ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1365)
http://www.aulavirtual.web.ve
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (julio 2026 - diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1366)
http://www.aulavirtual.web.ve
REVISTA CIENTÍFICA
AULA VIRTUAL
Director Editor:
La Revista seriada Científica Arbitrada e
Indexada Aula Virtual, es de acceso abierto y en
formato electrónico; la misma está orientada a la
divulgación de las producciones científicas
creadas por investigadores en diversas áreas del
conocimiento. Su cobertura temática abarca
Tecnología, Ciencias de la Salud, Ciencias
Administrativas, Ciencias Sociales, Ciencias
Jurídicas y Políticas, Ciencias Exactas y otras
áreas afines. Su publicación es CONTINUA,
indexada y arbitrada por especialistas en el área,
bajo la modalidad de doble ciego. Se reciben las
producciones tipo: Artículo Científico en las
diferentes modalidades cualitativas y
cuantitativas, Avances Investigativos, Ensayos,
Reseñas Bibliográficas, Ponencias o
publicaciones derivada de eventos, y cualquier
otro tipo de investigación orientada al tratamiento
y profundización de la información de los campos
de estudios de las diferentes ciencias. La Revista
Aula Virtual, busca fomentar la divulgación del
conocimiento científico y el pensamiento crítico
reflexivo en el ámbito investigativo.
• Dra. Leidy Hernández PhD.
• Dr. Fernando Bárbara
Consejo Asesor:
• MSc. Manuel Mujica
• MSc. Wilman Briceño
• Dra. Harizmar Izquierdo
• Dr. José Gregorio Sánchez
Revista Científica Arbitrada de
Fundación Aula Virtual
Email: revista@aulavirtual.web.ve
URL: http://aulavirtual.web.ve/revista
ISSN:
Depósito Legal:
País:
Año de Inicio:
Periodicidad:
Sistema de Arbitraje:
Licencia:
Volumen:
Número:
Año:
Período:
Dirección Fiscal:
2665-0398
LA2020000026
Venezuela
2020
Continua
Revisión por pares. “Doble Ciego”
Creative Commons CC BY NC ND
7
15
2026
Julio 2026 – Diciembre 2026 (continua)
Av. Libertador, Arca del Norte, Nro.
52D, Barquisimeto estado Lara,
Venezuela, C.P. 3001
Generando Conocimiento
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1367)
http://www.aulavirtual.web.ve
Tipo de Publicación: Artículo Científico
Área del Conocimiento: Ciencias Sociales y Aplicadas
Recibido: 05/08/2026
Aceptado: 06/09/2026
Publicado: 07/09/2026
Código Único AV: e826
Páginas: 1(1365-1386)
DOI: https://doi.org/10.5281/zenodo.22646367
Autores:
Ivan Carlo Petrlik Azabache
Ingeniero de Computación y Sistemas
Maestría en Ingeniería de Sistemas
Doctorado en Ingeniería de Sistemas
https://orcid.org/0000-0002-1201-2143
E-mail: ipetrlik@unfv.edu.pe
Afiliación: Universidad Nacional Federico
Villarreal
País: Republica del Perú
Pablo Roberto Aparicio Montenegro
Ingeniero Industrial
Maestría en Ingeniería de Sistemas
https://orcid.org/0000-0001-6034-9536
E-mail: paparicio@unfv.edu.pe
Afiliación: Universidad Nacional Federico
Villarreal
País: Republica del Perú
Resumen
La sustracción de electricidad acarrea pérdidas no técnicas
notables, así como también constituyen un reto para las empresas
distribuidoras debido al desbalance y complejidad que implican los
datos de consumo. El presente estudio tiene como objetivo evaluar
comparativamente diferentes modelos de aprendizaje automático
supervisado con el objetivo de detectar el fraude eléctrico. La
metodología aplicada hace uso de datos reales obtenidos de
medidores inteligentes, preprocesado, normalización y balanceo a
través de SMOTE, introduciendo al mismo tiempo ocho modelos
de clasificación. Los resultados de accuracy fueron los siguientes:
Random Forest 86,19 %, SVM 83,91 %, Naive Bayes 82,38 %,
Árbol de Decisión 81,18 %, Regresión Logística 80,92 %,
XGBoost 78,74 %, KNN 77,65 %, y AdaBoost 73,94 %, donde el
mejor modelo fue el correspondiente a Random Forest. Se concluye
que la detección del robo de electricidad en contextos reales aún
constituye un problema que se enfrenta como un gran reto, donde
formulaciones más robustas son las que deben ser consideradas.
Palabras Clave
Robo de electricidad, aprendizaje automático,
medidores inteligentes, detección de fraude
Abstract
Electricity theft results in significant non-technical losses and also
poses a challenge for distribution companies due to the imbalance
and complexity inherent in consumption data. The objective of this
study is to comparatively evaluate different supervised machine
learning models for the purpose of detecting electricity fraud. The
methodology applied uses real data obtained from smart meters,
which was preprocessed, normalized, and balanced using SMOTE,
while simultaneously testing eight classification models. The
accuracy results were as follows: Random Forest 86.19%, SVM
83.91%, Naive Bayes 82.38%, Decision Tree 81.18%, Logistic
Regression 80.92%, XGBoost 78.74%, KNN 77.65%, and
AdaBoost 73.94%, with Random Forest emerging as the best
model. It is concluded that detecting electricity theft in real-world
contexts remains a significant challenge, and more robust
approaches should be considered.
Keywords
Electricity theft, machine learning, smart meters,
fraud detection
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1368)
http://www.aulavirtual.web.ve
Introducción
El crecimiento poblacional y el progreso
tecnológico han ido aumentando continuamente la
demanda de electricidad. En este sentido, los
proveedores de energía tratan de abocarse a cubrir
ese crecimiento, aunque, a la larga, sufren
problemas operativos que suponen enormes
pérdidas económicas en los sistemas eléctricos
(Saha, 2023). Estos problemas, que presentan
pérdidas de energía en las redes de transmisión y
distribución y la detección de robos de electricidad,
son significativos para las empresas de electricidad
en todo el mundo (Ghaedi et al., 2021).
El robo de electricidad ha crecido al igual que
el aumento del consumo eléctrico, lo que justifica la
falta de eficiencia en el funcionamiento de las redes
eléctricas. Además, uno de los principales causantes
de las pérdidas de electricidad no técnicas, se refiere
a cualquier tipo de manipulación de medidores,
empalmes ilegales y errores deliberados en el
proceso de facturación. Es así que el robo de
electricidad se ha normalizado y ha pasado a ser un
inconveniente generalizado, el cual ocasiona
importantes pérdidas económicas, tanto a los
suministradores como a los consumidores (Khan et
al., 2024). En definitiva, a pesar de los esfuerzos
desplegados aún no se ha llegado a encontrar una
solución pragmática y definitiva que anule las
pérdidas existentes y que, conlleva porcentajes
importantes en diferentes países (Savian et al., 2021;
Ahmad, 2017).
