Divergencia antifraude: más precisa con cada transformador medido
Cómo monitorear la calidad del cruce entre lectura mensual y telemedición de cabecera para que el indicador de fraude gane precisión con la cobertura.
· 12 min de lectura
Dos transformadores muestran la misma divergencia entre la energía de cabecera y la energía facturada a sus clientes. En uno, la cabecera está telemedida, la relación cliente-transformador fue validada y la pérdida técnica se calculó con datos medidos. En el otro, la entrada es inferida y nadie ha confirmado qué clientes cuelgan realmente de él. El número es el mismo; la confianza que merece no. Si ambas alertas llegan igual a la cola de inspecciones, la cuadrilla no tiene forma de saber cuál de las dos es una pista y cuál es ruido.
Esa es la tesis de esta pieza: una alerta de divergencia debe viajar con su grado de confianza, y ese grado se gana transformador por transformador a medida que cada uno queda instrumentado y pasa los controles de la comparación. La alerta ya se sabe disparar; lo que falta es poder saber cuándo creerle. En los proyectos de IS-U que acompañamos en Consultoría Venezuela vemos el mismo patrón en distribuidoras que avanzan por etapas: el indicador arranca ruidoso y se juzga como si fuera definitivo, cuando lo que corresponde es leer cada divergencia junto con la calidad de la comparación que la produjo.
Una divergencia sin grado de confianza es una orden a ciegas
La transición hacia redes más instrumentadas es gradual. Los sistemas de telemedición tienen varios niveles de implementación, cada uno con características y funcionalidades distintas, y durante la transición esos niveles coexisten (INGE CUC / Redalyc, 2014). En la práctica regional esto se traduce en equipos antiguos operando junto a sistemas modernos, con falta de estandarización en los dispositivos instalados (UNITEC, 2025).
La comparación que alimenta la alerta vive justo en esa frontera. De un lado está la lectura periódica que el core comercial (SAP IS-U o SAP S/4HANA Utilities) usa para facturar; del otro, el registro continuo del macromedidor en bornes del transformador. La lógica es sencilla: comparar la energía total registrada en el transformador con la suma de lo que registran los medidores de los clientes conectados a él (UNITEC, 2025). Una vez descontada la pérdida técnica estimada, cualquier diferencia restante se atribuye a pérdida no técnica (UNITEC, 2025).
Esa resta es tan buena como su término más débil. Y en una red que se instrumenta por etapas, conviven transformadores con los tres términos medidos y validados junto a otros donde uno o más siguen siendo supuestos. Tratar todas las alertas por igual convierte esa diferencia de calidad en visitas de campo.
Qué le resta confianza a una comparación
Tres condiciones determinan si una divergencia es señal o ruido. Cada una se puede verificar por transformador.
La topología cliente-transformador
Un balance fiable exige una topología sin errores que indique a qué punto de la red está conectado cada cliente (Ariadna Grid, 2026). Un cliente asignado al transformador equivocado genera un faltante en un lado y un sobrante en otro: dos alertas falsas por un solo error de datos maestros. Es, además, un control que puede revisarse desde la oficina, contrastando la asignación contra el perfil medido, antes de enviar una cuadrilla de inspección.
La pérdida técnica que se descuenta
Medir directamente las pérdidas en cada transformador resulta muy costoso, por lo que se calculan a partir de una modelación (INGE CUC / Redalyc, 2014). La modelación elegida pesa. Un estudio publicado en una revista colombiana mostró que los métodos de cálculo rápido, que asumen cargabilidad constante, pueden conducir a errores cercanos al 30 % en la estimación de pérdidas de transformación, mientras que, al validar el método basado en datos de telemedición, la energía mensual calculada difirió de la medida en un máximo de 2,53 % en su caso de estudio (INGE CUC / Redalyc, 2014). Si el término técnico está mal estimado, la parte atribuida a fraude también lo está.
La ventana de comparación
La lectura convencional llega una vez por ciclo; la telemedición permite actuar sin esperar lecturas mensuales (UNITEC, 2025). Una comparación cuyo registro de cabecera no cubre exactamente el período de la lectura del ciclo compara periodos distintos, y su divergencia no dice nada sobre fraude.
