Aplicación Práctica / Practical Issues
Recibido: 04-05-2026, Aprobado tras revisión: 16-07-2026
Forma sugerida de citación: Del Hierro, C.; Espinosa, V.; Enríquez, J.; Panchi, D.; Bravo, A. (2026). “Metodología para la
Validación Metrológica de Señales SCADA/EMS mediante Comparación con Mediciones Comerciales de Referencia” . Revista
Técnica “energía”. No. 23, Issue I, Pp. 65-78
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
Doi: https://doi.org/10.37116/revistaenergia.v23.n1.2026.767
© 2026 Autores Esta publicación está bajo una licencia internacional Creative Commons Reconocimiento –
No Comercial 4.0
A Metrological Validation Methodology for SCADA/EMS Signals via
Comparison with Reference Revenue Metering Systems
Metodología para la Validación Metrológica de Señales SCADA/EMS
mediante Comparación con Mediciones Comerciales de Referencia
C. Del Hierro1
0000-0001-5795-0312
V. Espinosa1
0009-0008-5059-0957
J.C. Enríquez1
0000-0002-3711-9588
D.M. Panchi1
0000-0003-2701-531X
A.B. Bravo2
0009-0004-3059-5786
1 Operador Nacional de Electricidad, CENACE, Quito, Ecuador
E-mail: cdhierro@cenace.gob.ec, jenriquez@cenace.gob.ec,
vespinosa@cenace.gob.ec, dpanchi@cenace.gob.ec,
2Universidad de las Fuerzas Armadas, ESPE, Sangolquí, Ecuador
E-mail: abbravo1@espe.edu.ec
Abstract
The reliability of real-time power system supervision
depends on the accuracy of SCADA/EMS telemetry.
Unlike commercial metering systems, which are subject to
periodic verification under stricter metrological
requirements, operational telemetry is not always assessed
with the same frequency, which may affect the quality of
the data used for monitoring and operation. This paper
presents a methodology for the metrological validation of
SCADA/EMS signals through systematic comparison with
higher-accuracy records from the Commercial Metering
System. The study considered active and reactive power
time series from approximately 920 signals, using a
temporal alignment procedure for asynchronous sources
and a multivariable statistical assessment based on
percentage accuracy, linear regression parameters, and the
Pearson correlation coefficient. A C4.5-based classifier
was also used as a complementary tool for signal
classification. The results show that, although a large
portion of the analyzed telemetry exhibits high trend
consistency with respect to commercial reference, the
proposed methodology enables the identification of
anomalies such as polarity inversions, scaling errors, and
frozen signals. The classifier achieved an overall accuracy
of 79.10% and a sensitivity of 87.60% for detecting out-of-
compliance signals. These results support the proposed
approach as an analytical basis for prioritizing technical
inspections and supporting compliance assessment under
ARCONEL Regulation 003/16.
Index terms— SCADA/EMS, metrological validation,
data quality, Pearson correlation.
65
Edición No. 22, Issue II, Enero 2026
1. INTRODUCCIÓN
La calidad de las mediciones es un elemento central
para la supervisión y la operación segura de los sistemas
eléctricos de potencia. Tradicionalmente, los centros de
control han dependido de los datos adquiridos mediante
sistemas SCADA para mantener la visibilidad del estado
de la red y apoyar la toma de decisiones operativas [1].
En este contexto, aplicaciones como la estimación de
estado requieren información precisa y oportuna para
representar adecuadamente las condiciones del sistema
[2]. Dado que los sistemas eléctricos modernos suelen
operar cerca de sus límites técnicos, la integridad de los
datos de campo resulta determinante para reducir
vulnerabilidades ante disturbios y sostener una operación
confiable.
No obstante, la infraestructura SCADA basada en
unidades terminales remotas (RTU) presenta
limitaciones frente a tecnologías de medición más
recientes. Entre ellas se encuentran sus tasas de
actualización relativamente lentas y la ausencia de
sincronización temporal de alta precisión, lo que
restringe su capacidad para representar fenómenos
dinámicos del sistema [1]. En contraste, las unidades de
medición fasorial (PMU) y, en determinados contextos,
la infraestructura de medición avanzada (AMI), ofrecen
datos con mayor resolución temporal y mejores
capacidades de sincronización. La coexistencia de estas
fuentes introduce desafíos asociados a la asincronía, al
sesgo temporal y a las diferencias en las magnitudes
medidas, lo que complica la construcción de una
representación coherente del sistema en un mismo
instante de análisis [1], [2].
La literatura reciente ha abordado estos problemas
principalmente desde la integración de múltiples fuentes
de medición. Una parte importante de los trabajos se ha
concentrado en la estimación de estado híbrida (HSE),
con el propósito de mejorar la observabilidad y la
redundancia mediante la combinación de datos SCADA
y PMU [3]. De forma complementaria, estudios sobre
medidores inteligentes y AMI han mostrado el potencial
de estas tecnologías para incrementar la calidad de la
información disponible y apoyar tareas de monitoreo,
diagnóstico y detección de anomalías [4]. Sin embargo,
la mayor parte de estos enfoques se orienta a mejorar el
desempeño de la estimación o de la infraestructura de
medición, más que a establecer procedimientos
sistemáticos de validación metrológica de la telemetría
operativa SCADA mediante comparación con una
referencia comercial de mayor exactitud [2], [4], [5].
En el Sector Eléctrico Ecuatoriano, este problema
adquiere relevancia adicional por su vínculo con los
requerimientos regulatorios vigentes. La Regulación No.
ARCONEL–003/16 establece que las mediciones
analógicas utilizadas para la supervisión en tiempo real
deben cumplir una clase de precisión del 1 % o menor.
Por su parte, la Regulación No. ARCONEL–001/16,
correspondiente al Sistema de Medición Comercial,
exige para los puntos de frontera equipos de mayor
exactitud, con clases de precisión de 0.2 % o 0.5 % [6],
[7]. Aunque la normativa contempla procesos de
auditoría y verificación de mediciones, estos se han
desarrollado tradicionalmente bajo esquemas periódicos
o manuales.