Con respecto a sus efectos económicos, debe
tenerse en cuenta que las actividades ilegales que el
robo genera se traducen en unos serios riesgos para
la seguridad eléctrica que pueden ser considerados
como incendios, descargas eléctricas, o cortes de
electricidad de dimensiones considerables.
Asimismo, la importancia de una correcta
identificación del robo de electricidad en el sentido
de minimizar las pérdidas de los ingresos,
contribuye a la justicia de las transacciones en la
electricidad, o incluso salvar la seguridad de las
personas consumidoras de electricidad (Chen et al.,
2023; Emadaleslami et al., 2023).
La detección del robo eléctrico es una de las
formas de detección más elementales de los fraudes
eléctricos y que se basa en la actividad permanente
de las personas que permiten determinar patrones
anómalos que pueden corresponder a una
determinada actividad ilícita, pero como este tipo de
método del que se ha hablado no es suficiente para
aclarar en última instancia el caso ( ya que se
requiere la inspección in situ), se intenta centrar la
atención en aquellos casos donde se puede suponer
una mayor probabilidad de que haya un fraude,
porque la verificación de todos los datos de
medición es cara y laboriosa (Tsao et al., 2024;
Emadaleslami et al., 2023).
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1369)
http://www.aulavirtual.web.ve
En este escenario las redes y los medidores
inteligentes, permite comportar grandes volúmenes
de datos de consumo eléctrico que son relevantes
para el seguimiento del comportamiento de las
personas; Así, estos datos constituyen la base del
aprendizaje automático y del aprendizaje profundo
para el reconocimiento del robo de energía, ya que
permiten encontrar patrones anómalos del consumo
de la energía eléctrica (Elshennawy et al., 2025;
Yang et al., 2023; Zidi et al., 2023). A pesar de esto,
la escasez de muestras de robos y el desequilibrio
entre clases limitan el rendimiento de los métodos,
dificultando el reconocimiento de comportamientos
fraudulentos (Emadaleslami et al., 2023; Ge et al.,
2025).
A su vez, los métodos actuales de detección
son aquellos que extraen patrones del consumo de la
energía dado los datos específicos de cada cliente.
De hecho, en general, estos métodos son válidos
para el reconocimiento múltiples robos, pero las
diferencias en los hábitos de consumo de diferentes
usuarios se extraen de forma pasiva en el
aprendizaje de los modelos iterativos en donde el
margen de mejora de la detección es limitado (Jokar
et al., 2016). Al mismo tiempo, se han encontrado
seis categorías de robo de la electricidad que
proceden de modificaciones en los patrones de
consumo normalizados, desde reducciones sencillas
de patrones a modificaciones más complejas que se
producen en un intervalo de tiempo. Los métodos
actuales de detección los cuales se fundamentan en
la comparación de los patrones locales respecto a las
características globales pueden hacer frente a casi
todos los casos, sin embargo, poseen limitaciones
para detectar el robo de la tarifa plana y para realizar
comparaciones activas entre los usuarios (Liu et al.,
2023).
La problemática se agrava aún más porque
solamente existe un único medidor inteligente para
medir la energía generada y consumida, dado que se
trata de sistemas de medida neta. En los
mencionados sistemas de medida, si el medidor
devuelve lecturas negativas o positivas se debe en
última instancia a las lecturas que efectúe a el
balance energético del propio usuario, siendo pues
relevantes los reembolsos y los pagos adicionales
que se tienen que realizar. Dicha propiedad puede
ser explotada por ciertos usuarios engañando al
sistema, reportando menor consumo o una cantidad
mayor de producción eléctrica fotovoltaica para así
conseguir compensaciones por un uso indebido de
la energía producida, lo que a su vez incrementa la
probabilidad del fraude eléctrico (Blazakis et al.,
2025).
Al final, el aumento del precio unitario del
kWh ha propiciado y, a su vez, ha favorecido el
aumento del uso ilícito de la corriente eléctrica, al
tiempo que ha propiciado también en la reducción
de las tasas de pago de clientes incautos por esta
práctica. Y bajo estas consignas, para las empresas
de distribución eléctrica, es ciertamente importante
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1370)
http://www.aulavirtual.web.ve
no sólo la detección del robo de electricidad, sino
también la estimación de la capacidad de pago de
sus clientes potencialmente infractores con el que
lograr aumentar la rentabilidad y el flujo de caja
(Özay & Çakıt, 2025; Iqbal et al., 2025).
En esta misma dirección se ha comprobado
que hay enfoques que deben ser explícitos y
evaluados para la detección de la apropiación de la
electricidad que sean más robustos y serviciales,
donde pueda utilizarse de la mejor manera posible
la generación que pueden realizar los medidores
inteligentes, y que sean robustos para las
limitaciones a las que nos encontramos hoy:
desbalance de datos, escasez de muestras de fraude
y patrones elementales de consumo. En esta línea
interesa principalmente valorar comparativamente
modelos de aprendizaje automático, para poder
investigar el comportamiento, la buena
generalización y la detección del comportamiento
fraudulento en el trabajo con diferentes patrones de
consumo eléctrico. De este modo, queremos poder
llegar a afinar las técnicas que puedan robustecer las
técnicas de detección de significados de la
electricidad, para combatir las pérdidas no técnicas
en las redes eléctricas.
Revisión Bibliográfica
En consonancia con lo que argumentan
Taruna et al., (2025), el robo de electricidad en
usuarios residenciales con contadores
convencionales es un problema que se ha tratado en
el cual la detección depende de procedimientos
manuales relativamente ineficientes. Como
objetivo, propone la mejora de un modelo de
aprendizaje automático, que permita optimizar el
proceso de selección de clientes para realizar la
inspección de las lecturas mensuales de los
consumos eléctricos.
Para ello, la propuesta considera modificar los
algoritmos de clasificación y también empezar a
aplicar un esquema de una evaluación secuencial
destacándose el Bosque Aleatorio + K-Vecinos Más
cercanos. Los resultados numéricos demuestran un
elevado rendimiento del modelo (exactitud 0,89 y
F1 0,90), concluyendo al final que la investigación
mejora la confiabilidad, reduce los errores humanos
y optimiza la eficiencia operativa de la compañía.
De otro lado, Ullah et al., (2025), abordan el
problema del robo de electricidad como responsable
de pérdidas no técnicas en redes inteligentes
mediante la observación de estos datos de consumo
desbalanceados y la gran variabilidad del mismo. Su
objetivo es mejorar la detección a partir de un
análisis comparativo entre el aprendizaje
automático y el aprendizaje profundo. En su
metodología destaca el preprocesamiento, el
remuestreo híbrido y el aprendizaje apilado,
llevando a cabo la comparación entre diferentes
clasificadores base como el Random Forest, SVM,
AdaBoost, Árbol de Decisión y metaclasificadores
como LSTM, GRU, Bi-LSTM, Bi-GRU y CNN.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1371)
http://www.aulavirtual.web.ve
La sección de resultados, mediante un análisis
cuantitativo, muestra cómo el Bi-GRU con
remuestreo híbrido trabaja para lograr la mayor
precisión (99%), concluyendo en que el enfoque
propuesto supera los modelos individuales y mejora
significativamente la precisión y confiabilidad de la
detección del robo de electricidad.
