La corriente eléctrica es parte fundamental de la vida en las sociedades modernas. Su distribución implica el uso de una red física de conductores que deja este bien de mercado expuesto al hurto y a los sistemas de medición expuestos al fraude. Según informes del Banco Interamericano de Desarrollo (BID) las pérdidas totales de energía eléctrica en América Latina y el Caribe (ALC) alcanzan el 17% de la energía generada. Sin tener en cuenta las pérdidas técnicas (dentro de los sistemas de distribución), el perjuicio económico causado para las economías de ALC asciende a 11 mil millones de dólares anuales. Dado el impacto que las pérdidas no técnicas (NTL) generan, su detección y regularización es de gran importancia. Es necesario definir a qué clientes inspeccionar y para tal tarea las empresas se basan en el análisis de datos y consumos de sus clientes. En esta tesis se aborda el problema de detección de pérdidas no técnicas basado en técnicas de aprendizaje automático supervisado. Los aportes principales de esta tesis se pueden resumir en: (i) la incorporación explícita de los costos y el retorno potencial asociado a las actividades de inspección y su uso en la optimización de algoritmos de aprendizaje automático; (ii) el análisis de las rutas de inspección como parte de una estrategia global; (iii) en un contexto de cambios en la infraestructura de medición, se propone una arquitectura de aprendizaje profundo que, utilizando datos de consumo multirresolución, sea capaz de mejorar la detección de NTL en contadores inteligentes; (iv) se organizó y analizó una base de datos con consumo real y fraude de magnitud sin precedentes, para validar hipótesis presentadas en trabajos anteriores y validadas en pequeñas bases de datos. A pesar de la relevancia del impacto económico de NTL, antes de esta tesis, ningún trabajo se centró en el modelado de costos y la inclusión de estimaciones de retorno económico de las actividades de campo. En esta tesis se propone un nuevo enfoque del problema centrado en maximizar el retorno económico de las actividades de inspección. También se aborda por primera vez la inclusión de estrategias de optimización de ruteo de vehículos dentro de un esquema de detección de NTL. Los resultados experimentales son validados sobre grandes bases de datos generadas en conjunto con la empresa de generación y distribución de energía de Uruguay (UTE). En los últimos años, el movimiento hacia la medición inteligente ha creado nuevos desafíos y oportunidades para la detección automática de NTL. En concreto, ha habido varias propuestas para tratar datos de contadores inteligentes con deep learning en los últimos tres años. Hasta donde sabemos, todos los trabajos utilizan exclusivamente datos de contadores inteligentes o datos de contadores de menor resolución temporal, pero no existen trabajos que aborden el problema de la coexistencia de estos datos en el proceso de cambio de tecnologías de medida. Este proceso puede llevar años y la información que se genera es muy valiosa. En esta tesis se presenta por primera vez en NTL una arquitectura de aprendizaje profundo para tratar datos de consumo en multirresolución, y se demuestra que el uso combinado de datos de medidores inteligentes con registros mensuales previos genera mejores resultados que el uso único de consumo en alta resolución. La propuesta se prueba con datos reales de UTE y datos sintéticos ampliamente utilizados en la literatura. Además, utilizando una de las mayores bases de datos de acceso académico reportadas, se prueban varias hipótesis sobre la inclusión de información adicional y el desempeño de los principales algoritmos utilizados en NTL. Ideas derivadas del problema de los ataques adversarios también se utilizan en esta tesis para interpretar modelos de aprendizaje profundo. Los resultados obtenidos en esta tesis, que dio lugar a cinco artículos científicos, han sido implementados y transferidos a la industria a través de acuerdos entre UTE y UdelaR. UTE utiliza los algoritmos propuestos y los avances científicos y tecnológicos desarrollados para la detección automática de NTL.

Electric current is a fundamental part of life in modern societies. Its distribution implies using a physical network of conductors that expose this market good to theft and the measurement systems to fraud. According to the Inter-American Development Bank (IDB) reports, total electricity losses in Latin America and the Caribbean (LAC) reach 17% of the energy generated. Without considering the technical losses (within the distribution systems), the economic damage caused to the LAC economies amounts to 11 billion dollars annually. Given the impact that non-technical losses (NTL) generate, their detection and regularization are of great importance. It is necessary to define which clients to visit to inspect the electrical installation. Companies perform data analysis, including consumption curves and other relevant customer information for this task. This thesis addresses the problem of non-technical loss detection based on supervised machine learning techniques. The main contributions of this thesis can be summarized as (i) the explicit incorporation of costs and the potential economic return associated with inspection activities and their use in optimizing machine learning algorithms; (ii) analysis of inspection routes as part of a global strategy; (iii) in a context of changes in the metering infrastructure, a deep learning architecture is proposed that using multiresolution consumption data, is capable of improving NTL detection in smart meters; (iv) a database with real consumption and fraud of unprecedented magnitude was organized and analyzed, to validate hypotheses presented in previous works and validated in small databases. Despite the relevance of NTL's economic impact, prior to this thesis, no work focused on cost modeling and the inclusion of estimates of the economic return of inspection activities. This thesis proposes a new approach to the problem, focused on maximizing the economic return of inspection activities. The inclusion of vehicle routing optimization strategies within an NTL detection scheme is also addressed for the first time. The experimental results are validated on large databases generated with the Uruguayan energy generation and distribution company (UTE). In recent years, the move towards smart metering has created new challenges and opportunities for automatic NTL detection. In particular, there have been several proposals to treat data from smart meters with deep learning in the last three years. As far as we know, all the papers exclusively use smart meter data or lower temporal resolution meter data, but there are no papers that address the problem of the coexistence of this data in the process of changing measurement technologies. This process can take years, and the information that is generated is very valuable. In this thesis, a deep learning architecture is presented for the first time in NTL to treat consumption data in multiresolution, and it is shown that the combined use of data from smart meters with previous monthly records generates better results than the only use of consumption in high resolution. The proposal is tested with real data from UTE and synthetic data widely used in the literature. In addition, and using one of the largest academic access databases reported, several hypotheses about the inclusion of additional information and the performance of the main algorithms used in NTL are tested. Ideas derived from the problem of adversary attacks are also used in this thesis to interpret deep learning models. The results obtained in this thesis, which gave rise to five scientific papers, have been implemented and transferred to the industry through agreements between UTE and UdelaR. UTE uses the proposed algorithms and the scientific and technological advances developed for NTL automatic detection.