Evaluación comparativa de modelos de aprendizaje automático para la detección en el robo de electricidad
Barra lateral del artículo
Contenido principal del artículo
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
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
El contenido de los articulos es de exclusiva responsabilidad de los autores.
Deberá cumplir con los siguentes aspectos de la Licencia CC BY NC ND :
- Atribución : Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
- No Comercial : No se puede utilizar el material con fines comerciales.
- Sin derivados : Si remezcla, transforma o construye sobre el material, no puede distribuir el material modificado.
- Sin restricciones adicionales : No se pueden aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros de hacer cualquier cosa que permita la licencia.
Citas
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 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/sgcc-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
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., & Çak?t, 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/DT0400.9789587923155_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 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