Del mismo modo, Pamir et al., (2023),
abordan el aumento de las pérdidas no técnicas por
el robo de electricidad, problema que ha aparecido
entre diferentes impactos económicos y que
distorsiona el suministro con baja calidad en redes
inteligentes. En cuanto a su objetivo, es obtener un
modelo de detección más eficaz que les permita
superar las limitaciones de los métodos de
aprendizaje automático convencionales. La
metodología plantea el modelo SSA-GCAE-
CSLSTM, donde se define una preparación y
balanceo de datos, una reducción de
dimensionalidad, la optimización de
hiperparámetros y la clasificación, todo ello
evaluado con datos reales y al que se compara con
modelos clásicos y de referencia. Dichos resultados
ofrecen unas respuestas cuantitativas, donde el
modelo propuesto alcanza una precisión del 99,45
% y un f1-score del 95,93 %, concluyendo con un
incremento en la eficacia de forma significativa
respecto a la detección del robo de electricidad en
las redes inteligentes.
A continuación, Saqib et al., (2026) presentan
el robo de electricidad como un problema de
naturaleza global que provoca pérdidas económicas
y sobrecarga en la infraestructura y que a su vez,
pone nuestra seguridad pública en riesgo ya que los
métodos de detección actuales no son capaces de
abordar esta problemática y es por esto que el
objetivo es buscar un método más eficaz que
permita subsanar el problema de la detección del
fraude eléctrico en conjuntos de datos complejos y
desequilibrados.
La metodología ofrece un uso conjunto de los
modelos de Machine Learning, se utilizan técnicas
de votación y apilamiento con regresión logística y
random forest, además de utilizar ADASYN para
equilibrar clases. Los resultados cuantitativos
muestran que el modelo de apilamiento alcanza una
puntuación en exactitud total de 0,94 y un ROC-
AUC igualmente cercano a 0,94; concluyendo que
la propuesta permite mejorar de manera
significativa y robusta la detección del robo de
electricidad, a través de la mejora en la detección de
la clase minoritaria, sin perjudicar el rendimiento
general.
Por otro lado, Iftikhar et al., (2024) establecen
que el robo de electricidad representa una de las
principales causas que subyacen al origen de las
pérdidas no técnicas en las redes las eléctricas
inteligentes. y esta situación es aún más grave si
tenemos en cuenta que existe una serie de datos
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1372)
http://www.aulavirtual.web.ve
desequilibrados de alta dimensión que afectan la
eficacia de los métodos de detección más clásicos.
En este sentido, el artículo propone un modelo de
aprendizaje híbrido automático y profundo con tal
de lograr una mejora en la detección del fraude
eléctrico, a partir de datos reales e históricos de
consumo.
Asimismo, la metodología combina el
preprocesamiento de datos, el balanceo de datos a
partir de la combinación k - means SMOTE y un
modelo híbrido (Multilayer Perceptron- Gated
Recurrent Unit, MLP-GRU), que se compara con
AlexNet, GRU, BGRU y RNN (Accuracy de 87, 63
%, 74, 98 %, 83, 55 % y 83, 13 %, respectivamente)
para diferentes configuraciones de entrenamiento.
Los valores obtenidos para el modelo propuesto
muestran que la precisión alcanza los un 93,33 % y
el F1-score un 94 %. En consecuencia, la propuesta
de trabajo ofrece una detección más robusta y
precisa en términos de detección del robo de
electricidad en redes las eléctricas automáticas.
Continuando con Mbey et al., (2024), indican
la necesidad de un buen análisis de los grandes
volúmenes de datos que se generan con medidores
inteligentes para poder hacer frente al problema del
fraude eléctrico, ya en redes inteligentes. La
propuesta de los autores, es la de una técnica híbrida
de inteligencia artificial que permite detectar
consumidores fraudulentos a partir de cambios en
patrones de consumo de forma abrupta. La
metodología utilizada consiste en una máquina de
vectores de soporte y una optimización de
atrapamiento de partículas, con datos reales,
utilizando indicadores de precisión, recuperación, f1
y AUC. Esta cantidad de resultados implica una tasa
de detección del 98,9%, significando que el método
propuesto es mejor que el anterior y efectivo para
identificar el fraude energético.
Seguidamente, Saqib et al., (2024), presentan
la problemática del suministro eléctrico en los
países en desarrollo, donde no existe forma de tener
Smartgrids y el robo de electricidad es algo a tener
que solucionar y en este caso el objetivo era
encontrar un modelo ligero de Deep Learning para
detectar el fraude con sólo lecturas mensuales de
consumo. La metodología utiliza ingeniería de
características, así como métodos de reducción de
dimensionalidad (PCA, t-SNE y UMAP) así como
método de remuestreo como RUS, SMOTE y ROS,
buscando aprender mejor la clase minoritaria.
La evaluación cuantitativa presenta una
mejora significativa para la clase sobre el robo, con
una precisión del 89 %, recuperación del 94 % y F1
del 91 % para el estudio de caso finalizando con la
importancia de que el modelo propuesto es mejor
que los existentes y que funciona bien en escenarios
en los que no existen Smartgrids.
A partir de, Akintola et al., (2026), analizan
las limitaciones que tienen los métodos
tradicionales cualitativo para la detección del robo
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1373)
http://www.aulavirtual.web.ve
de energía, que incluyen una baja consistencia en el
resultado, así como un mayor riesgo de errores de
clasificación. Se plantea un modelo SVM y este se
evalúa frente a los métodos cualitativos. La
metodología aplicada a cabo consiste en la
comparación del modelo SVM y el análisis
cualitativo a partir de las métricas estándar de
desempeño establecido. El resultado cuantitativo
demuestra que la SVM alcanza una precisión del
97,94 %, una precisión del 97,86 %, una
recuperación del 99,93 % y un F1 del 98,88 % y
concluye en el sentido de que proporciona una
detección más precisa, confiable y escalable del
robo de electricidad en las redes eléctricas del
futuro.
En la misma línea, Khan et al., (2020) estudian
el aumento del robo de electricidad, las principales
limitaciones que les dificultan detectarlo (el tamaño
del desbalance en los datos, el overfitting y las altas
tasas de falsos positivos) y sugieren la posibilidad
de desarrollar un modelo más exacto usando un
aprendizaje automático supervisado que sea capaz
de detectar el robo de electricidad a partir de datos
reales del consumo. La propuesta metodológica
consiste en la combinación del pre procesado de los
datos, el oversampling según a ADASYN, la
extracción de patrones mediante VGG-16 y la
clasificación con FA-XGBoost, comparándolo con
otros modelos como SVM, CNN o regresión
logística. Los resultados cuantificables afianzan el
alto rendimiento de la propuesta, que refleja que
consigue F1 del 93,7 %, precisión del 92,6 % y
recuperación del 97 %; concluyendo que la
propuesta mejora la detección del robo del
suministro eléctrico y puede resultar en una
reducción, pero que a su vez puede ayudar
considerablemente a disminuir las pérdidas
económicas de las compañías eléctricas.
