar las pérdidas potenciales o en una etapa tempranacon base en redes bayesianas.

Modelo Bayesiano paradetección de pérdidasde energía

Las pérdidas no técnicas de energíainvolucran muchos factores, detal manera que cada factor puedecontribuir con la evidencia paraidentificar un patrón, por lo que nose tiene una única fuente directa de

evidencia, sino que se cuenta con variasy diferentes fuentes de evidencia. Elrazonamiento bayesiano proporcionamecanismos robustos para trabajarcon cualquier evidencia mínima quepermite hacer frente a la incertidumbreinherente en la evaluación de laspérdidas de energía.

Se han modelado redes bayesianas envarios dominios. Se propone diseñar

un sistema de diagnóstico basadoen redes probabilísticas temporales(Arroyo, 2000). El sistema dediagnóstico utiliza un análisis causa-consecuencia, con base en un modeloque hace frente a la incertidumbre y eltiempo. El modelo está representadopor medio de una red bayesiana deeventos temporales (RBET) (Arroyo,1999). Una RBET es un grafoacíclico dirigido (DAG) donde los

nodos representan un evento y lasaristas representan una relación causaltemporal entre los nodos temporales.Una RBET es una representaciónformal de la causalidad y las relacionestemporales entre eventos. En otraspalabras, una RBET es un modelode comportamiento de consumo quepuede compararse al consumo real.Una RBET se define de la siguiente




197

manera: RBET = (V, E), donde Ves el conjunto de nodos temporalesy E es el conjunto de aristas. Cadanodo temporal está definido por unpar ordenado (σ, τ) y la matriz deprobabilidad condicional que especificala probabilidad de cada par ordenadodados sus padres (Mejía, 2004).

Los valores de cada nodo temporal

pueden verse como el productovectorial entre el conjunto de valores(Σ) y el conjunto de intervalos detiempo (T), a excepción del estadopredeterminado que se asocia a unsolo intervalo.

El análisis de causa-consecuenciase utiliza para indicar que el énfasisprincipal está en la determinaciónde las causas de los acontecimientos

que se han producido, así como lapredicción de consecuencias futuras.El formalismo RBET incluye elmanejo de la incertidumbre y deltiempo para el diagnóstico delconsumo y la predicción de eventos,utilizando la evidencia como piezaimportante de información. Elanálisis comienza cuando el módulode detección de eventos detectaun evento, éste toma las lecturas y

compara su valor con los límites bajosy altos. Un evento es una señal quesobrepasa los límites especificados.

El mecanismo de inferencia de unmodelo RBET se basa en la detecciónde eventos y en la propagaciónde la evidencia. El mecanismo deinferencia actualiza las probabilidadesmarginales posteriores de cada nodo

(variable) de la red, debido a la ocurrencia de un evento oeventos. Definimos tc como el tiempo cuando se detectaun evento y α como la función de ocurrencia en tiemporeal. Esta función se define como el valor absoluto dela diferencia entre el tiempo de ocurrencia de un par deeventos conectados. A medida que la red no tiene ningunareferencia temporal, el tiempo de ocurrencia del primerevento fija el tiempo de la red. El valor de α se utiliza paradeterminar el intervalo de tiempo del nodo efecto, teniendoen cuenta el nodo causa como evento inicial. Después,

la evidencia se propaga a través de la red para actualizarlas probabilidades de los otros nodos. Estas posibilidadesindican la ocurrencia potencial de eventos en el pasado y enel futuro. La función termina cuando se alcanza un nodoterminal o de la hoja.

Se han identificado tres pasos principales en el proceso deinferencia:1) Detección de la ocurrencia del evento o eventos y

definición del intervalo de tiempo de ocurrencia delevento o eventos.

2) Propagación de la evidencia de la ocurrencia a travésde la red y actualización de las probabilidades de lasvariables.

3) Determinación de los eventos pasados y futurospotenciales.

Una RBET se construye con base en los patrones descubiertosen la fase de minería de datos y también es importante elconocimiento de un experto. La red bayesiana implícita enRBET se muestra en la figura 3. Esta RBET inicial representalas causas de las pérdidas no técnicas de energía.

Conclusiones

Las pérdidas no técnicas de energía son un tema importanteen la generación de energía eléctrica y representan un granreto, ya que las empresas de generación eléctrica estánperdiendo una cantidad considerable de dinero. Se hanrealizado diversos esfuerzos para atacar este problema, quese han centrado principalmente en el robo de la energía, sinembargo, el problema ha persistido.




198

Figura 3. Red Bayesiana inicial para la detección de pérdidas notécnicas de energía. Incluye datos sobre demografía, equipo y gestión.

Además del robo de energía se han identificado diversascausas de las pérdidas, tales como equipo de mediciónobsoleto. Se ha trabajado en la detección de robo de energía,

tratando de identificar los patrones de consumo en las basesde datos de facturación. Ahora se quiere detectar otrascausas de las pérdidas no técnicas de energía, por mediodel descubrimiento de nuevos patrones en la base de datosde facturación y a través de la identificación de relacionescon las bases de datos técnicas y demográficas. Además, seestá construyendo un modelo Bayesiano con la base de lospatrones descubiertos y con el apoyo de expertos. En esteartículo presentamos nuestra propuesta general y comotrabajo futuro nos gustaría aplicar los algoritmos de mineríade datos que hemos evaluado y comparar los resultados.