A partir de esta diferencia entre la precisión exigida a
la telemetría operativa y la requerida al sistema de
medición comercial, se observa una atención limitada al
desarrollo de metodologías aplicadas para la validación
metrológica automatizada de señales SCADA/EMS
mediante su contraste con mediciones comerciales de
mayor exactitud [8]. En consecuencia, este artículo
presenta una metodología basada en análisis estadístico
comparativo para evaluar la consistencia de señales
SCADA/EMS e identificar posibles desviaciones de
magnitud y errores de configuración. El alcance del
estudio comprende el análisis de aproximadamente 920
señales de potencia activa y reactiva, a partir de su
comparación con registros comerciales de referencia
integrados en intervalos de 15 minutos, correspondientes
al periodo octubre-diciembre de 2025. El resto del
manuscrito se organiza de la siguiente manera: la Sección
II describe los materiales y métodos, la Sección III
presenta los resultados, la Sección IV desarrolla la
discusión técnica y la Sección V expone las conclusiones.
2. MATERIALES Y MÉTODOS
2.1. Captura y Procesamiento de los datos
La fuente primaria de información del sistema
SCADA/EMS corresponde a la telemetría adquirida en
las instalaciones del Sistema Nacional Interconectado,
tanto en subestaciones como en centrales de generación,
de acuerdo con los requerimientos establecidos en la
Regulación ARCONEL 003/16. La arquitectura de
adquisición de datos sigue la estructura funcional
definida en la norma IEC 61850, la cual está conformada
por los siguientes niveles:
• Nivel 3: Centro de Control.
• Nivel 2: Sistemas SCADA locales.
• Nivel 1: Sistemas de protección, control y auto-
matización.
• Nivel 0: Equipos de proceso y dispositivos de me-
dición en campo.
Las mediciones provenientes del SCADA/EMS son
almacenadas en el subsistema histórico del sistema.
Dependiendo de la configuración de cada punto de
medición y del protocolo de comunicación utilizado, los
66
Del Hierro et al. / Metodología para la validación de señales SCADA/EMS con mediciones comerciales de referencia
datos pueden registrarse mediante actualización
periódica, generalmente cada cuatro segundos, o por
excepción cuando la variación de la señal supera el valor
de banda muerta configurado.
Como parte de las funcionalidades propias del
histórico, el sistema dispone de herramientas de
compresión e interpolación que permiten consultar las
variables con una resolución uniforme de 15 minutos.
Esta resolución fue utilizada en el presente trabajo para
realizar la comparación con la información proveniente
del Sistema de Medición Comercial.
La fuente de referencia utilizada corresponde al
Sistema de Medición Comercial, cuya adquisición de
datos se realiza conforme a la Regulación ARCONEL
001/16. En este sistema, el registrador de energía
constituye el elemento principal de medición y
proporciona información al sistema de adquisición
comercial, donde las variables quedan almacenadas con
una resolución de 15 minutos. Para este estudio se
utilizaron únicamente las mediciones de potencia activa
y potencia reactiva.
La comparación entre ambas fuentes fue desarrollada
mediante una aplicación implementada en Python, la cual
utiliza un diccionario de correspondencia para relacionar
cada señal del sistema SCADA/EMS con su respectiva
medición en el Sistema de Medición Comercial. Para el
acceso y procesamiento de la información se emplearon
bibliotecas como Pandas y NumPy para el manejo de
series temporales, SQLAlchemy para la consulta de las
bases de datos y Pythonet para la obtención de
información del histórico SCADA/EMS.
Una vez obtenidas las mediciones, la aplicación
realiza de forma automática la alineación temporal de las
series, el cálculo de las métricas estadísticas, el análisis
de regresión lineal y la clasificación de las señales
mediante el algoritmo C4.5, siguiendo la metodología
presentada en la Fig. 1.
2.2. Fuente y naturaleza de los datos
Para la evaluación de la consistencia metrológica se
emplearon dos conjuntos de datos provenientes de la
infraestructura de supervisión del Sistema Nacional
Interconectado del Ecuador. El primero correspondió a la
telemetría operativa adquirida por el sistema
SCADA/EMS a través de unidades terminales remotas
(RTU) y dispositivos electrónicos inteligentes (IED).
Estas mediciones analógicas se utilizan para la
supervisión en tiempo real del sistema y, de acuerdo con
la normativa vigente, deben cumplir una clase de
precisión del 1 % [7].
El segundo conjunto de datos correspondió al Sistema
de Medición Comercial, utilizado en este estudio como
fuente de referencia de mayor exactitud. Estos registros
provienen de medidores comerciales con clases de
precisión de  [6], por lo que constituyen
una base adecuada para la comparación con la telemetría
operativa.
2.3. Variables analizadas
El análisis se centró en dos variables relevantes para
la supervisión y operación del sistema eléctrico: potencia
activa (P) y potencia reactiva (Q). Para el caso de estudio
se consideró un conjunto aproximado de 920 señales,
correspondientes a distintos puntos del sistema eléctrico.
La selección de estas variables permite evaluar tanto la
exactitud de la magnitud medida como la consistencia del
comportamiento temporal entre la telemetría
SCADA/EMS y la medición comercial de referencia [1].
2.4. Correspondencia y alineación temporal entre
fuentes
Para garantizar que la comparación se realizara sobre
el mismo punto físico del sistema, se empleó un
diccionario de correspondencia entre las señales
operativas del SCADA/EMS y los registros del sistema
de medición comercial. Este mecanismo vinculó cada
etiqueta operativa con su respectivo identificador en la
fuente comercial, permitiendo construir pares de señales
equivalentes para el análisis.
Figura 1: Metodología propuesta para la validación
metrológica de señales SCADA/EMS
67
Edición No. 22, Issue II, Enero 2026
Debido a la diferencia de resolución temporal entre
ambas fuentes, la alineación se realizó tomando como
referencia la estampa de tiempo quinceminutal del
sistema de medición comercial. Para armonizar las series,
la telemetría operativa SCADA/EMS fue interpolada
sobre la escala temporal de 15 minutos utilizada por el
Sistema de Medición Comercial, de modo que cada
registro pudiera compararse con el valor correspondiente
en un instante temporal equivalente. Este procedimiento
permitió construir pares de datos comparables para cada
punto de medición y realizar la evaluación estadística
entre ambas fuentes [8].
Figura 2: Esquema de alineación temporal entre telemetría
SCADA/EMS y registros comerciales
2.5. Criterios de selección, exclusión y depuración de
señales
Antes de aplicar las métricas de comparación, se
realizó un proceso de depuración sobre el conjunto de
señales analizadas. Este proceso tuvo como finalidad
excluir aquellos registros que no permitieran una
comparación estadísticamente representativa entre la
telemetría operativa y la medición comercial.