En la misma línea, Munawar et al., (2023)
analizan el robo de la electricidad como un
fenómeno menor significativo ya que origina
grandes pérdidas económicas en las empresas de
servicios públicos, debido a que la identificación de
los consumidores que incurrieron en una actividad
fraudulenta es complicada. La propuesta que se
plantea consiste en diseñar un esquema robusto de
detección que permita detectar eficazmente los
comportamientos delictivos. La metodología apela
al modelo AttenLSTMInception, a técnicas de
inyección de datos o imitación de datos, balanceo
con SMOTESVM bordelinde, y a la evaluación
mediante Múltiples métricas y escenarios de
validación.
Los resultados cuantitativos ponen de relieve
la conclusión de que el modelo propuesto cuenta con
una precisión y recuperación del 94 %, con una
exactitud del 98 % y un AUC del 98 %. Las
conclusiones derivadas hacen patente que el modelo
propuesto es mejor que los modelos base como
SVM, RF, DT y CNN - LSTM, y es la opción de
detección de un robo de electricidad más confiable.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1374)
http://www.aulavirtual.web.ve
Por último, Bohani et al., (2021),
conceptualizan el robo de electricidad como una de
las causas de pérdidas no técnicas que perjudican la
sostenibilidad económica de las empresas de
electricidad, especialmente con conjuntos de datos
muy desequilibrados. Su finalidad es la de
comprobar el rendimiento de diferentes algoritmos
de aprendizaje supervisados para determinar el
modelo más conveniente para la detección de
usuarios fraudulentos. A la metodología se le
atribuyen Árbol de Decisión, ANN, DANN y
AdaBoost utilizando datos reales de la State Grid
Corporation of China y el cálculo de datos de
exactitud, recuperación, F1-score y AUC. Los
resultados indican que, si bien en términos de
precisión el ANN es la red más precisa (92,54 %),
el modelo DANN es el que presenta mejor
rendimiento de forma global al ganar en retirada
(40,94 %), F1-score (45,83 %) y AUC (0,69 %),
concluyendo que los enfoques profundos poseen un
mayor poder para detectar el robo de la electricidad
en condiciones reales.
Metodología
La metodología aplicada para llevar a cabo la
investigación que aquí se describe ha estado
determinada por un enfoque de aprendizaje
automático supervisado para la detección de robo de
la electricidad. Una vez en marcha el procedimiento
metodológico, el mismo se articula en cinco etapas
principales (A–E), que abarcan desde la etapa de
adquisición y preparación de los datos, hasta la
etapa de ajuste, evaluación y comparación de
distintos modelos de clasificador. Todas las etapas
fueron implementadas de forma secuencial,
sistemática y reproducible, siguiendo según la
representación de la Figura. 1.
Figura 1. Esquema metodológico para la detección del robo
de electricidad basado en el aprendizaje supervisado.
Adquisición y preparación inicial del conjunto de
datos
La primera fase fue aquella que incluyó tanto
la adquisición como la carga de los datos a partir del
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1375)
http://www.aulavirtual.web.ve
archivo en el que se realiza la identificación como
conjunto de datos públicos, se encuentra disponible
públicamente de Kaggle (2023) en formato CSV,
recogidos en registros de consumo eléctrico
obtenidos mediante contadores los eléctricos
inteligentes, donde se originan principalmente de la
State Grid Corporation of China (SGCC). El
conjunto de datos contiene información de 42.372
clientes, de la cual 38.757 (91,5%) corresponden a
consumidores con comportamiento no anómalo (no
fraudulentos) y 3.615 (8,55%) a clientes asociados
con el fraude el eléctrico (robar electricidad). La
información que configura el conjunto de datos
corresponde al consumo diario de energía eléctrica
durante el período comprendido entre el 1 de enero
del 2014 hasta el 31 de octubre del 2016, lo que
conlleva unas 147 semanas de observaciones
continuadas.
El conjunto de datos tiene una distribución
desbalanceada comprendida por clases, lo que
indica el comportamiento que se espera del análisis
de una clase no técnica. Durante la preparación
previa al análisis exploratorio del conjunto de datos,
se eliminaron los atributos no interesantes del
conjunto de datos (Consumer ID y CONS_NO). Su
eliminación tiene como objetivo reducir el ruido del
conjunto de datos y a la vez evitar el proceso del
entrenamiento. A partir de la preparación previa, se
obtuvieron estadísticas descriptivas y se analizó la
distribución de clases. Esta descripción fue la
necesaria para poder analizar la estructura del
conjunto de datos.
Preprocesamiento y tratamiento de valores
faltantes
El conjunto de datos contiene registros con
datos faltantes o inválidos a partir de los datos que
se tienen de la información registrada por los
medidores inteligentes, algo habitual en este tipo de
datos por las causas habitualmente provocadas por
los dispositivos medidores, el almacenamiento o
cualquier otro problema de transmisión de datos.
Esta circunstancia nos llevó sin duda a la elección
de implementar una fase de preprocesamientos de
los mismos para así tener unos datos de mejor
calidad y más confiables para el entrenamiento de
los modelos.
La forma de tratar los valores perdidos en la
serie temporal haciendo referencia al consumo fue a
partir de la interpolación, concretamente de la
interpolación que sigue de forma natural la
tendencia del consumo de electricidad. La serie
temporal presente caso de valores atípicos en los
cuales no se podía aplicar la técnica de
interpolación, ya que eran los límites del total de la
serie temporal (inicio o final de toda la serie) donde
la acumulación no puede tener lugar o bien no
disponemos de datos suficientes para la
interpolación de forma que decidimos imputar de
forma convencional los valores perdidos en cuanto
a la media de la variable.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1376)
http://www.aulavirtual.web.ve
Finalmente, se aplicó
el protocolo de normalización del tipo Min-Max a
todas las variables predictoras escalando todos los
valores al rango [0,1]. Con esta normalización, se
homogeneiza el rango de los atributos y se mejora
la estabilidad numérica y el rendimiento de los
algoritmos de aprendizaje automático. Ello excluye
a la variable objetivo (FLAG) de esta
normalización. Una vez realizada, esta
normalización fue ajustada en el conjunto de
entrenamiento y posteriormente aplicamos dicha
normalización en el conjunto de prueba para evitar
la fuga de información (data fuga).
Separación de datos y balanceo de clases
Cuando finalizó la etapa del preproceso, se
hizo evidente que el conjunto de datos original se
podía separar en uno que incluía un conjunto de
variables predictivas (X) y el resto se convertía en
uno que incluía un conjunto de variables de objetivo
(Y). Hecho lo anterior, se procedió a dividir el
conjunto de datos en entrenamiento, en un 80% y el
de la prueba, en un 20%. Lo que se perseguía a era
mantener una semilla de aleatoriedad fija; de este
modo se buscaba asegurar la reproducibilidad de los
resultados. Antes que este último, las separaciones
de los conjuntos ya se habían hecho sin que se
introdujera el uso de ningún tipo de técnica de
balanceo de clases, ya que también se quería evitar
introducir ningún tipo de sesión o fuga para el
conjunto de prueba.
