VALIDACIÓN ESTADÍSTICA DE UN GENERADOR SINTÉTICO DE DATOS AMI CALIBRADO CON DATOS REALES DE DISTRIBUIDORA: APLICACIÓN AL SISTEMA AI-NOC DE DETECCIÓN DE ANOMALÍAS EN REDES ELÉCTRICAS INTELIGENTES

Autores/as

  • Gleison Guardia Instituto Federal de Rondônia e Evolução Instituto de Ciência e Tecnologia, Brasil
  • Kelly Vinente dos Santos Evolução Instituto de Ciência e Tecnologia
  • Alberto Alexandre Moura de Albuquerque Evolução Instituto de Ciência e Tecnologia, Brasil
  • Sanches Ismael de Oliveira Evolução Instituto de Ciência e Tecnologia
  • Israel Azevedo Fabiano Evolução Instituto de Ciência e Tecnologia
  • Vinicius Carvalho Siqueira Tomaz Evolução Instituto de Ciência e Tecnologia, Brasil
  • Tiago Rafael Oliveira das Virgens Evolução Instituto de Ciência e Tecnologia, Brasil
  • Edson Fernando Souza Bezerra Evolução Instituto de Ciência e Tecnologia, Brasil
  • Carlos Eduardo da Silva Didrich Evolução Instituto de Ciência e Tecnologia, Brasil
  • Amanda Carvalho Siqueira Tomaz Evolução Instituto de Ciência e Tecnologia, Brasil

DOI:

https://doi.org/10.66104/vyrz3362

Palabras clave:

infraestructura de medición avanzada, detección de anomalías, generación de datos sintéticos, divergencia de Jensen-Shannon, validación estadística

Resumen

Las redes de infraestructura de medición avanzada (AMI) requieren sistemas autónomos de detección de anomalías; su desarrollo mediante aprendizaje automático depende de conjuntos de datos sintéticos representativos, especialmente cuando los datos de campo etiquetados son escasos. Este artículo presenta la validación estadística de un generador sintético de datos AMI calibrado con 24 meses de datos reales de consumo de la distribuidora CEMIG-D (enero de 2024 a diciembre de 2025). La validación abarcó seis análisis complementarios: pruebas de normalidad (Shapiro-Wilk, Kolmogorov-Smirnov, Anderson-Darling), estacionariedad (ADF, KPSS), independencia temporal (Ljung-Box, prueba de Runs), convergencia de distribuciones mediante la divergencia de Jensen-Shannon, comparación con benchmarks internacionales (SGCC) y detección de valores atípicos (Grubbs, ESD Generalizado). La serie CEMIG-D mostró distribución normal (W = 0,899; p = 0,999), integración de primer orden I(1) y residuos independientes. El generador sintético alcanzó régimen estacionario a partir del Día 3, con JS(D3, D4) = 0,001110 bits y 97,1% de superposición de distribuciones, confirmando la convergencia. La compatibilidad con benchmarks internacionales fue cuantificada por la V de Cramér = 0,0035, lo que indica un tamaño de efecto insignificante. El análisis formal de valores atípicos clasificó la caída del consumo de febrero de 2025 como una variación estacional-calendaria (Grubbs G = 1,379 < G_crit = 2,926; ESD: cero valores atípicos). Estos resultados validan el generador sintético como una herramienta representativa para el contexto AMI brasileño, permitiendo el entrenamiento de modelos de detección de anomalías —Autoencoder, Isolation Forest y LSTM— en el sistema AI-NOC-NANSEN con datos controlados, reproducibles y etiquetados.
Visitas: 692Descargas: 221

Descargas

Los datos de descarga aún no están disponibles.

Referencias

Anderson, T. W., and D. A. Darling. "A Test of Goodness of Fit." Journal of the American Statistical Association, vol. 49, 1954, pp. 765–769. doi:10.1080/01621459.1954.10501232. DOI: https://doi.org/10.1080/01621459.1954.10501232

Chen, Yize, et al. "Deep Learning Based Anomaly Detection in Electricity Distribution Networks." IEEE Transactions on Smart Grid, vol. 10, 2019, pp. 2953–2966. doi:10.1109/TSG.2018.2812404.