Cómo un transformador gana grado de confianza
Instrumentar la cabecera es condición necesaria, pero no suficiente. El grado se gana cuando la comparación pasa los controles, en este orden:
El resultado es una ficha de confianza que acompaña a cada alerta. Proponemos que registre, por transformador y por ciclo:
- Entrada medida: si el balance tiene registro de cabecera por telemedición o sigue siendo inferido.
- Completitud de ventana: si el registro de cabecera cubre todo el período de la lectura del ciclo, sin huecos.
- Topología validada: si la relación cliente-transformador fue confirmada en campo o contra el perfil medido.
- Peso de las lecturas estimadas: qué parte del lado comercial del balance proviene de lecturas estimadas y no de lecturas reales.
- Estabilidad: cuánto varía la divergencia de ese transformador entre ciclos consecutivos sin intervención.
La ficha no puede vivir fuera del flujo. No basta con cuadrar balances en planillas: hacen falta herramientas automatizadas que garanticen la veracidad del inventario y la conectividad (Ariadna Grid, 2026). Si el grado se calcula a mano, deja de acompañar a la alerta en cuanto el volumen crece.
Despachar inspecciones según el grado
---
config:
theme: base
fontFamily: 'Inter Variable, system-ui, sans-serif'
themeVariables:
darkMode: true
fontFamily: 'Inter Variable, system-ui, sans-serif'
fontSize: '15px'
background: '#111113'
primaryColor: '#1A1A1D'
primaryTextColor: '#F4F5F8'
primaryBorderColor: '#8B5CF6'
secondaryColor: '#242428'
tertiaryColor: '#1A1A1D'
mainBkg: '#1A1A1D'
secondBkg: '#242428'
tertiaryBkg: '#2E2E33'
lineColor: '#8B5CF6'
textColor: '#F4F5F8'
titleColor: '#F4F5F8'
nodeBorder: '#8B5CF6'
clusterBkg: '#1A1A1D'
clusterBorder: '#2E2E33'
edgeLabelBackground: '#242428'
pie1: '#8B5CF6'
pie2: '#f59e0b'
pie3: '#22c55e'
pie4: '#b495f9'
pie5: '#f97316'
pie6: '#ef4444'
pieTitleTextColor: '#F4F5F8'
pieSectionTextColor: '#F4F5F8'
pieLegendTextColor: '#F4F5F8'
pieStrokeColor: '#111113'
pieOuterStrokeColor: '#111113'
---
flowchart TD
A([Alerta de divergencia con su grado]) --> B{¿Grado de la comparación?}
B -->|Confiable| C[Divergencia supera su umbral]
C --> D([Va a campo])
B -->|Provisional| E[Revisar topología, ventana y pérdida técnica]
E --> F([Revisión de datos antes de movilizar cuadrilla])
class A inicio
class B decision
class C,E proceso
class D bueno
class F neutro
classDef inicio fill:#30274d,stroke:#8B5CF6,color:#ffffff
classDef decision fill:#473519,stroke:#f59e0b,color:#ffffff
classDef proceso fill:#33363c,stroke:#9aa0aa,color:#ffffff
classDef bueno fill:#193e2b,stroke:#22c55e,color:#ffffff
classDef neutro fill:#33363c,stroke:#9aa0aa,color:#ffffff
Con el grado a la vista, la alerta deja de tener un solo destino. Una divergencia sobre una comparación confiable que supera su umbral va a campo: los términos de la resta están medidos y validados, y la diferencia es lo que queda por explicar. Una divergencia sobre una comparación provisional va primero a revisión de datos, porque el faltante puede estar en la topología, en la ventana o en la pérdida técnica asumida, y esas causas se revisan desde la oficina antes de movilizar una cuadrilla.
Los umbrales también dependen del grado. Un umbral único, calculado cuando la mayoría de los balances eran inferidos, deja pasar en las comparaciones confiables desvíos que ya serían detectables, y en las provisionales sigue generando inspecciones sin hallazgo. Trabajar con umbrales diferenciados por grado, y revisarlos cada vez que un bloque relevante de transformadores pasa de provisional a confiable, traslada la precisión ganada al trabajo de campo.