Y dado el considerable desequilibrio existente
entre las clases se aplicó la técnica SMOTE
(Synthetic Minority Over-Sampling Technique)
solamente sobre el conjunto de entrenamiento. Esta
técnica permite crear instancias sintéticas de la clase
minoritaria con el fin de equilibrar la distribución de
las clases, además de mejorar la capacidad de los
modelos para poder aprender los patrones asociados
al conjunto de datos de robo de electricidad.
Entrenamiento de modelos de aprendizaje
automático
En esta sección del trabajo se entrenaron los
distintos modelos de aprendizaje automático
supervisados, a fin de comparar su funcionamiento
y evaluar el rendimiento en la detección del robo de
electricidad. Los diferentes modelos tradicionales
de aprendizaje automático supervisados que se
implementaron quedan descritos en la Tabla 1.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1377)
http://www.aulavirtual.web.ve
Modelo
Descripción
AdaBoost
De acuerdo al autor Pineda Pertuz (2021), la adaptación de boosting será una técnica alternativa a los árboles
de decisión individuales y a los bosques aleatorios que, normalmente, suele mostrar mejoras sobre la
exactitud de los resultados.
Decision
Tree
Los dendogramas estructurales que ilustran los árboles de decisión son modelos que sirven como soporte en
los procesos de resolución de la toma de decisiones; Utiliza un proceso de ramificación por medio de
condiciones para mostrar resultados.
Son una técnica simple y muy utilizada en el aprendizaje automático supervisado, específicamente para la
clasificación de datos (Kashyap, 2018).
KNN
El algoritmo KNN, el método KNN, representa una forma de cierto aprendizaje de tipo supervisado que se
puede aplicar para tareas de aprendizaje de tipo clasificación y para tareas de aprendizaje de tipo regresión,
que está limitada por los datos que tiene a su alrededor. Sin embargo, la versión estándar de KNN no es
escalable a grandes conjuntos de datos. El método Fast KNN mejora dicho rendimiento, introduciendo
técnicas sobre la búsqueda de vecinos y sobre el coste computacional (Thanigaivelan et al., 2024).
Logistic
Regression
La regresión logística se usa cuando la variable dependiente es de tipo binaria o categórica.
Lo que hace es estimar la probabilidad de que un evento en concreto ocurra.
Se usa también en la predicción de ventas, de resultados electorales, de eventos naturales (Dulhare et al.,
2020)
Naive Bayes
Naive Bayes es un método de Machine Learning que aplica el teorema de Bayes para realizar predicciones.
Este método asume que cada variable de entrada es independiente de las demás variables de entrada (Mehra
et al., 2022).
Random
Forest
Random Forest es un procedimiento de clasificación que se basa en la técnica de ensemble, el cual busca
mejorar el rendimiento y la fiabilidad de los modelos tratando de evitar problemas de sobreajuste, que son
característicos de los árboles de decisiones individuales (Zhang et al., 2022).
SVM
La Máquinas de vectores de soporte (SVM) se considera un clasificador generalizado lineal, el cual se utiliza
para la clasificación binaria. Esta es uno de los algoritmos más eficientes para la clasificación binaria dentro
del aprendizaje supervisado (Cortes & Vapnik, 1995). Resalta ser eficaz en el análisis de conjuntos de datos
reducidos, de datos con patrones no lineales y en la clasificación de un conjunto con alta dimensionalidad
(Pan et al., 2022).
XGBoost
Como entrada el algoritmo XGBoost, utilizamos un conjunto de entrenamiento, además de una función de
pérdida diferenciable, un cierto número de modelos débiles y una tasa de aprendizaje, su utilización realiza
una aplicación estructurada a través de diferentes etapas, de forma que permiten una mejora de la eficiencia
y del rendimiento del modelo en tareas de aprendizaje (Xia & Sun, 2026).
Tabla 1. Modelos de aprendizaje automático
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1378)
http://www.aulavirtual.web.ve
Todos los modelos que se han utilizado fueron
entrenados con el conjunto de balanceado ya
mencionado, y los parámetros de los algoritmos se
configuraron en función de la mayoría de ellos con
las configuraciones por defecto, modificándose
únicamente cuando esos parámetros lo requerían, es
decir, a partir de la propia naturaleza del modelo. De
ese modo, fue posible comparar el comportamiento
básico de los algoritmos en igualdad de condiciones,
sin llegar a realizar ningún tipo de proceso de
optimización de hiperparámetros.
Evaluación del desempeño y análisis comparativo
La evaluación del rendimiento de los modelos
fue realizada sobre un conjunto de prueba no
balanceado, con la finalidad de emular un conjunto
de condiciones reales de operación. Para cada uno
de los modelos fueron generadas las métricas
estándares de clasificación (exactitud (exactitud),
así como matriz de confusión, precisión,
recuperación y puntuación F1). Asimismo, para los
modelos que tienen la capacidad para estimar
probabilidades se obtuvo la curva ROC y se estimó
el Área Bajo la Curva (AUC), con lo cual se analizó
la capacidad de discriminación de cada uno de los
modelos.
Este conjunto de métricas permitió al realizar
comparativas objetivas del rendimiento de los
modelos y la identificación del enfoque más idóneo
para la detección del robo de electricidad.
Resultados
La Tabla 2 que se presenta a continuación,
resume los resultados obtenidos para cada uno de los
modelos analizados y las métricas de desempeño
más relevantes Accuracy, F1-score, Precisión y
Recall.
Modelo
Accuracy
F1-
score
Precisión
Recall
SVM
83.91%
38.11%
28.89%
56.00%
KNN
77.65%
31.13%
21.40%
57.07%
Random
Forest
86.19%
40.61%
32.79%
53.33%
Logistic
Regression
80.92%
35.40%
25.27%
59.07%
Naive
Bayes
82.38%
31.36%
23.93%
45.47%
Decision
Tree
81.18%
33.18%
24.19%
52.80%
XGBoost
78.74%
35.32%
24.17%
65.60%
AdaBoost
73.94%
33.04%
21.38%
72.67%
Tabla 2. Resultados de los modelos
La Tabla 2 permite observar la forma de
comparación entre los modelos de clasificación a
partir del uso de las métricas: Accuracy, Precisión,
Recall y F1 - score macro, permitiendo observar la
mayor exactitud global (exactitud) y al mismo
tiempo observar el comportamiento, para cada uno
de los clasificadores, al clasificar las clases Normal
o Robo de Electricidad. En este caso, el mejor
comportamiento global observado es el modelo
Random Forest, el cual presenta la máxima
precisión en cuanto a los valores de la métrica
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1379)
http://www.aulavirtual.web.ve
Accuracy (86.19%) y su mayor F1-score (40.61%),
es decir, con lo que se puede asegurar que el mejor
comportamiento equilibrado del modelo en cuanto a
la capacidad de detección o de clasificación es una
función del rendimiento de los otros modelos
evaluados.
