Las pérdidas no técnicas conocidas como NTL por su sigla en inglés (non-technical losses) en el sector energético presentan un desafío significativo tanto para las empresas proveedoras de servicios públicos como para las economías globales. Estas pérdidas, que abarcan desde el robo hasta la manipulación de medidores, resultan en una disminución de los ingresos, distorsiones en los patrones de consumo y comprometen los suministros de energía. Sus repercusiones afectan tanto a las empresas como a los consumidores, ya que la detección efectiva de un consumo irregular requiere inspecciones in situ con personal especializado, lo cual genera un costo extra para las empresas que termina afectando al precio de la energía. Para optimizar la selección de instalaciones a inspeccionar, es fundamental contar con algoritmos que evalúen la probabilidad de fraude, minimizando así las inspecciones innecesarias. Este tema adquiere cada vez más relevancia, ya que no solo se centra en la estabilidad financiera de las empresas, sino que también busca garantizar un acceso equitativo, seguro y confiable a los recursos energéticos. Dado el impacto que tienen las NTL en diferentes ámbitos como financiero y medioambiental, la literatura existente ofrece varios trabajos relacionados con este tema. Sin embargo, son escasos los estudios que abordan el problema mediante el análisis de series temporales multivariadas. Es importante destacar que esta tesis se basa en datos reales, prescindiendo por completo de datos sintéticos. Mediante la combinación de la infraestructura de medición avanzada, en inglés Advanced Metering Infrastructure (AMI), la ciencia de datos y el aprendizaje profundo, se busca abordar este problema con un enfoque innovador. Probando distintos tipos de arquitecturas de redes neuronales tales como convolucionales, recurrentes y residuales. La AMI permite recopilar datos con una resolución quinceminutal, lo que proporciona mediciones más precisas y frecuentes del consumo de energía, mejorando así las capacidades de monitoreo. La fusión de esta rica fuente de datos con redes neuronales permite revelar conocimientos ocultos dentro de las series temporales multivariadas, que son difíciles de capturar mediante métodos tradicionales. Además, se explora la correlación entre el consumo de energía y un factor externo: la temperatura ambiente. Al aprovechar las variaciones en la temperatura ambiente y su relación con el consumo de energía, se analiza cómo estas fluctuaciones afectan la demanda de energía, especialmente en lo que respecta a la calefacción y refrigeración. Por tanto, este estudio se centra en el análisis de series temporales multivariadas que incluyen el consumo de energía activa, energía reactiva y la temperatura ambiente. En esta tesis se examinan los desafíos y las oportunidades que presenta la integración de AMI y el aprendizaje profundo supervisado, desde el preprocesamiento de datos y el entrenamiento de diferentes modelos hasta la interpretación de resultados, con el fin de abordar de manera proactiva las pérdidas no técnicas y buscando ser más eficientes a la hora de inspeccionar a los clientes. Se busca crear nuevos algoritmos que ayuden a seleccionar qué clientes inspeccionar. Los principales aportes de esta tesis son: (i) recolección y creación de un conjunto de datos con series temporales de energía activa, reactiva y temperatura ambiente en resolución horaria y con un historial de un año para 50k clientes de UTE, necesarios para el análisis y evaluación de los resultados, (ii) comparación de dos técnicas de normalización de series temporales, (iii) estudio de cómo se correlaciona la temperatura ambiente en el consumo energético, (iv) aplicación de diferentes tipos arquitecturas de aprendizaje profundo (convolucional, recurrente y residual) en series temporales multivariadas. Los resultados de esta tesis continúan reafirmando que los datos de alta resolución, correspondientes a series temporales horarias, poseen un mayor potencial en comparación con los datos de baja resolución, como los consumos mensuales. Además, muestra que la temperatura ambiente influye en los patrones de consumo de energía, desempeñando así un papel indirecto en las NTL. Este hallazgo no solo abre nuevas oportunidades en la detección de NTL, sino que también conduce al desarrollo de una nueva arquitectura para abordar este tema.