Entre los criterios de exclusión se consideraron las
señales identificadas como congeladas, entendidas como
aquellas que no presentan variación entre registros
consecutivos durante el periodo evaluado. Asimismo, se
excluyeron del análisis de correlación los casos en los
que la magnitud de potencia permaneció de forma
persistente en valores muy bajos o con escasa variación,
ya que la ausencia de dinámica impide evaluar
adecuadamente la relación lineal entre ambas fuentes. De
igual forma, se descartaron los registros que no cumplían
las condiciones mínimas de consistencia para ser
comparados entre sí.
2.6. Conceptos de evaluación metrológica
Con el fin de facilitar la interpretación de los
resultados presentados en las secciones siguientes, se
describen brevemente algunos conceptos utilizados
durante la evaluación de la consistencia entre las
mediciones del sistema SCADA/EMS y el Sistema de
Medición Comercial
Exactitud. En metrología [10], la exactitud expresa
el grado de concordancia entre un valor medido y un
valor de referencia. En este trabajo, las mediciones
provenientes del Sistema de Medición Comercial se
consideran como referencia para evaluar el
comportamiento de las señales del sistema
SCADA/EMS, debido a que cumplen con los requisitos
establecidos para la medición comercial de energía.
Precisión porcentual [10]. Para este estudio, la
precisión se expresa como el error porcentual existente
entre la medición SCADA/EMS y la medición de
referencia. Este indicador permite cuantificar la
diferencia entre ambas fuentes de información y verificar
el cumplimiento del límite de ±1,5 % establecido por la
regulación vigente para las señales analizadas.
Sesgo y error de escala [10]. Durante la comparación
entre ambas fuentes pueden presentarse diferencias
sistemáticas asociadas a problemas de parametrización,
configuración o transformación de señales. Estas
diferencias se analizan mediante la regresión lineal,
donde el intercepto permite identificar posibles sesgos y
la pendiente evidencia desviaciones asociadas a errores
de escala.
Correlación lineal [10]. El coeficiente de correlación
de Pearson se utiliza para evaluar el grado de asociación
lineal entre las series temporales del sistema
SCADA/EMS y las mediciones comerciales. Valores
cercanos a uno indican que ambas señales presentan un
comportamiento similar a lo largo del tiempo, mientras
que valores bajos pueden evidenciar inconsistencias en la
medición o en la configuración de la señal.
Con el propósito de evitar ambigüedades, en este
artículo el término precisión porcentual hace referencia
exclusivamente a la evaluación metrológica de las
mediciones. Por otra parte, el desempeño del algoritmo
de clasificación se evalúa mediante métricas propias del
aprendizaje automático, como la exactitud (accuracy), la
matriz de confusión y el estadístico Kappa, las cuales se
describen en la Sección 2.9.
2.7. Métricas para la evaluación de la consistencia
metrológica
La evaluación de la consistencia metrológica se basó
en un conjunto de métricas orientadas a cuantificar tanto
la diferencia de magnitud entre la medición SCADA y la
referencia comercial como el comportamiento conjunto
de ambas señales en el tiempo. Para ello, se emplearon
las siguientes métricas.
La precisión puntual, denotada como , se definió
como el valor absoluto de la diferencia entre la medición
SCADA y la medición de referencia en un instante ,
conforme a la ecuación (1):
 
(1)
68
Del Hierro et al. / Metodología para la validación de señales SCADA/EMS con mediciones comerciales de referencia
A partir de esta definición, la precisión promedio 
se calculó para una serie temporal de longitud como el
promedio de las diferencias absolutas entre ambas
mediciones, según la ecuación (2):

 

(2)
Por su parte, la precisión porcentual promedio
se evaluó como el error relativo promedio con
respecto a la magnitud de referencia, tal como se expresa
en la ecuación (3):

󰈅 
 󰈅
 
(3)
Con el fin de analizar la relación entre ambas fuentes
de medición, se empleó además un modelo de regresión
lineal, presentado en la ecuación (4), donde representa
la medición SCADA y la referencia comercial:

(4)
A partir de este modelo se obtuvieron el bias 󰇛󰇜,
asociado al desplazamiento sistemático de la señal, y la
pendiente 󰇛󰇜, utilizada para identificar posibles errores
de escala.
Para el análisis global de la consistencia tendencial,
el coeficiente de correlación se agrupó operativamente en
tres categorías basadas en su valor absoluto, alta
correlación, baja correlación y sin correlación, según el
criterio mostrado en la Tabla 1. El signo de se analizó
de manera complementaria en los casos particulares, con
el fin de identificar anomalías asociadas a inversión de
polaridad.
Tabla 1: Criterio de clasificación del grado de correlación entre
mediciones SCADA/EMS y Sistema de Medición Comercial
Valor de
Categoría

Alta correlación
<
Baja correlación
= o =
Sin correlación
2.8. Criterio regulatorio de cumplimiento aplicado al
análisis
La evaluación del cumplimiento se estableció con
base en el umbral de 1 % exigido para la telemetría
operativa por la Regulación ARCONEL 003/16 [7]. En
función de este criterio, el estado de cada señal se definió
mediante una categorización binaria sustentada en la
precisión porcentual promedio, calculada según la
ecuación (3):
CUMPLE: si la precisión porcentual es .
NO CUMPLE: si la precisión porcentual es .
Con el propósito de fortalecer la interpretación de los
resultados, esta clasificación se complementó con el
análisis de regresión lineal y del coeficiente de
correlación de Pearson, de modo que la evaluación no se
sustentara únicamente en una sola métrica de error, sino
también en la relación funcional y en la concordancia
temporal entre las señales comparadas.
2.9. Clasificación de señales mediante árbol de
decisión
Como complemento del análisis estadístico, se
empleó un árbol de decisión C4.5 para apoyar la
clasificación automática de las señales según su
condición de cumplimiento. El modelo utilizó como
variables de entrada el bias (), la pendiente () y el
coeficiente de correlación (), obtenidos a partir del
análisis descrito en la Sección 2.7. La variable objetivo
correspondió a la clasificación de las señales en las
categorías Cumple y No cumple, de acuerdo con el
criterio regulatorio establecido en la Sección 2.8.
La implementación del clasificador se realizó
mediante la herramienta WEKA (Waikato Environment
for Knowledge Analysis), utilizando el algoritmo J48,
implementación del algoritmo C4.5 propuesta por
Quinlan para la construcción de árboles de decisión a
partir de atributos continuos y categóricos [11], [12].