Aunque el modelo demostró un estado de una
alta precisión, un valor de la medida del F1-score
intermedio expresa la existencia de un tipo de
dificultades que pueden llegar a tener lugar debido
al desequilibrio de clases que existieron como
resultado de las mediciones de los modelos que
pusimos en la práctica. Por otra parte, en lo que se
refiere a los modelos SVM, Logistic Regression, y
finalmente XGBoost, también son capaces de
obtener valores de precisión superiores al 78% y
valores intermedios de recuperación pero a su vez
los resultados de precisión y F1-score son
relativamente bajos, en donde se concibe tal
situación que trata de que tendencia a
diagnosticar como instancias positivas que son
falsos o bien no identifican adecuadamente la clase
minoritaria, o bien ambas cosas.
En cuanto a Naive Bayes y Decision Tree,
tienen un comportamiento muy similar ya que en
ambos casos la precisión supera el 80%, mientras
que en lo que se refiere a la métrica F1-score que
resulta en valores por debajo del 35% lo que expresa
también una capacidad intermedia para poder
clasificar adecuadamente de forma equilibrada entre
ambas clases del problema. En último lugar, K-
Nearest Neighbors y AdaBoost obtienen los
menores niveles de mediciones de la métrica F1-
score, pero obtienen mediciones relativamente altas
de Recall, lo cual sugiere que estos modelos son más
sensibles de identificar correctamente la clase
positiva, pero esto significa a su vez que podemos
tener una baja precisión con el impacto muy
negativo que puede resultar sobre el rendimiento
total de los modelos.
En fin, los resultados obtenidos son reflejos de
la complejidad del problema dado y ponen de
manifiesto la necesidad de aplicar otras técnicas
para equilibrar y optimizar con el fin de que se
pueda llegar a mejorar la capacidad de
generalización que se aprecia en los modelos. Así
mostramos las matrices de confusión de todos los
modelos.
Figura 2. Matriz Confusión SVM
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1380)
http://www.aulavirtual.web.ve
Figura 3. Matriz Confusión KNN
Figura 4. Matriz Confusión RF
Figura 5. Matriz Confusión LR
Figura 6. Matriz Confusión NB
Figura 7. Matriz Confusión DT
Figura 8. Matriz Confusión XGB
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1381)
http://www.aulavirtual.web.ve
Figura 9. Matriz Confusión AB
Las matrices de confusión que pueden
observarse brindan la posibilidad de conocer en
profundidad la efectividad de los modelos de
clasificación sin que las métricas globales
mediaticen, además muestra cómo se distribuyen los
verdaderos positivos (TP), los verdaderos negativos
(TN), los falsos positivos (FP) y los falsos negativos
(FN) de las clases Normal y Robo de Electricidad.
En todos los modelos analizados se puede percibir
un gran desbalanceo de las clases, el cual es
altamente acentuado por la cantidad de instancias
que pertenecen a la clase Normal.
Esta característica se deja ver en el gran
número de verdaderos negativos que tuvieron las
matrices de confusión de todos los modelos de
clasificación analizados, razón por la cual los
valores de precisión son relativamente altos, incluso
en aquellos modelos que han evaluado con un bajo
rendimiento global. El modelo Random Forest
presenta un comportamiento equilibrado con una
importante disminución de falsos positivos y falsos
negativos y en comparación con el resto de los
clasificadores. Su matriz muestra por un lado la
buena capacidad para predecir de forma correcta los
casos de Robo de Electricidad sin generar alarmas
excesivas, por lo que no llama la atención que sea el
modelo que presenta el mejor rendimiento global en
las métricas globales.
El método de SVM y Logistic Regression
poseen matrices con un mismo número de
verdaderos positivos, aunque también muestran una
cantidad alta de falsos positivos, o lo que es lo
mismo: son modelos igualmente muy sensibles
detectando el fraude, pero a costa de clasificar una
cantidad alta de consumos normales como
fraudulentos, tema que puede ser delicado para
aplicaciones en el mundo real.
Naive Bayes y Decision Tree obtienen un
comportamiento de doble filo, manteniendo un
número alto de verdaderos negativos, aunque con
elevadas cifras de falsos negativos, implicando una
peor adecuación del modelo a la clase Electricity
Theft, es decir, el modelo tiene una tendencia
conservadora en la clasificación, a favor de la clase
mayor.
En cambio, KNN obtiene un rendimiento
negativo y un número constante de falsos positivos
y falsos negativos; su matriz deja entrever otra cifra
baja de capacidad de la separación entre clases y su
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1382)
http://www.aulavirtual.web.ve
bajo F1 vuelve a darles un indicativo de problemas
en la generalización del problema.
Discusión
Los resultados de esto corroboran que, en
escenarios reales, la detección del robo de
electricidad sigue constituyendo un problema que es
complicado principalmente por el elevado
desequilibrio existente entre clases en el conjunto de
datos de consumo. A pesar de que trabajos
anteriores obtienen niveles muy elevados de
exactitud con modelos profundos e híbridos (Ullah
et al., 2025; Iftikhar et al., 2024), en general esos
trabajos presentan niveles altos de exactitud en
condiciones balanceadas y/o con altos costos
computacionales de entrenamientos de modelos.
En contraposición, esta investigación presenta
la evaluación de modelos clásicos de aprendizaje
automático en un conjunto de datos no balanceado,
lo cual se aleja de ser una evaluación teórica
idealizada y se acerca, por lo contrario, a un
contexto operativo real tal y como argumentan
(Saqib et al., 2026; Bohani et al., 2021). Es
necesario también en subrayar que, de los modelos
analizados el Random Forest fue el que logró la
mejor evaluación global, alcanzando la mayor
exactitud y el F1-score macro mayor.
Esos resultados coinciden con antecedentes
que dan cuenta de la robustez de este modelo frente
a datos ruidosos y desequilibrados (Taruna et al.,
2025; Bohani et al., 2021). A pesar de esto, los
puntajes de F1-score y precisión son moderados y
reflejantes que, a pesar de que la robustez de los
modelos usados ayuda, llegan incluso a encontrar
dificultades para clasificar de forma consistente la
clase minoritaria, tal y como señalan (Jokar et al.,
2016).
Igualmente, modelos como AdaBoost y KNN
que tienen un alto recuerdo provocan el aumento de
las falsas alarmas, lo cual limita su aplicabilidad,
dado el incremento de los costos asociados a la
inspección en caso de alertas erróneas. (Tsao et al.,
2024; Özay & Çakıt, 2025). Esto da cuenta de la
importancia de evaluar múltiples métricas, puesto
que la exactitud total por sí sola no tiene ningún
valor predictivo.
Conclusiones
En el estudio se realizó un análisis
comparativo de diferentes modelos de aprendizaje
automático supervisado para detectar el robo de
electricidad sobre datos reales de medidores
inteligentes. Los resultados obtenidos muestran que,
si bien los modelos analizados ofrecen resultados
correctos en lo que respeta a la exactitud, su
capacidad de la detección correcta de la clase
minoritaria sigue siendo muy baja en sitios donde
existe alta desproporción de clases.
