Sergio Bustamante González
Responsable de Medida
Viesgo Distribución Eléctrica
“APLICACIÓN DE BIG DATA Y DATA ANALYTICS AL MODELO DE GESTIÓN DE PÉRDIDAS NO TÉCNICAS EN REDES DE
DISTRIBUCIÓN DE BAJA TENSIÓN”
2
RED BT VIESGO DISTRIBUCION
360 empleados
6 centros de trabajo
H&S Máxima
Prioridad
1a empresa en
completar el despliegue
de Smart Meters
99,5% CLIENTES TIENE UN
SMART METER
36 minTIEPI 2017
690.000CLIENTES
MÁS DE
31.000 kmDE RED
11.000 CTs109 Subestaciones
3
NUEVO ENFOQUE EN GESTION DE PÉRDIDAS NO TÉCNICAS
• Redes convencionales
• Información discreta
• Sistemas obsoletos
• Detección tardía
• Recuperar energía
• Inspección visual
• Corrección
• Proceso administrativo
• Smart Grids
• Información continua: CCH
• Data Analytics & Big Data
• Detección precoz
• Minimizar las pérdidas
• Monitorización desatendida
• Prevención
• Sin proceso administrativo
Modelo Tradicional Nueva Visión
4
BALANCE ENERGÉTICO EN BAJA TENSIÓN
CT1
400V
TR1
CT Clientes Pérdidas
5
FASE DE SEGMENTACIÓN: CURVAS PATRÓN
Grupo primario
Subgrupos CNAE
SegmentaciónClustering K-Means
Tarifas
BBDD Histórico Casos Fraude
Curvas Pérdidas
Resultados: Curvas Patrón
CCH
Clie
nte
sFr
aud
es
Balance BT
Potencias
Consumos medios diarios
100 Patrones típicos Fraude
270 Patrones típicos Consumo
0
0.5
1
1.5
2
0 6 12 18 24Hora
0
0.5
1
1.5
2
0 6 12 18 24Hora
0
1
2
3
4
5
0 6 12 18 24Hora
0
1
2
0 6 12 18 24Hora
0
1
2
0 6 12 18 24Hora
0
1
2
3
0 6 12 18 24Hora
6
Detección de PatronesClustering k-means
Análisis Curvas históricasSimultaneidad
Curvas Pérdidas
Patrones Fraude
Datos de partida
Bal
ance
B
TB
BD
D
Eventos contador
Clustering k-means
Segmentos
Candidatos (CUPS)Coincide CTCoincide SegmentoEventos
Curvas Pérdidas
Bal
ance
B
TB
BD
D
CCH
Eventos contador
Correlación
Candidatos (CUPS)Correlación > ±0.9Eventos
Datos de partida
FASE DE DESARROLLO: ALGORITMOS
7
FASE DE ENTRENAMIENTO: VALIDACIÓN ALGORITMOS
Curvas Pérdidas Balance BT
Patrones Fraude + Clientes
Datos de partida Algoritmos
Lista de Candidatos
Resultados
BB
DD
de
Ap
ren
diz
aje
CCH
Eventos contador
Detección patrones
Simultaneidad
Consumo intermitente
Consumo reducido
Validación
Tasa Éxito
Machine Learning
Alarma +Simultaneidad:
65%
Alarma +Patrón Marihuana+Cons.int./Simult.:
67%
8
FASE DE EXPLOTACIÓN: CASOS ÉXITO
Detección por identificación de patrón de segmento en curva de pérdidas
CT Clientes Pérdidas
CT Clientes Pérdidas
9
Detección por alta correlación positiva entre CCH cliente y curva de pérdidas
FASE DE EXPLOTACIÓN: CASOS ÉXITO
CT Clientes Pérdidas
Cliente
10
Detección por combinación de algoritmos: eventos de contador, correlación negativa y ceros intermitentes
FASE DE EXPLOTACIÓN: CASOS ÉXITO
CT Clientes Pérdidas
Cliente
11
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
Top Related