Se han propuesto varios enfoques para detectar cualquier manipulación maliciosa causada por defraudadores de electricidad. Algunos de los enfoques significativos son los algoritmos de Aprendizaje Automático y los métodos basados en datos que han mostrado ventajas en comparación con los métodos tradicionales, y se están volviendo predominantes en los últimos años. En este estudio, se introduce un método novedoso para detectar la pérdida fraudulenta de NTL en las redes inteligentes en un proceso de detección de dos etapas. En la primera etapa, las lecturas de series temporales se enriquecen agregando un nuevo conjunto de características extraídas de la detección de patrones de saltos repentinos en el consumo de electricidad y el modelo autorregresivo integrado de media móvil (ARIMA). En la segunda etapa, el bosque aleatorio distribuido (DRF) genera el modelo aprendido. El modelo propuesto se aplica al conjunto de datos público de SGCC, y los resultados del enfoque han reportado un 98% de precisión y puntuación F1. Tales resultados superan a los otros métodos de vanguardia recientemente informados para la detección de NTL que se aplican al mismo conjunto de datos de SGCC.