Del estudio de los modelos, el modelo
Random Forest es el que ofrece el mejor
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1383)
http://www.aulavirtual.web.ve
compromiso entre el rendimiento global y la
capacidad de detección, pero aún con un gran
margen de mejora. De otro lado, se concluye que la
métrica de precisión es muy simple para realizar una
evaluación del sistema de detección de fraude
eléctrico y teniendo en cuenta otras métricas como
el recall y el F1 -score para obtener el rendimiento
del modelo.
En resumidas cuentas, estos hallazgos
evidencian la necesidad de seguir investigando de
cara a lograr una detección de fraude eléctrico que
no suponga un aumento demasiado grande de las
falsas alarmas y que mantenga la implementación
computacional y operativamente viable.
Recomendaciones
Asimismo, la investigación debe de
implementarse técnicas de ingeniería de
características adicionales que permitan la captura
de patrones más característicos de un
comportamiento fraudulento: variabilidad,
estacionalidad y comparación relativa entre
usuarios, siguiendo lo que sugieren los estudios que
abordan la detección de pérdidas no técnicas.
Igualmente, deben evaluarse esquemas de
aprendizaje híbridos que hagan una mezcla de
modelos clásicos con otros más avanzados, y que
consigan un equilibrio de desempeño y coste
computacional.
Se recomienda, además explorar otras
alternativas de tratamiento para el desequilibrio de
clases, ya con técnicas de remuestreo más avanzadas
como el SMOTE o bien con técnicas basadas en
costos, para potenciar la detección de la clase
minoritaria sin incrementar excesivamente los
falsos positivos. En un plano operativo, se aconseja
al priorizarlas que se recuerden el F1-score por
encima de la exactitud global, sobre todo en
escenarios bajo condiciones reales, y en último
lugar, se aconseja validar los modelos en otras zonas
geográficas o bien en otros períodos temporales para
comprobar su capacidad de generalización y su
robustez antes de ser utilizados en sistemas de
detección de fraudes por robo de electricidad.
Referencias
Ahmad, T. (2017). Non-technical loss analysis and
prevention using smart meters. Renewable and
Sustainable Energy Reviews, 72, 573–589.
Documento en línea. Disponible
https://doi.org/10.1016/j.rser.2017.01.100
Akintola, O., Adetokun, B., & Oghorada, O. (2026).
Comparative analysis of energy theft detection in
a power system using support vector machine
and quantitative technique. International Journal
of Engineering Trends and Technology, 74(1),
227–235. Documento en línea. Disponible
https://doi.org/10.14445/22315381/IJETT-
V74I1P117
Blazakis, K., Schetakis, N., Badr, M. M.,
Aghamalyan, D., Stavrakakis, K., & Stavrakakis,
G. (2025). Power theft detection in smart grids
using quantum machine learning. IEEE Access,
13, 61511–61525. Documento en línea.
Disponible
https://doi.org/10.1109/ACCESS.2025.3558143
Bohani, F. A., Suliman, A., Saripuddin, M.,
Sameon, S. S., Md Salleh, N. S., & Nazeri, S.
(2021). A comprehensive analysis of supervised
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1384)
http://www.aulavirtual.web.ve
learning techniques for electricity theft detection.
Journal of Electrical and Computer Engineering,
2021, Article 9136206, 1–10. Documento en
línea. Disponible
https://doi.org/10.1155/2021/9136206
Chen, J., Nanehkaran, Y. A., Chen, W., Liu, Y., &
Zhang, D. (2023). Data-driven intelligent method
for detection of electricity theft. International
Journal of Electrical Power & Energy Systems,
148, 108948. Documento en línea. Disponible
https://doi.org/10.1016/j.ijepes.2023.108948
Cortes, C., & Vapnik, V. (1995). Support-vector
networks. Machine Learning, 20, 273–297.
Documento en línea. Disponible
https://doi.org/10.1007/BF00994018
Dulhare, U. N., Ahmad, K., & Bin Ahmad, K. A.
(Eds.). (2020). Machine learning and big data:
Concepts, algorithms, tools and applications.
Wiley. Documento en línea. Disponible
https://doi.org/10.1002/9781119654834
Elshennawy, N. M., Ibrahim, D. M., & Gab Allah,
A. M. (2025). An efficient electricity theft
detection based on deep learning. Scientific
Reports, 15, 12866. Documento en línea.
Disponible https://doi.org/10.1038/s41598-025-
93140-z
Emadaleslami, M., Haghifam, M.-R., & Zangiabadi,
M. (2023). A two stage approach to electricity
theft detection in AMI using deep learning.
International Journal of Electrical Power &
Energy Systems, 150, 109088. Documento en
línea. Disponible
https://doi.org/10.1016/j.ijepes.2023.109088
Ge, L., Li, J., Du, T., & Hou, L. (2025). Double-
layer stacking optimization for electricity theft
detection considering data incompleteness and
intra-class imbalance. International Journal of
Electrical Power & Energy Systems, 165,
110461. Documento en línea. Disponible
https://doi.org/10.1016/j.ijepes.2025.110461
Ghaedi, H., Kamel Tabbakh, S. R., & Ghaemi, R.
(2021). Improving electricity theft detection
using combination of improved crow search
algorithm and support vector machine. Majlesi
Journal of Electrical Engineering, 15(4), 63–75.
Documento en línea. Disponible
https://doi.org/10.52547/mjee.15.4.63
Iftikhar, H., Khan, N., Raza, M. A., Abbas, G.,
Khan, M., Aoudia, M., Touti, E., & Emara, A.
(2024). Electricity theft detection in smart grid
using machine learning. Frontiers in Energy
Research, 12, 1383090. Documento en línea.
Disponible
https://doi.org/10.3389/fenrg.2024.1383090
Iqbal, M. S., Munawar, S., Adnan, M., Raza, A.,
Akbar, M. A., & Bermak, A. (2025). A critical
review of technical case studies for electricity
theft detection in smart grids: A new paradigm
based transformative approach. Energy
Conversion and Management: X, 26, 100965.
Documento en línea. Disponible
https://doi.org/10.1016/j.ecmx.2025.100965
Jokar, P., Arianpoo, N., & Leung, V. C. M. (2016).
Electricity theft detection in AMI using
customers’ consumption patterns. IEEE
Transactions on Smart Grid, 7(1), 216–226.
Documento en línea. Disponible
https://doi.org/10.1109/TSG.2015.2425222
Kaggle. (2023). Detección de robo de electricidad
de SGCC [Conjunto de datos]. Kaggle.
