Estrategia para seguimiento de agresividad por pérdidas no técnicas utilizando balances de energía

Abstract

Este trabajo se enfoca en el diseño e implementación de una estrategia integral de focalización de pérdidas no técnicas en usuarios del sistema eléctrico de Bogotá y Cundinamarca. Se ha desarrollado un algoritmo de combinación de balances para la identificación de suplencias de circuitos, formando la base de un enfoque efectivo y confiable para gestionar pérdidas no técnicas. Adicionalmente, se definieron estrategias para la optimización de recursos en mantenimiento de macromedición, priorizando áreas y clientes con mayor riesgo. En el transcurso del estudio, se clasificaron e identificaron tres casos exitosos de recuperación de energía, con una estimación total de 1.15GWh de CNR. Estos casos de éxito demuestran la viabilidad y eficacia de la estrategia propuesta, subrayando su potencial impacto positivo en la gestión de pérdidas no técnicas. Además, como parte integral de la estrategia, se implementaron tres algoritmos de machine learning para la clasificación de posibles hurtadores. Esta incorporación de tecnologías avanzadas fortalece significativamente la capacidad del sistema para identificar y abordar de manera proactiva casos de pérdidas no técnicas, mejorando la eficiencia del proceso de inspección y seguimiento. En resumen, el trabajo no solo propone una estrategia integral, sino que también respalda su efectividad a través de casos prácticos de ´éxito y la implementación exitosa de algoritmos de machine learning. Se espera que esta investigación contribuya significativamente al sector eléctrico al ofrecer herramientas avanzadas para la gestión de pérdidas no técnicas, mejorando la confiabilidad y eficiencia del suministro eléctrico. (Texto tomado de la fuente),

This work focuses on the design and implementation of a comprehensive strategy for targeting non-technical losses in the electrical system users of Bogot´a and Cundinamarca. An algorithm for balance combination has been developed for the identification of circuit substitutions, forming the foundation of an effective and reliable approach to managing non-technical losses. Additionally, strategies were defined for optimizing resources in macro-measurement maintenance, prioritizing areas and clients with higher risk. Throughout the study, three successful cases of energy recovery were classified and identified, with a total estimated recovery of 1.15GWh of CNR. These success cases demonstrate the viability and effectiveness of the proposed strategy, emphasizing its potential positive impact on non-technical loss management. Furthermore, as an integral part of the strategy, three machine learning algorithms were implemented for the classification of potential perpetrators. This integration of advanced technologies significantly strengthens the system’s capability to proactively identify and address cases of non-technical losses, enhancing the efficiency of the inspection and monitoring process. In summary, the work not only proposes a comprehensive strategy but also substantiates its effectiveness through practical success cases and the successful implementation of machine learning algorithms. It is anticipated that this research will contribute significantly to the electrical sector by providing advanced tools for non-technical loss management, thereby improving the reliability and efficiency of the electrical supply.