La evaluación del clasificador se realizó
considerando la exactitud de clasificación (accuracy) y el
estadístico Kappa (κ). Mientras la exactitud representa la
proporción de registros correctamente clasificados, el
estadístico Kappa cuantifica el nivel de concordancia
entre las clases predichas y las clases reales, descontando
la concordancia atribuible al azar [12]. Esta métrica
continúa siendo ampliamente utilizada para evaluar
modelos de clasificación y la concordancia entre
observadores y sistemas automáticos en aplicaciones
recientes de aprendizaje automático [13]. En este trabajo,
el valor de Kappa fue obtenido automáticamente a partir
de la matriz de confusión generada por WEKA y se
utilizó como una métrica complementaria para evaluar la
confiabilidad del proceso de clasificación.
2.10 Entorno de implementación y desempeño
computacional
La metodología propuesta fue desarrollada para
ejecutarse de forma automática como parte del proceso
diario de validación de las señales del sistema
SCADA/EMS. En cada ciclo de ejecución se realiza la
69
Edición No. 22, Issue II, Enero 2026
adquisición de las mediciones correspondientes al
período de análisis, la correspondencia entre las fuentes
de información, la alineación temporal de los registros, el
cálculo de las métricas estadísticas y la clasificación
automática mediante el árbol de decisión C4.5.
Considerando un intervalo de muestreo de 15
minutos, cada señal genera 96 registros diarios. Para el
conjunto aproximado de 920 señales analizado en este
estudio, la aplicación procesa alrededor de 88 mil
registros por ejecución, realizando automáticamente el
cálculo de las métricas estadísticas, la evaluación del
criterio regulatorio y la clasificación de las señales.
La herramienta fue desarrollada en Python, utilizando
procesamiento paralelo para optimizar el análisis
simultáneo de múltiples señales, mientras que la etapa de
clasificación fue implementada mediante el algoritmo
J48 de la plataforma WEKA. A partir de los registros de
ejecución de la aplicación, el tiempo promedio requerido
para completar un ciclo diario fue de aproximadamente
10 min 50 s, lo que demuestra que la metodología es
adecuada para su aplicación operativa en un entorno de
supervisión en tiempo real.
Tabla 2: Características de la implementación y desempeño
computacional
Parámetro
Valor
Frecuencia de ejecución
Diaria
Resolución temporal
15 min
Señales analizadas por ejecución
≈920
Registros por señal
96
Registros procesados por ejecución
≈88 320
Lenguaje de programación
Python 3
Clasificador
WEKA (J48 – C4.5)
Estrategia de procesamiento
Paralelo (6 hilos)
Tiempo promedio de ejecución
≈10 min 50 s
3. RESULTADOS
3.1. Evaluación de la integridad global de la
telemetría operativa
El análisis inicial de la consistencia metrológica se
realizó sobre un conjunto de aproximadamente 920
señales operativas del sistema SCADA/EMS,
comparándolas con los registros de referencia del sistema
de medición comercial. Los hallazgos consolidados en la
Fig. 3 indican que una proporción del 54.5% de las
señales analizadas presenta una asociación lineal
clasificada como alta correlación. Este resultado sugiere
un seguimiento tendencial adecuado de la dinámica de
carga en la mayoría de los puntos monitoreados del
sistema. Para fines de presentación de resultados, la
clasificación del coeficiente de correlación se realizó
mediante la agrupación operativa definida en la Tabla 1.
Figura 3: Resumen general de clasificación de correlación según el
criterio operativo basado en
Por otro lado, las señales identificadas con
correlación nula corresponden a casos en los que los
registros de potencia se mantuvieron en valores cercanos
a cero o en estado congelado durante el periodo de
evaluación, lo que limita el cálculo de la asociación lineal
sin implicar necesariamente una falla del equipo de
medición.
3.2. Comportamiento diferencial por naturaleza de la
magnitud (P vs. Q)
Con el fin de observar si el tipo de magnitud influye
en la calidad del reporte operativo, se desagregaron los
resultados comparando 460 señales de potencia activa
󰇛󰇜 frente a 460 señales de potencia reactiva 󰇛󰇜. Al
contrastar la Fig. 4(a) con la Fig. 4(b), se observa un
comportamiento más favorable en las señales de potencia
activa, las cuales concentraron una mayor proporción de
casos con correlación elevada frente a la referencia
comercial. Los datos muestran que las señales de
potencia activa mantienen niveles de correlación más
elevados y estables frente a la referencia comercial. En
contraste, las señales de potencia reactiva presentan una
mayor variabilidad en sus indicadores de consistencia, lo
que indica que el comportamiento metrológico no fue
uniforme entre ambas magnitudes.
70
Del Hierro et al. / Metodología para la validación de señales SCADA/EMS con mediciones comerciales de referencia
(a)
(b)
Figura 4: Clasificación del grado de correlación entre señales
SCADA/EMS y Sistema de Medición Comercial para las
magnitudes analizadas: (a) potencia activa y (b) potencia reactiva,
según el criterio operativo basado en
3.3. Análisis de distribución de la fidelidad
metrológica
La caracterización del desempeño de la telemetría se
complementó mediante el análisis de la distribución del
valor absoluto del coeficiente de correlación de Pearson,
en intervalos de amplitud 0.1. Como se muestra en la
Fig. 5, se observa una alta concentración de registros en
los intervalos superiores, particularmente en el rango
. Esta distribución indica que, para una
proporción importante del conjunto analizado, existe una
fuerte asociación lineal entre la telemetría operativa y la
fuente de referencia comercial.
No obstante, el histograma también evidencia la
presencia de señales distribuidas en intervalos bajos de
, lo que revela la existencia de casos con débil
correspondencia lineal entre ambas fuentes de medición.
Estos registros representan los casos de mayor desviación
estadística dentro del conjunto analizado y son
examinados con mayor detalle en las secciones
siguientes.
Debe señalarse que, al emplear , esta
representación permite evaluar la intensidad de la
asociación lineal, pero no distingue entre correlaciones
positivas y negativas. Por esta razón, la identificación de
anomalías asociadas a inversión de signo requirió un
análisis complementario del valor y signo del coeficiente
de correlación en los casos particulares.