Referencias

Acosta, F. Sector Energético Mexicano, Talk at Regional Conference onSmart Grids in Latin America and Caribbean: Feasibility and Challenges.CEPAL. Santiago de Chile, Octubre, 12-13, 2010.

Arroyo G., Álvarez Y., Sucar L. E. SEDRET – an intelligent system forthe diagnosis and prediction of events in power plants, Expert Systemswith Applications. vol. 18, No. 2, 2000, pp. 75-86.

Arroyo G., Sucar L. E. emporal Bayesian Network for diagnosis and prediction. In Laskey K., Prade H. (eds.) Proc. 15th Conference on

Uncertainty on Artificial Intelligence, 1999,pp. 13-20.

Mejía, M., Rodríguez, G., Arroyo, G., Morales,Feature selection-ranking methods in a very largeelectric database . MICAI 2004: Advances in

Artificial Intelligence, 3rd Mexican Int. Conf.on Artificial Intelligence, Springer Berlin,

April, pp. 292-301.

Rodríguez, R. L., Vidrio, G. Tendencias enmedición: detección de robos de energía

eléctrica. Boletín IIE, 1997.




199

Currículum vítae

Gustavo Arroyo Figueroa [ [email protected] ]

Doctor en Ciencias Computaciones por el InstitutoTecnológico y de Estudios Superiores de Monterrey.Maestro en Ciencias Químicas e Ingeniero IndustrialQuímico por el Instituto Tecnológico de Celaya.Ingresó al IIE en 1991, donde colaboró en proyectosrelacionados con la automatización integral de plantaseléctricas, algoritmos de control avanzado, sistemas deinformación en tiempo real y aplicación de técnicas deinteligencia artificial en la supervisión y diagnósticode procesos. Desde 1999 es Gerente de Tecnologías dela Información. Autor de más de 100 publicacionesnacionales e internacionales; editor de Lectures Noteson Artificial Intelligence . Pertence al Sistema Nacionalde Investigadores (SNI) desde 1991 y actualmente esinvestigador nivel II. Miembro de la mesa directiva dela Sociedad Mexicana de Inteligencia Artificial, de laIEEE, del Comité de Plantas Eléctricas del IASTED,y del Comité Estudios D2 “Information Systems andelecommunications ” del CIGRE.

Martín Santos Domínguez[[email protected] ]

Maestro en Ciencias con la especialidad en Fibras Ópticaspor la Universidad de Salford, Inglaterra en 1994.Licenciado en Física por la Universidad Veracruzana en1987. Tiene experiencia en el desarrollo de sistemas deinstrumentación virtual y procesamiento de imágenes(visión robótica), diseño, instalación y administración deredes LAN y WAN. También ha laborado en el campo delas aplicaciones multimedia con integración de servicios deaudio y video digital. Desde 1988 es Jefe de proyecto en laGerencia de Tecnología de la Información del Instituto deInvestigaciones Eléctricas (IIE). Ha dirigido proyectos paraPemex Exploración y Producción y para la Comisión Federal

de Electricidad (CFE).

Hilda Escobedo Hernández[[email protected] ]

Maestra en Inteligencia Artificial en el programaUV-LANIA (Universidad Veracruzana-LaboratorioNacional de Informática Avanzada A.C.). Licenciadaen Informática por la Facultad de Informática de la UV.Desde 1989 es investigadora en la Gerencia de Tecnologíasde la información. Ha participado en el desarrollo devarios proyectos relacionados con base de datos, portalesy capacitación para la Comisión Federal de Electricidad(CFE). Sus áreas de interés son minería de datos ytecnologías de información.

Yasmín Hernández Pérez[[email protected] ]

Doctora en Ciencias Computacionales por el Tecnológicode Monterrey. Maestra en Ciencias Computacionalespor el Centro Nacional de Investigación y DesarrolloTecnológico (CENIDET). Ingeniera en SistemasComputacionales por el Instituto Tecnológico de CiudadMadero. Ingresó al Instituto de Investigaciones Eléctricas(IIE) en 1998, a la División de Tecnologías Habilitadoras.Su área de especialidad es la inteligencia artificial,particularmente interacción humano-computadora,modelado de usuario, sistemas tutores inteligentes,e-learning y computación afectiva. Ha desarrolladoy aplicado tecnologías para sistemas de capacitación

avanzada en diversos proyectos para la industria eléctrica yenergética de México. Es autora de diversas publicacionesen revistas, capítulos de libro y memorias de conferenciasinternacionales. Actualmente coordina el eje temático deinteracción y emociones de la red temática en tecnologíasdel lenguaje del CONACYT. Es miembro del SistemaEstatal de Investigadores de Morelos y de la SociedadMexicana de Inteligencia Artificial.

perdidas no tecnicas

Documents