- Machine Learning y modelos predictivos
- Big Data e ingeniería de datos
- Análisis y visualización de datos
Sistema para priorizar el lavado de postes
La contaminación en los postes de media tensión provoca fallas, pero no se pueden lavar todos a la vez. Construí un sistema que estima el riesgo de cada poste, decide cuántas veces al año conviene lavarlo y arma rutas compactas para que las cuadrillas lleguen primero a los más críticos.
Clasificador XGBoost multiclase sobre 51 673 postes (maestro, inspecciones y lavados) → política de lavados por año, clusters de despacho y rutas con OpenRouteService. Backtest en 17 ventanas: precision@k 0,40 y recall operativo 0,76.
La historia
01 / 04
El problema
La contaminación se acumula en los postes de media tensión y puede provocar fallas. Lavarlos a tiempo las previene.
Sistema de apoyo a la decisión para el lavado de postes de MT: priorizar por criticidad, sugerir la frecuencia anual y despachar cuadrillas.
02 / 04
Por qué es difícil
Son más de 50 000 postes y las cuadrillas solo pueden lavar unos cuantos al día: hay que elegir bien cuáles van primero.
Tres fuentes: maestro de postes, historial de inspecciones y catastro, e historial de lavados; variables históricas, temporales y espaciales.
03 / 04
La idea clave
Un modelo aprende del historial qué postes tienden a contaminarse más y los clasifica: crítico, alto, medio o bajo.
XGBoost multiclase de riesgo técnico, entrenado con la contaminación observada en vez de un objetivo restringido a 90 días, por estabilidad y volumen.
04 / 04
El resultado
Con eso arma el plan del año y rutas compactas para las cuadrillas. En pruebas con datos pasados encontró, en promedio, 3 de cada 4 postes relevantes.
Política: 1–2 lavados al año para la mayoría y 4–6 para una fracción pequeña. Clusters y rutas con OpenRouteService. Backtest en 17 ventanas: precision@k 0,40, recall operativo 0,76.
Qué sigue
Siguiente mejora: recalibrar la política con evidencia de campo y sumar información climática por microzona.
Impacto
- 51 673postes evaluados y clasificados por criticidad cada día
- 10–20%de reducción esperada en las fallas asociadas
- 76%de los postes relevantes recuperados en promedio en el backtest, dentro de la capacidad operativa
- Del modelo a la calle: plan anual, despacho en Excel, mapas y hasta cinco rutas propuestas
Cómo funciona
- Datos. Une tres fuentes: el maestro de postes, el historial de inspecciones y catastro, y el historial de lavados. De ahí salen variables históricas, temporales y espaciales.
- Modelo de riesgo. Un clasificador multiclase con XGBoost asigna a cada poste un nivel de riesgo técnico.
- Política de lavado. El riesgo se traduce en una decisión operativa: criticidad (crítico, alto, medio, bajo), número sugerido de lavados por año y recomendación de intervención. La mayoría de postes queda en 1 o 2 lavados al año; las frecuencias de 4 a 6 se reservan para una fracción pequeña.
- Despacho y rutas. Agrupa los postes priorizados en paquetes geográficamente compactos y propone hasta cinco rutas, trazadas sobre calles reales con OpenRouteService y con retorno a la base.
Validación
- Backtest temporal en 17 ventanas históricas: precision@k promedio de 0,40 y recall operativo promedio de 0,76. Con la capacidad real de las cuadrillas, el sistema encuentra la mayoría de los postes que importan, aunque la precisión puntual varía según el periodo.
- Decisión de diseño: entrenar con la contaminación observada en lugar de un objetivo restringido a los 90 días siguientes, para ganar estabilidad y volumen de entrenamiento.
Detalles técnicos
- Productos que genera: puntaje diario de todo el universo de postes, plan anual, archivos CSV y Excel de despacho, mapas HTML de criticidad y rutas.
- Siguiente mejora: recalibrar la política con evidencia de campo y sumar información ambiental y climática por microzona.