Figura 5: Histograma del valor absoluto del coeficiente de
correlación de Pearson,
3.4. Caso representativo de cumplimiento metrológico
El comportamiento esperado de una señal metrológi-
camente consistente se caracteriza por la combinación de
un error de magnitud reducido y una alta asociación li-
neal con respecto a la referencia comercial. En la Fig. 6
se presenta un caso representativo de cumplimiento, en el
cual se observa un coeficiente de correlación muy alto
y un error relativo medio de 0.71%, valor in-
ferior al umbral regulatorio del 1%.
La Fig. 6(a) muestra la relación entre la medición
operativa y la referencia comercial, junto con su ajuste de
regresión lineal. La cercanía de los datos a la recta de
ajuste evidencia una correspondencia prácticamente li-
neal entre ambas fuentes. Por su parte, la Fig. 6(b) mues-
tra la evolución temporal de ambas señales, donde se
aprecia que la telemetría operativa reproduce adecuada-
mente tanto la magnitud como la dinámica temporal re-
gistradas por la medición comercial.
71
Edición No. 22, Issue II, Enero 2026
(a)
(b)
Figura 6: Caso representativo de cumplimiento metrológico: (a)
relación entre la medición operativa y la referencia comercial con
ajuste de regresión lineal; (b) comparación temporal entre ambas
señales
Desde el punto de vista estadístico, este patrón cons-
tituye el comportamiento de referencia frente al cual se
comparan los demás casos analizados. Su importancia ra-
dica en que representa una condición en la que la señal
no solo satisface el criterio regulatorio de cumplimiento,
sino que además conserva la variabilidad temporal de la
magnitud supervisada. En términos de validación metro-
lógica, este tipo de respuesta corresponde al escenario es-
perado para aplicaciones de supervisión y análisis opera-
tivo.
3.5. Disociación entre seguimiento tendencial y exac-
titud de magnitud
Uno de los hallazgos relevantes del estudio fue la
identificación de señales que presentan una asociación li-
neal alta con la referencia comercial, pero errores de
magnitud claramente superiores al umbral regulatorio.
Este comportamiento se observa en la Fig. 7, donde se
registra un coeficiente de correlación de 
acompañado de un error relativo medio de 6.09%, valor
que xcede el límite de cumplimiento establecido.
La Fig. 7(a) muestra que, aunque los datos siguen una
tendencia lineal definida, la relación entre ambas medi-
ciones no coincide con la referencia ideal, lo que eviden-
cia una discrepancia sistemática en magnitud. De manera
complementaria, la Fig. 7(b) permite observar que la se-
ñal operativa reproduce de forma general la evolución
temporal de la referencia comercial, pero mantiene dife-
rencias persistentes en varios intervalos de la serie.
(a)
(b)
Figura 7: Caso representativo de asociación lineal alta y error de
magnitud superior al umbral regulatorio: (a) relación entre la
medición operativa y la referencia comercial con ajuste lineal; (b)
comparación temporal entre ambas señales
72
Del Hierro et al. / Metodología para la validación de señales SCADA/EMS con mediciones comerciales de referencia
Este resultado pone de manifiesto que una correlación
alta no es suficiente, por sí sola, para validar metrológi-
camente una señal. Aunque la tendencia temporal se con-
serva, el nivel de error observado sugiere la presencia de
una desviación sistemática compatible con un error de es-
cala o parametrización. En términos prácticos, este tipo
de comportamiento es especialmente relevante, ya que
podría considerarse aceptable si la evaluación se limitara
únicamente al seguimiento tendencial, a pesar de no sa-
tisfacer los criterios de exactitud exigidos para su uso
operativo.
3.6. Registros con correlación nula y señales congela-
das
La metodología también permitió identificar señales
cuya respuesta temporal resulta incompatible con la di-
námica observada en la referencia comercial. La Fig. 8
presenta un caso representativo de esta condición, carac-
terizado por un coeficiente de correlación prácticamente
nulo  y un error relativo medio de 5.70%, va-
lor superior al umbral de cumplimiento establecido.
La Fig. 8(a) muestra una dispersión sin tendencia lineal
apreciable entre la medición operativa y la referencia co-
mercial, lo que refleja la ausencia de correspondencia en-
tre ambas fuentes. De forma complementaria, la Fig. 8(b)
evidencia que la señal operativa permanece práctica-
mente constante durante el periodo de análisis, mientras
la medición de referencia presenta variaciones tempora-
les apreciables en el mismo punto del sistema.
(a)
(b)
Figura 8: Caso representativo de correlación nula y señal
congelada: (a) relación entre la medición operativa y la referencia
comercial; (b) comparación temporal entre ambas señales
Desde la perspectiva de la validación metrológica,
este patrón resulta especialmente relevante, ya que pone
de manifiesto una pérdida de utilidad operativa de la se-
ñal, aun cuando el punto de medición continúe existiendo
físicamente en el sistema. La ausencia de variación im-
pide representar el comportamiento real de la magnitud
supervisada y, en consecuencia, limita su uso para super-
visión, análisis y seguimiento en tiempo real. Este tipo de
casos justifica su tratamiento diferenciado dentro del pro-
cedimiento de depuración y evaluación de consistencia
metrológica.
3.7. Anomalías de polaridad e inversión de signo
Entre los comportamientos más críticos identificados
en el estudio se encuentran las señales con correlación
negativa fuerte, cuya respuesta temporal evoluciona en
sentido opuesto al de la referencia comercial. Este patrón
se observa en la Fig. 9, donde se registra un coeficiente
de correlación de , acompañado de un error
relativo medio de 199.90%. En este caso, el incremento
de la magnitud en la referencia comercial corresponde a
una disminución de la señal operativa, lo que evidencia
una asociación lineal inversa entre ambas fuentes.
La Fig. 9(a) muestra que la nube de puntos sigue una
tendencia lineal claramente definida, pero con pendiente
negativa respecto al comportamiento esperado. De forma
complementaria, la Fig. 9(b) permite observar que ambas
señales conservan una evolución temporal similar en tér-
minos de forma, aunque con signo opuesto durante todo
el periodo analizado. Este resultado indica que no se trata
de una pérdida aleatoria de exactitud, sino de una incon-
sistencia sistemática compatible con una inversión de po-
laridad o de signo en la cadena de medición.
