Detección de inconsistencia en la toma de lecturas de consumo eléctrico

Priorizar clientes con anomalía: Se da prioridad a la escogencia de clientes con anomalías registradas, como parte de la muestra, se escoge hasta en un 70% de la volumetría de la ruta seleccionada.

Los usuarios con anomalía de lectura se evidencian por medio de la clasificación con machine learning que funciona por medio de una metodología Backpropagation algorithm, optimizado con Adam. En este se busca el valor mínimo de la función de error en el espacio de peso mediante una técnica llamada descenso de gradiente o regla delta. Las ponderaciones que minimizan la función de error se consideran una solución al problema de aprendizaje.

Este es el ejemplo del comportamiento de consumo eléctrico de un usuario, donde los meses están definidos de 0-11 siendo enero (0) y diciembre (11) en conjunto con su consumo en (kwh).

Priorizar clientes con anomalía: Se da prioridad a la escogencia de clientes con anomalías registradas, como parte de la muestra, se escoge hasta en un 70% de la volumetría de la ruta seleccionada. Los usuarios con anomalía de lectura se evidencian por medio de la clasificacion con machine learning que funciona por medio de una metodlogía Backpropagation algorithm, optimizado con Adam En este se busca el valor mínimo de la función de error en el espacio de peso mediante una técnica llamada descenso de gradiente o regla delta. Las ponderaciones que minimizan la función de error se consideran una solución al problema de aprendizaje.

 Este es el ejemplo del comportamiento de consumo eléctrico  de un usuario, donde los meses están definidos de 0-11 siendo enero (0) y diciembre (11) en conjunto con su consumo en (kwh):