El fraude eléctrico es un conjunto de delitos que perjudica a los consumidores. Estos experimentan cortes de suministro o tienen que reclamar abultadas facturas energéticas. Y, en algunos casos, este amaño se usa para cometer otras infracciones, como el cultivo de droga. ¿Es posible hacer uso del big data y la inteligencia artificial para combatir el fraude energético?
El fraude eléctrico en España
Las conexiones directas a la red, la manipulación de los equipos de medida y control y los enganches a vecinos para robarles su suministro son un problema serio. A menudo estos últimos provocan apagones en la zona; otras veces, conflictos vecinales. Por desgracia, también son una fuente continua de incendios, como el ocurrido en Casillas (Murcia) en 2021.
En algunas ubicaciones, los enganches ilegales para el cultivo de droga han crecido tanto que los cortes de suministro se han convertido en un problema social añadido a los que ya suelen sufrir estas áreas. Es el caso de los sectores 5 y 6 de la Cañada Real, donde los enganches han sido tan numerosos que se ha ordenado por vía judicial el corte eléctrico después de meses de caídas continuadas de la red debido a sobrecargas.
Aunque se suele relacionar hogares vulnerables y fraude eléctrico, la realidad es que solo un 1% de los enganches responden a esta tipología según el Departamento Antifraude de Endesa. El grueso de estos delitos son cometidos por “consumidores importantes” como consumidores industriales, pequeñas y medianas empresas o negocios de hostelería.
Monitorizar la red eléctrica: así se usan los datos
Monitorizar la red eléctrica es el primer paso para detectar anomalías derivadas no solo de malos usos. También de instalaciones deficientes o peligrosas. Con ese objetivo, las compañías hace tiempo que trabajan por desplegar unidades de sensorización capaces de dar avisos cuando identifican comportamientos extraños o inusuales.
Así ocurre con el módulo LVS (Low Voltage Supervisor), un dispositivo instalado por Endesa en Islas Baleares. Emplazado de momento en una octava parte de los transformadores existentes allí (unos 1430, aproximadamente), el LVS es capaz de registrar datos en tiempo real. También de hacer sonar las alarmas cuando alguno de los parámetros se salga de la norma de funcionamiento.
Este sistema es muy rudimentario y consiste únicamente en la monitorización de los puntos finales de consumo. Es decir, ni es big data, ni inteligencia artificial, ni usa herramientas avanzadas de programación. Sin embargo, sí supone una primera aproximación a las smart grids, dado que lo primero que hace falta en estas es la monitorización continua de la red.
Con todos los datos recogidos en este piloto se podrán tomar futuras decisiones o extraer conocimiento útil de cara a hacer funcionar un sistema de aprendizaje automático en unos años. Aunque este ya está siendo desarrollado por otras divisiones dentro de las empresas eléctricas.
La unidad de machine learning de Endesa
Endesa lleva años entrenando modelos de machine learning y deep learning para detectar anomalías en instalaciones. Con 600 000 inspecciones entre 2018 y 2020 por parte de su filial E-Distribución, la cantidad de datos registrados empiezan a suponer una herramienta interesante de cara a la localización de anomalías. Es gracias a este volumen que es posible enfrentarse al problema.
De hecho, los fraudes son cada vez más precisos y difíciles de rastrear. Si antes se cometían de forma ‘tradicional’, con puentes, dobles acometidas y enganches indirectos (actuaciones fácilmente identificables con una inspección visual), en la actualidad el fraude energético se ha profesionalizado con placas con circuitos impresos insertadas en los contadores y otras formas ingeniosas de camuflar el daño.
Las inspecciones visuales siguen detectando muchos de estos delitos, pero se hace necesario invertir en herramientas que vayan más allá de las capacidades humanas básicas. Es aquí donde entra el departamento de machine learning de Endesa y otras empresas eléctricas.
Compuesto por matemáticos e ingenieros, este departamento se encarga de buscar discrepancias en los datos de lectura. En ocasiones, es tan ‘sencillo’ como hacer comparaciones con históricos previos, como cuando un piso empieza a consumir cinco veces la energía que venía gastando. Pero los fraudes se están sofisticando.
Actualmente, la localización de estas anomalías es posible gracias a la comparación de modelos predictivos basados en el histórico de consumo y modelos matemáticos que engloban comportamientos poco éticos. Dicho de otra forma: cada vez es más probable detectar un enganche ilegal por la forma que tiene la curva de consumo de la zona.
Cada vez es menos relevante el consumo total para detectar, por ejemplo, una plantación de droga dentro de un piso. Ahora se prioriza el análisis de la curva, como por ejemplo un gasto continuado nocturno, claro indicativo de un comportamiento anormal en una vivienda.
Imágenes | iStock/kostab, iStock/gorodenkoff