73
Edición No. 22, Issue II, Enero 2026
(a)
(b)
Figura 9: Caso representativo de correlación negativa fuerte e
inversión de signo: (a) relación entre la medición operativa y la
referencia comercial; (b) comparación temporal entre ambas
señales
La capacidad diagnóstica de la metodología se apre-
cia con mayor claridad en la Fig. 10, donde se presenta el
mismo caso una vez corregido analíticamente el signo de
la señal. Tras esta corrección, la correspondencia entre
ambas series mejora de manera sustancial, alcanzando un
coeficiente de correlación de  y un error rela-
tivo medio de 0.18%, valor compatible con el criterio de
cumplimiento adoptado en el estudio.
La comparación entre ambas figuras confirma que la
anomalía detectada no estaba asociada a ruido aleatorio
ni a una pérdida general de seguimiento temporal, sino a
una inversión de signo. En este sentido, el método pro-
puesto permite diferenciar entre discrepancias de magni-
tud, señales congeladas y anomalías de polaridad, lo que
refuerza su utilidad como herramienta para la evaluación
de consistencia metrológica en entornos operativos.
Figura 10: Caso representativo del mismo registro una vez corre-
gida la inversión de signo
3.8. Desempeño del clasificador de cumplimiento me-
trológico
Como complemento del análisis estadístico descrip-
tivo, se evaluó un clasificador basado en el algoritmo
C4.5 para sistematizar la verificación del cumplimiento
de la Regulación ARCONEL 003/16. El modelo permite
establecer reglas de decisión a partir de las métricas cal-
culadas para cada señal y clasificarlas según su condición
de cumplimiento. En la Fig. 11, se presenta la estructura
del árbol generado, en la que el coeficiente de correlación
󰇛󰇜 aparece como uno de los atributos más influyentes en
la separación entre señales que cumplen y no cumplen
con el umbral de precisión del 1 %.
Figura 11: Árbol de decisión C4.5 para clasificación de
cumplimiento metrológico
74
Del Hierro et al. / Metodología para la validación de señales SCADA/EMS con mediciones comerciales de referencia
La evaluación global del modelo se resume en la Ta-
bla 2. El clasificador alcanzó una precisión global de
 mientras que el estadístico Kappa fue de 
lo que indica una concordancia, moderada entre la clasi-
ficación automática y el criterio de referencia utilizado en
el estudio. En conjunto, estos resultados muestran que la
combinación de correlación, sesgo y pendiente aporta in-
formación útil para la clasificación de señales.
Tabla 3: Evaluación global del modelo C4.5
Métrica
Valor
Interpretación
Clasificados
Correctamente
79,10%
El modelo es útil,
prediciendo el 79% de los
casos para evaluar el
cumplimiento regulatorio.
(Precisión del 1%)
Estadístico Kappa
0,465
Indica una concordancia
moderada Kappa (aprox.
0.4-0.6) entre el modelo y
la realidad, lo que confirma
que las variables de
Regresión Lineal sí tienen
poder predictivo, pero no
perfecto.
El detalle de aciertos y errores se presenta en la matriz
de confusión de la Tabla 3. En ella se observa que el mo-
delo identificó correctamente 461 señales de la clase NO
CUMPLE, lo que evidencia una capacidad importante
para discriminar registros con posibles incumplimientos
metrológicos dentro del conjunto analizado.
Tabla 4: Matriz de confusión del modelo C4.5
Clasificación: NO
CUMPLE
Clasificación:
CUMPLE
Real: NO
CUMPLE
461 (Verdaderos
positivos)
65 (Falsos negativos)
Real:
CUMPLE
88 (Falsos
positivos)
118 (Verdaderos
negativos)
Por su parte, la Tabla 4 muestra las métricas de
desempeño por clase. El valor de Recall para la categoría
NO CUMPLE fue de 87,60 %, lo que indica una sensibi-
lidad elevada para detectar señales fuera del umbral re-
gulatorio. Este resultado refuerza la utilidad del clasifica-
dor como apoyo para priorizar la revisión de señales con
posibles desviaciones respecto de la referencia comer-
cial.
Tabla 5: Métricas detalladas del modelo C4.5
Clase
Recall (Capacidad
de Encontrar)
Precisión (Fiabilidad
de la Predicción)
NO CUMPLE
87,60%
84,00%
CUMPLE
57,30%
64,50%
4. DISCUSIÓN
4.1. Evaluación de la fidelidad operativa y su impacto
en la supervisión
Los resultados obtenidos muestran que, aunque una
proporción mayoritaria de las señales presenta una
asociación lineal fuerte con la referencia comercial (Fig.
3), la presencia de una dispersión apreciable en los rangos
inferiores de correlación indica que la supervisión del
Sistema Nacional Interconectado no puede apoyarse
únicamente en la presunción de exactitud de los equipos
de campo. Este hallazgo es coherente con la literatura,
que señala que el desempeño de las funciones avanzadas
de supervisión depende del conocimiento de la calidad y
del error asociado a cada fuente de medición [1], [2].
La concentración predominante de registros con
 (Fig. 5) sugiere un desempeño globalmente
favorable de la infraestructura de adquisición SCADA.
Sin embargo, la existencia de señales atípicas y de
registros fuera de norma confirma que el sistema sigue
siendo sensible a mediciones inconsistentes, las cuales
pueden afectar la representación operativa del estado de
la red [2]. En este sentido, la principal implicación del
análisis global no es cuestionar la utilidad del SCADA,
sino mostrar la necesidad de complementar su operación
con procedimientos de verificación sistemática basados
en datos.
4.2. Valor de combinar precisión, correlación y
regresión
Uno de los aportes más relevantes del estudio es
mostrar que el cumplimiento del límite de precisión del
1% establecido en la Regulación ARCONEL 003/16
constituye una condición necesaria, pero no suficiente,
para caracterizar la calidad de la telemetría en
aplicaciones dinámicas. Los casos analizados en los
resultados evidencian que una señal puede mantener un
error de magnitud reducido y, aun así, presentar un
seguimiento tendencial deficiente respecto de la
referencia comercial. Esto indica que una evaluación
basada solo en el error porcentual puede ocultar
comportamientos problemáticos en la respuesta temporal
de la señal.
75
Edición No. 22, Issue II, Enero 2026
La incorporación conjunta del coeficiente de
correlación y de los parámetros de regresión lineal 󰇛󰇜
permitió ampliar el análisis más allá de la exactitud
puntual. Mientras la precisión porcentual cuantifica la
desviación de magnitud, la correlación permite evaluar el
seguimiento temporal, y la regresión aporta información
útil para distinguir sesgos o errores de escala. Esta
combinación resulta especialmente pertinente en
contextos donde se comparan fuentes heterogéneas con
distinta resolución temporal y distinta exactitud, un
problema que ya ha sido identificado en la literatura
sobre integración de mediciones en sistemas eléctricos
[1], [2], [9].
