Aplicaciones de Data Science para la mejora de la medición y cobro de la distribución de la energía eléctrica en contextos de Pandemia Mundial

Abstract

El presente trabajo de investigación muestra cómo se abordaron cuatro problemas asociados a la dificultad para medir el consumo y cobrar a sus clientes la distribución eléctrica realizada por Enel Distribución S.A. en la región metropolitana. El primer problema abordado corresponde al de la falta de precisión al momento de cobrar a los clientes cuyos consumos registrados en medidores convencionales no se han podido registrar en un mes por parte de los técnicos lectores, considerando lectura mensual. Actualmente, cuando esto sucede se utiliza una estimación basada en el promedio móvil de seis meses anteriores al mes de imposibilidad de lectura. Se demuestra que esta estimación es deficiente y se determina que, utilizando un modelo XGBoost Regressor, se rebajaría el MAPE asociado de un 39,04% a un 28,92%. Este resultado puede potencialmente influenciar políticas públicas que involucren cambios a nivel nacional. El segundo problema corresponde a la alta cantidad de clientes cuyos consumos registrados de medidores convencionales no han podido ser registrados por parte de la empresa durante 3 meses o más, debido a la pandemia COVID-19 desde abril de 2020. El número de estos clientes es de alrededor de 26.035. Se contribuye a bajar este número a alrededor de cinco mil, para lo cual se utilizan tableros de visualización y cinco modelos de aprendizaje automático supervisado que utilizan la salida del algoritmo OPTICS sobre la georreferenciación de las viviendas como entrada. Con esto se logra una métrica de F1 de 61%. Como tercer problema, se abordan las viviendas sin lectura realizada por parte de la empresa, durante dos a cuatro meses, debido a la pandemia COVID-19 y el cambio de empresas subcontratadas para la lectura de medidores, desde diciembre de 2020. Para su resolución se aplica lo realizado en el segundo problema adaptándolo a la disponibilidad de datos y contexto de la situación, logando una métrica F1 promedio de 60%. Por último, se aborda, de forma general, el problema del alto número de reclamos asociados a facturación en la compañía, cuya magnitud ascendía a 1.492.495 desde abril a octubre de 2020. Para lo anterior, se utilizó un enfoque predictivo basado en modelos de aprendizaje automático supervisado, considerando clasificación binaria. Se logró una precisión del 93%. Aun así, no se recomienda su aplicación directa, ya que, debido a la ley 21.340, que flexibiliza el pago por parte de los clientes, pudiendo sesgar de sobremanera los resultados a la fecha de utilización. Con lo anterior señalado, se concluye que el resultado de este trabajo apoyaría, teóricamente, a que la empresa realice una mejor lectura en tiempos críticos provocados por la pandemia COVID-19. Si esta lectura, por un motivo exógeno, no puede ser buena, que pueda cobrar mejor el consumo correspondiente, aunque no se pueda registrar. Y si, por otro lado, hay errores de facturación por cualquier otro motivo, pueda anticiparse a los reclamos de los clientes, generando una mejor imagen para la empresa y tranquilidad para la población.