Documento en línea. Disponible
https://www.kaggle.com/datasets/bensalem14/s
gcc-dataset
Kashyap, P. (2018). Machine learning for decision
makers: Cognitive computing fundamentals for
better decision making. Apress. Documento en
línea. Disponible https://doi.org/10.1007/978-1-
4842-2988-0
Khan, N., Shahid, Z., Alam, M. M., Sajak, A. A. B.,
Nazar, M., & Mazliham, M. S. (2024). A novel
deep learning technique to detect electricity theft
in smart grids using AlexNet. IET Renewable
Power Generation, 18(6), 941–958. Documento
en línea. Disponible
https://doi.org/10.1049/rpg2.12846
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - Diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1385)
http://www.aulavirtual.web.ve
Khan, Z. A., Adil, M., Javaid, N., Saqib, M. N.,
Shafiq, M., & Choi, J.-G. (2020). Electricity theft
detection using supervised learning techniques
on smart meter data. Sustainability, 12(19), 8023.
Documento en línea. Disponible
https://doi.org/10.3390/su12198023
Liu, Z., Ding, W., Chen, T., Sun, M., Cai, H., & Liu,
C. (2023). An electricity theft detection method
through contrastive learning in smart grid.
EURASIP Journal on Wireless Communications
and Networking, 2023, 54. Documento en línea.
Disponible https://doi.org/10.1186/s13638-023-
02258-z
Mbey, C. F., Bikai, J., Yem Souhe, F. G., Foba
Kakeu, V. J., & Boum, A. T. (2024). Electricity
theft detection in a smart grid using hybrid deep
learning-based data analysis technique. Journal
of Electrical and Computer Engineering, 2024,
Article 6225510. Documento en línea.
Disponible
https://doi.org/10.1155/2024/6225510
Mehra, R., Meesad, P., Peddoju, S. K., & Rai, D. S.
(Eds.). (2022). Computational intelligence and
smart communication. Springer. Documento en
línea. Disponible https://doi.org/10.1007/978-3-
031-22915-2
Munawar, S., Khan, Z. A., Chaudhary, N. I., Javaid,
N., & Raja, M. A. Z. (2023). Machine
intelligence aware electricity theft detection for
smart metering applications. Waves in Random
and Complex Media, 1–21. Documento en línea.
Disponible
https://doi.org/10.1080/17455030.2023.2239368
Özay, E. C., & Çakıt, E. (2025). Assessing the
relationship between electricity theft and
customer payment habits: A machine-learning
approach. Utilities Policy, 95, 101955.
Documento en línea. Disponible
https://doi.org/10.1016/j.jup.2025.101955
Pamir, Javaid, N., Javed, M. U., Houran, M. A.,
Almasoud, A. M., & Imran, M. (2023).
Electricity theft detection for energy
optimization using deep learning models. Energy
Science & Engineering, 11(10), 3575–3596.
Documento en línea. Disponible
https://doi.org/10.1002/ese3.1541
Pan, J.-S., Balas, V. E., & Chen, C.-M. (Eds.).
(2022). Advances in intelligent data analysis and
applications. Springer. Documento en línea.
Disponible https://doi.org/10.1007/978-981-16-
5036-9
Pineda Pertuz, C. M. (2021). Aprendizaje
automático y profundo en Python: Una mirada
hacia la inteligencia artificial. Ediciones de la U.
Documento en línea. Disponible
https://api.pageplace.de/preview/DT0400.97895
87923155_A43032537/preview-
9789587923155_A43032537.pdf
Saha, O. (2023). A comparative study on optimized
machine learning and deep learning models for
the detection of electricity theft [Master’s thesis,
National College of Ireland]. NORMA@NCI
Library. Documento en línea. Disponible
https://norma.ncirl.ie/7312/
Saqib, S. M., Mazhar, T., Iqbal, M., Shahazad, T.,
Almogren, A., Ouahada, K., & Hamam, H.
(2024). Deep learning-based electricity theft
prediction in non-smart grid environments.
Heliyon, 10(15), e35167. Documento en línea.
Disponible
https://doi.org/10.1016/j.heliyon.2024.e35167
Saqib, S. M., Mazhar, T., Iqbal, M., Almogren, A.,
Ghadi, Y. Y., Shahzad, T., & Hamam, H. (2026).
Utilizing machine learning ensembles for
effective electricity theft detection. Energy
Exploration & Exploitation, 44(1), 526–553.
Documento en línea. Disponible
https://doi.org/10.1177/01445987251381989
Savian, F. de S., Siluk, J. C. M., Garlet, T. B., do
Nascimento, F. M., Pinheiro, J. R., & Vale, Z.
(2021). Non-technical losses: A systematic
contemporary article review. Renewable and
Sustainable Energy Reviews, 147, 111205.
Documento en línea. Disponible
https://doi.org/10.1016/j.rser.2021.111205
Taruna, A. P., Arisona, G., Irwanto, D., Bestari, A.
B., & Juniawan, W. (2025). Electricity theft
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 7, Número: 15, Año: 2026 (Julio 2026 - diciembre 2026)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(1386)
http://www.aulavirtual.web.ve
detection using machine learning in traditional
meter postpaid residential customers: A case
study on State Electricity Company (PLN)
Indonesia. IEEE Access, 13, 7167–7191.
Documento en línea. Disponible
https://doi.org/10.1109/ACCESS.2025.3526764
Thanigaivelan, R., Suchithra, M., & Kaliappan, S.
(Eds.). (2024). Metaheuristic and machine
learning optimization strategies for complex
systems. IGI Global. Documento en línea.
Disponible https://doi.org/10.4018/979-8-3693-
7842-7
Tsao, Y.-C., Rahmalia, D., & Lu, J.-C. (2024).
Machine-learning techniques for enhancing
electricity theft detection considering
transformer reliability and supply interruptions.
Energy Reports, 12, 3048–3064. Documento en
línea. Disponible
https://doi.org/10.1016/j.egyr.2024.08.068
Ullah, A., Khan, I. U., Younas, M. Z., Ahmad, M.,
& Kryvinska, N. (2025). Robust resampling and
stacked learning models for electricity theft
detection in smart grid. Energy Reports, 13, 770–
779. Documento en línea. Disponible
https://doi.org/10.1016/j.egyr.2024.12.041
Xia, Y., & Sun, J. (2026). Machine learning for
microbiome statistics. Chapman and Hall/CRC.
Documento en línea. Disponible
https://doi.org/10.1201/9781003610281
Yang, K., Chen, W., Bi, J., Wang, M., & Luo, F.
(2023). Multi-view broad learning system for
electricity theft detection. Applied Energy, 352,
121914.
https://doi.org/10.1016/j.apenergy.2023.121914
Zhang, Y., Jiang, Y., Tsai, S.-B., & Khosravi, M. R.
(Eds.). (2022). Mild cognitive impairment
recognition via gene expression mining and
neuroimaging techniques. Frontiers Media SA.
Documento en línea. Disponible
https://doi.org/10.3389/978-2-8325-0840-4
Zidi, S., Mihoub, A., Qaisar, S. M., Krichen, M., &
Abu Al-Haija, Q. (2023). Theft detection dataset
for benchmarking and machine learning based
classification in a smart grid environment.
Journal of King Saud University – Computer and
Information Sciences, 35(1), 13–25. Documento
en línea. Disponible
https://doi.org/10.1016/j.jksuci.2022.05.007