4.3. Significado técnico de las anomalías detectadas
Los patrones identificados en los resultados muestran
que las anomalías observadas no son equivalentes entre
sí y, por tanto, no deben interpretarse bajo un único
criterio de calidad metrológica. En los casos con alta
correlación y error de magnitud elevado, el
comportamiento de la señal operativa es compatible con
discrepancias sistemáticas de escala o parametrización,
ya que la tendencia temporal se conserva, pero la
magnitud permanece desplazada con respecto a la
referencia comercial. En contraste, las señales
clasificadas como congeladas presentan una pérdida
sustancial de utilidad operativa, debido a que dejan de
reflejar la variación efectiva de la magnitud supervisada.
De manera similar, las señales con correlación
negativa fuerte constituyen uno de los hallazgos más
relevantes del estudio, ya que su comportamiento es
compatible con anomalías de polaridad o inversión de
signo en la cadena de medición. La comparación con el
caso corregido muestra que este tipo de inconsistencia no
corresponde simplemente a ruido o dispersión aleatoria,
sino a un patrón sistemático que puede ser identificado
mediante el análisis conjunto de error, regresión y
correlación [1], [4].
En conjunto, estos resultados evidencian que la
metodología propuesta no solo permite detectar señales
que incumplen el criterio regulatorio de exactitud, sino
también diferenciar distintos tipos de anomalía a partir de
evidencia estadística. Esta capacidad resulta relevante
para priorizar revisiones técnicas, orientar procesos de
depuración de datos y fortalecer la confiabilidad de la
información utilizada en supervisión y análisis operativo.
4.4. El papel del clasificador C4.5 en la gestión
metrológica
El uso del algoritmo de inducción de árboles de
decisión C4.5 no se plantea como un mecanismo
autónomo de diagnóstico, sino como una herramienta de
apoyo para sistematizar la identificación de señales que
no cumplen con los criterios de evaluación adoptados en
el estudio. Su interés radica en la posibilidad de combinar
parámetros de regresión lineal, como el sesgo y la
pendiente, con el coeficiente de correlación, de modo que
la clasificación no dependa de una sola métrica.
El clasificador alcanzó una precisión global del
 y un estadístico Kappa de 0,465 lo que indica
una concordancia moderada entre la clasificación
automática y el criterio de referencia empleado. De
manera complementaria, el recall de  para la
clase NO CUMPLE evidencia una capacidad elevada
para identificar señales con posibles desviaciones
metrológicas, lo cual resulta especialmente relevante en
un contexto de supervisión masiva, donde el principal
interés operativo radica en detectar oportunamente los
casos que requieren revisión técnica.
En este sentido, el árbol de decisión no sustituye el
análisis estadístico ni el criterio especializado, pero sí
aporta una base estructurada para priorizar señales con
mayor probabilidad de incumplimiento. Su utilidad
práctica reside en servir como mecanismo de cribado
inicial dentro del proceso de auditoría metrológica,
reduciendo el esfuerzo de revisión manual sobre grandes
volúmenes de telemetría y orientando la atención hacia
registros con mayor evidencia de inconsistencia.
4.5. Implicaciones prácticas en el sistema eléctrico
ecuatoriano
La aplicación de esta metodología tiene
implicaciones directas en la gestión técnica del Operador
Nacional de Electricidad y de los participantes del Sector
Eléctrico Ecuatoriano. Al basarse en la comparación
entre la telemetría operativa y el Sistema de Medición
Comercial, el análisis se apoya en dos infraestructuras
que responden a exigencias distintas de exactitud dentro
del marco regulatorio nacional [6].
En este contexto, el enfoque propuesto puede apoyar
la verificación del cumplimiento del umbral del 1%
exigido para la telemetría operativa [7], al identificar
señales con posibles errores de escala, inversiones de
signo o pérdida de actualización. Su principal valor
práctico no radica en reemplazar las revisiones de campo,
sino en aportar evidencia para priorizar intervenciones
técnicas sobre aquellos puntos donde la comparación
estadística revela inconsistencias persistentes.
4.6. Limitaciones del estudio
A pesar de su utilidad, la metodología presenta
limitaciones que deben considerarse en su interpretación.
En primer lugar, la diferencia entre la resolución
temporal de ambas fuentes —del orden de segundos en
SCADA/EMS y de 15 minutos en la medición
76
Del Hierro et al. / Metodología para la validación de señales SCADA/EMS con mediciones comerciales de referencia
comercial— obliga a realizar procesos de agregación que
pueden atenuar eventos transitorios o variaciones rápidas
de la señal. Por ello, el método resulta más apropiado
para evaluar consistencia metrológica en escalas
operativas que para detectar fenómenos de corta
duración.
En segundo lugar, la validez del análisis depende de
la consistencia del diccionario de correspondencia entre
puntos de medición. Cualquier error o desactualización
en este emparejamiento puede afectar la comparación
entre fuentes. Finalmente, en señales con flujos cercanos
a cero o con escasa variación temporal, el coeficiente de
correlación pierde capacidad discriminante, lo que limita
la utilidad del análisis tendencial en escenarios de baja
dinámica.
5. CONCLUSIONES
El estudio demostró que la comparación entre
mediciones SCADA/EMS y registros del Sistema de
Medición Comercial constituye una base válida para
evaluar la consistencia metrológica de la telemetría
operativa en el sistema eléctrico ecuatoriano. Los
resultados evidenciaron que, aunque una parte
importante de las señales presenta un seguimiento
tendencial adecuado respecto de la referencia comercial,
persiste un subconjunto con desviaciones sistemáticas
que comprometen la fidelidad de la información utilizada
en supervisión y operación en tiempo real.
Asimismo, se verificó que la evaluación de estas
señales no puede sustentarse únicamente en el
cumplimiento del umbral de precisión del 1%. La
incorporación conjunta de la precisión porcentual, el
coeficiente de correlación y los parámetros de regresión
lineal permitió diferenciar comportamientos
metrológicos distintos e identificar anomalías asociadas
con errores de escala, señales congeladas e inversiones
de signo. En este sentido, la metodología propuesta
aporta una base estructurada para priorizar revisiones
técnicas sobre señales con posibles inconsistencias
dentro del marco regulatorio ecuatoriano, sin sustituir la
verificación física en campo.