La precisión se gana transformador por transformador
La mejora no llega de golpe con el despliegue: llega cada vez que un transformador supera los controles y su comparación cambia de grado. Cuando más transformadores alcanzan el grado confiable, dos cosas cambian a la vez. La cola de campo se llena de alertas que ya pasaron el filtro de datos. Y una divergencia que reaparece ciclo tras ciclo sobre un transformador confiable pesa mucho más como evidencia que la misma cifra sobre una entrada inferida.
Cuando las fichas no mejoran pese a nuevas instalaciones, el cuello de botella no está en el hardware sino en los datos maestros o en la integración. Esa lectura también la da el grado: indica si la telemedición instalada ya está produciendo comparaciones confiables o todavía no.
---
config:
theme: base
fontFamily: 'Inter Variable, system-ui, sans-serif'
themeVariables:
darkMode: true
fontFamily: 'Inter Variable, system-ui, sans-serif'
fontSize: '15px'
background: '#111113'
primaryColor: '#1A1A1D'
primaryTextColor: '#F4F5F8'
primaryBorderColor: '#8B5CF6'
secondaryColor: '#242428'
tertiaryColor: '#1A1A1D'
mainBkg: '#1A1A1D'
secondBkg: '#242428'
tertiaryBkg: '#2E2E33'
lineColor: '#8B5CF6'
textColor: '#F4F5F8'
titleColor: '#F4F5F8'
nodeBorder: '#8B5CF6'
clusterBkg: '#1A1A1D'
clusterBorder: '#2E2E33'
edgeLabelBackground: '#242428'
pie1: '#8B5CF6'
pie2: '#f59e0b'
pie3: '#22c55e'
pie4: '#b495f9'
pie5: '#f97316'
pie6: '#ef4444'
pieTitleTextColor: '#F4F5F8'
pieSectionTextColor: '#F4F5F8'
pieLegendTextColor: '#F4F5F8'
pieStrokeColor: '#111113'
pieOuterStrokeColor: '#111113'
---
flowchart TD
A([Nuevas instalaciones de telemedición]) --> B{¿Mejoran las fichas de confianza?}
B -->|Sí| C([El grado indica comparaciones confiables])
B -->|No| D[Cuello de botella en datos maestros o integración]
D --> E([El problema no está en el hardware])
class A inicio
class B decision
class D proceso
class C bueno
class E neutro
classDef inicio fill:#30274d,stroke:#8B5CF6,color:#ffffff
classDef decision fill:#473519,stroke:#f59e0b,color:#ffffff
classDef proceso fill:#33363c,stroke:#9aa0aa,color:#ffffff
classDef bueno fill:#193e2b,stroke:#22c55e,color:#ffffff
classDef neutro fill:#33363c,stroke:#9aa0aa,color:#ffffff
Fuentes
- INGE CUC / Redalyc (2014). Gómez Sarduy, J. R.; Viego Felipe, P. R.; Ruiz Pérez, A. «Empleo de Telemedición para Calcular Pérdidas de Transformación Considerando Problemas de Calidad de la Energía». INGE CUC, vol. 10, núm. 2. https://www.redalyc.org/pdf/4977/497779323003.pdf
- UNITEC (2025). Madrid Quiroz, J. A. «Estrategias para la gestión de pérdidas no técnicas de energía eléctrica en sistemas de medición para grandes consumidores en la zona norte de Honduras». Universidad Tecnológica Centroamericana. https://repositorio.unitec.edu/server/api/core/bitstreams/546a63f4-de1a-46d7-9aad-87b1f89c0820/content
- Ariadna Grid (2026). «Detección de pérdidas». https://www.ariadnagrid.com/es/caso-uso/deteccion-de-perdidas/
¿Este análisis mapea un mercado donde ya operas o estás evaluando entrar?
Revisamos tu caso específico, mapeamos los riesgos que aplican, y te decimos honestamente si es oportunidad para ti —sin pitch comercial, solo discusión técnica y estratégica.