Cohen, Jacob. Statistical Power Analysis for the Behavioral Sciences. 2nd ed., Lawrence Erlbaum Associates, 1988.

Coma-Puig, Bernat, et al. "Benchmarking Smart Meter Anomaly Detectors: The Case for Synthetic Reference Datasets." Electronics, vol. 10, 2021, p. 2290. doi:10.3390/electronics10182290. DOI: https://doi.org/10.3390/electronics10182290

Cramér, Harald. Mathematical Methods of Statistics. Princeton University Press, 1946. DOI: https://doi.org/10.1515/9781400883868

de Carvalho, R. S., et al. "Communication System Design for an Advanced Metering Infrastructure." Sensors, vol. 18, 2018, p. 3734. doi:10.3390/s18113734. DOI: https://doi.org/10.3390/s18113734

Duenas Santos, C. L., et al. "Q-RPL: Q-Learning-Based Routing Protocol for Advanced Metering Infrastructure in Smart Grids." Sensors, vol. 24, 2024, p. 4818. doi:10.3390/s24154818. DOI: https://doi.org/10.3390/s24154818

Ferrari, Simone, et al. "Mapping Seasonal Variability of Buildings Electricity Demand Profiles in Mediterranean Small Islands." Energies, vol. 16, 2023, p. 1568. doi:10.3390/en16041568. DOI: https://doi.org/10.3390/en16041568

García-Vidal, J., et al. "Generalisation of Consensus Algorithms in Multi-Agent IoT Networks Using Load-Sharing Diffusion." Applied Sciences, vol. 12, 2022, p. 2456. doi:10.3390/app12052456. DOI: https://doi.org/10.3390/app12052456

Grubbs, Frank E. "Procedures for Detecting Outlying Observations in Samples." Technometrics, vol. 11, 1969, pp. 1–21. doi:10.1080/00401706.1969.10490657. DOI: https://doi.org/10.1080/00401706.1969.10490657

Guato Burgos, M. F., et al. "A Review of Smart Grid Anomaly Detection Approaches Pertaining to Artificial Intelligence." Applied Sciences, vol. 14, 2024, p. 1194. doi:10.3390/app14031194. DOI: https://doi.org/10.3390/app14031194

Kolmogorov, A. N. "Sulla Determinazione Empirica di una Legge di Distribuzione." Giornale dell'Istituto Italiano degli Attuari, vol. 4, 1933, pp. 83–91.

Kwiatkowski, Denis, et al. "Testing the Null Hypothesis of Stationarity against the Alternative of a Unit Root." Journal of Econometrics, vol. 54, 1992, pp. 159–178. doi:10.1016/0304-4076(92)90104-Y. DOI: https://doi.org/10.1016/0304-4076(92)90104-Y

Lee, Junsoo, and Mark C. Strazicich. "Minimum Lagrange Multiplier Unit Root Test with Two Structural Breaks." Review of Economics and Statistics, vol. 85, 2003, pp. 1082–1089. doi:10.1162/003465303772815961. DOI: https://doi.org/10.1162/003465303772815961

Leite Júnior, W. F., et al. "Oversampling Methods for Class Imbalance in Smart Meter Fault Classification." Energies, vol. 13, 2020, p. 5938. doi:10.3390/en13225938. DOI: https://doi.org/10.3390/en13225938

Leme, J. V., et al. "Towards Assessing the Electricity Demand in Brazil: Data-Driven Analysis and Ensemble Learning Models." Energies, vol. 13, 2020, p. 1407. doi:10.3390/en13061407. DOI: https://doi.org/10.3390/en13061407

Lin, Jianhua. "Divergence Measures Based on the Shannon Entropy." IEEE Transactions on Information Theory, vol. 37, 1991, pp. 145–151. doi:10.1109/18.61115. DOI: https://doi.org/10.1109/18.61115

