Endesa duplica su tasa de éxito en la lucha contra el fraude eléctrico gracias a la inteligencia artificial

Endesa, a través de su filial e-distribución, ha realizado en el período 2018-2020 más de 600.000 inspecciones para la detección del fraude eléctrico, consiguiendo en el último año destapar robo de energía en una de cada dos inspecciones, un porcentaje que duplica el registrado en 2017, informó la energética.

La filial de distribución de Endesa empezó en 2017 a aplicar técnicas de machine learning (aprendizaje automático) y deep learning (aprendizaje profundo) para detectar pérdidas de energía no técnicas.

La digitalización de la red, el despliegue de sensores y la implantación de los contadores inteligentes hace que cada vez se obtenga más información del funcionamiento de los equipos de medida y de la red de media y baja tensión, y el análisis de esos datos permite detectar desviaciones y comportamientos anómalos para orientar las inspecciones de manera más eficiente y aumentar el porcentaje de fraude detectado.

Así, Endesa destaca que la aplicación de la inteligencia artificial sobre los datos y la mejora sistemática de estos modelos predictivos, está permitiendo al grupo, siempre respetando la normativa, detectar de forma eficiente todo tipo de fraudes, tanto en suministros con contrato en vigor, como en suministros sin contrato, desde los fraudes tradicionales (puentes, dobles acometidas, enganches directos, etc.), hasta los más sofisticados (placas con circuitos impresos insertadas en los propios contadores), «detectando una gran cantidad de fraudes y con una precisión difícil de imaginar hace escasamente unos años».

En concreto, la unidad de Machine Learning de Endesa cuenta con matemáticos, informáticos e ingenieros que aplican la inteligencia artificial a la lucha contra el fraude eléctrico.

Estos nuevos perfiles profesionales, expertos en data science y big data , se han incorporado en los últimos años a la plantilla de la eléctrica y trabajan junto con los inspectores de campo para desarrollar y mejorar los modelos predictivos.