Ljung, Greta M., and George E. P. Box. "On a Measure of Lack of Fit in Time Series Models." Biometrika, vol. 65, 1978, pp. 297–303. doi:10.1093/biomet/65.2.297. DOI: https://doi.org/10.1093/biomet/65.2.297

Mahé, G., and P. Perez. "DLMS/COSEM for Smart Metering: An Open-Source Implementation and Performance Evaluation." Sensors, vol. 21, 2021, p. 3090. doi:10.3390/s21093090. DOI: https://doi.org/10.3390/s21093090

Martins Rodrigues, F., et al. "Short-Term Load Forecasting of Electricity Demand for the Residential Sector Based on Modelling Techniques: A Systematic Review." Energies, vol. 16, 2023, p. 4098. doi:10.3390/en16104098. DOI: https://doi.org/10.3390/en16104098

Olfati-Saber, Reza, et al. "Consensus and Cooperation in Networked Multi-Agent Systems." Proceedings of the IEEE, vol. 95, 2007, pp. 215–233. doi:10.1109/JPROC.2006.887293. DOI: https://doi.org/10.1109/JPROC.2006.887293

Park, Chang Hwan, and Taekyung Kim. "Energy Theft Detection in Advanced Metering Infrastructure Based on Anomaly Pattern Detection." Energies, vol. 13, 2020, p. 3832. doi:10.3390/en13153832. DOI: https://doi.org/10.3390/en13153832

Rosner, Bernard. "Percentage Points for a Generalized ESD Many-Outlier Procedure." Technometrics, vol. 25, 1983, pp. 165–172. doi:10.2307/1268549. DOI: https://doi.org/10.1080/00401706.1983.10487848

Said, Said E., and David A. Dickey. "Testing for Unit Roots in Autoregressive-Moving Average Models of Unknown Order." Biometrika, vol. 71, 1984, pp. 599–607. doi:10.1093/biomet/71.3.599. DOI: https://doi.org/10.1093/biomet/71.3.599

Shapiro, Samuel S., and Martin B. Wilk. "An Analysis of Variance Test for Normality (Complete Samples)." Biometrika, vol. 52, 1965, pp. 591–611. doi:10.1093/biomet/52.3-4.591. DOI: https://doi.org/10.1093/biomet/52.3-4.591

Wald, Abraham, and Jacob Wolfowitz. "An Exact Test for Randomness in the Non-Parametric Case Based on Serial Correlation." Annals of Mathematical Statistics, vol. 14, 1943, pp. 378–388. doi:10.1214/aoms/1177731358. DOI: https://doi.org/10.1214/aoms/1177731358

Zheng, Zhuang, et al. "Wide and Deep Convolutional Neural Networks for Electricity Theft Detection to Secure Smart Grid." IEEE Transactions on Industrial Informatics, vol. 14, 2018a, pp. 1606–1615. doi:10.1109/TII.2017.2785963. DOI: https://doi.org/10.1109/TII.2017.2785963

Zheng, Zhuang, et al. SGCC Non-Technical Loss Dataset. GitHub, 2018b, github.com/henryRDlab/ElectricityTheftDetection.

Publicado

2026-09-01

Cómo citar

Guardia, G., Santos, K. V. dos, Albuquerque, A. A. M. de, Oliveira, S. I. de, Fabiano, I. A., Tomaz, V. C. S., Virgens, T. R. O. das, Bezerra, E. F. S., Didrich, C. E. da S., & Tomaz, A. C. S. (2026). VALIDACIÓN ESTADÍSTICA DE UN GENERADOR SINTÉTICO DE DATOS AMI CALIBRADO CON DATOS REALES DE DISTRIBUIDORA: APLICACIÓN AL SISTEMA AI-NOC DE DETECCIÓN DE ANOMALÍAS EN REDES ELÉCTRICAS INTELIGENTES. REMUNOM, 13(19), 1-21. https://doi.org/10.66104/vyrz3362

Artículos similares

1-10 de 50

También puede Iniciar una búsqueda de similitud avanzada para este artículo.

Artículos más leídos del mismo autor/a