Entre las principales limitaciones del estudio se
encuentran la diferencia en la resolución temporal de las
fuentes comparadas y la menor capacidad discriminante
del análisis de correlación en señales con baja dinámica
o valores cercanos a cero. Como línea futura de trabajo,
resulta pertinente extender el análisis a otras variables
eléctricas e investigar la incorporación de estos
indicadores de consistencia en procesos de estimación de
estado o en esquemas de ponderación de mediciones.
6. REFERENCIAS BIBLIOGRÁFICAS
[1] G. Cheng, Y. Lin, A. Abur, A. Gomez-Exposito, and
W. Wu, “A Survey of Power System State Estima-
tion Using Multiple Data Sources: PMUs, SCADA,
AMI, and Beyond,” IEEE Trans. Smart Grid, vol.
15, no. 1, pp. 1129–1151, Jan. 2024, doi:
10.1109/TSG.2023.3286401.
[2] L. Kamyabi, T. T. Lie, S. Madanian, and S. Marshall,
“A Comprehensive Review of Hybrid State Estima-
tion in Power Systems: Challenges, Opportunities
and Prospects,” Oct. 01, 2024, Multidisciplinary
Digital Publishing Institute (MDPI). doi:
10.3390/en17194806.
[3] K. G. Koukouvinos, G. K. Koukouvinos, P. Chalki-
adakis, S. D. Kaminaris, V. A. Orfanos, and D. Rim-
pas, “Evaluating the Performance of Smart Meters:
Insights into Energy Management, Dynamic Pricing
and Consumer Behavior,” Applied Sciences (Swit-
zerland), vol. 15, no. 2, Jan. 2025, doi:
10.3390/app15020960.
[4] M. A. Kippke Salomón, J. M. Carou Álvarez, L.
Suárez Ramón, and P. Arboleya, “Self-Diagnostic
Advanced Metering Infrastructure Based on Power-
Line Communication: A Study Case in Spanish
Low-Voltage Distribution Networks,” Energies (Ba-
sel)., vol. 18, no. 7, Apr. 2025, doi:
10.3390/en18071746.
[5] O. Darmis and G. Korres, “A Survey on Hybrid
SCADA/WAMS State Estimation Methodologies in
Electric Power Transmission Systems,” Jan. 01,
2023, MDPI. doi: 10.3390/en16020618.
[6] Agencia de Regulación y Control de Electricidad,
“Regulación No. ARCONEL -001/16,” pp. 1–27,
Oct. 2016.
[7] Agencia de Regulación y Control de Electricidad,
“Regulación No. ARCONEL -003/16,” Oct. 2016.
[8] X. Kong et al., “A hybrid state estimator based on
SCADA and PMU measurements for medium volt-
age distribution system,” Applied Sciences (Switzer-
land), vol. 8, no. 9, Sep. 2018, doi:
10.3390/app8091527.
[9] Z. Chen, A. M. Amani, X. Yu, and M. Jalili, “Control
and Optimisation of Power Grids Using Smart Meter
Data: A Review,” Sensors, vol. 23, no. 4, Feb. 2023,
doi: 10.3390/s23042118.
[10] Joint Committee for Guides in Metrology (JCGM),
International Vocabulary of Metrology – Basic and
General Concepts and Associated Terms (VIM),
JCGM 200:2012, 3rd ed. DOI: 10.59161/JCGM200-
2012
77
Edición No. 22, Issue II, Enero 2026
[11] J. R. Quinlan, C4.5: Programs for Machine Learn-
ing. San Mateo, CA, USA: Morgan Kaufmann,
1993.
[12] I. H. Witten, E. Frank, M. A. Hall, and C. J. Pal, Data
Mining: Practical Machine Learning Tools and
Techniques, 4th ed. Cambridge, MA, USA: Morgan
Kaufmann, 2017.
[13] J. Cohen, "A Coefficient of Agreement for Nominal
Scales," Educational and Psychological Measure-
ment, vol. 20, no. 1, pp. 37–46, 1960.
[14] P. Hanegraaf et al., "Inter-reviewer reliability of hu-
man literature screening in machine learning-as-
sisted systematic reviews," 2024.
Carlos Arturo Del Hierro
Cadena. -Nació en Quito en 1978.
Recibió su título de Ingeniero
Electrónico en Automatización y
Control en el año 2002 en la ESPE
y en marzo de 2020, finalizó sus
estudios en Máster Universitario
en Análisis y Visualización de
Datos Masivos / Visual Analytics and Big Data en la
UNIR. Desde el año 2009 hasta el año 2015 se
desempeñó en el cargo de Ingeniero de Sistema
Remoto de CENACE Corporación Centro Nacional de
Control de Energía y hasta la presente fecha desempeña
el cargo de Analista Nacional de Servicios de Tiempo
Real 2 en CENACE Operador Nacional de Electricidad
José Enríquez Quelal.- Nació en
Quito, Ecuador en 1989. Recibió su
título de Ingeniero Eléctrico de la
Escuela Politécnica Nacional,
Quito, Ecuador en 2014 y el título de
Magister en Electricidad de la
Universidad Politécnica Salesiana,
Quito, Ecuador en 2022. Desde
2014, trabaja como ingeniero SCADA en el Operador
Nacional de Electricidad – CENACE, Quito, Ecuador.
Sus intereses de investigación incluyen la Operación de
Sistemas Eléctricos de Potencia, SCADA/EMS y Control
Automático de Generación.
David Panchi Vergara. - Nació en
Quito, en 1992. Obtuvo su título de
Ingeniero Eléctrico en la Escuela
Politécnica Nacional en 2017,
Magister en Electricidad en la
Escuela Politécnica Nacional en el
año 2022. Actualmente se
desempeña como especialista de
Investigación y Desarrollo en la Subgerencia Nacional de
Investigación y Desarrollo de CENACE. Sus áreas de
interés son: Sistemas Eléctricos de Potencia, Modelación
y simulación mediante gemelos digitales, Operación de
Sistemas Eléctricos de Potencia.
Vanessa Espinosa Acosta.- Nació
en Quito en 1992. Recibió su título
de Ingeniera en Electrónica y
Control de la Universidad de
Politécnica Nacional - EPN en
2015; y su título de Máster en
Gestión y Automatización de
Procesos de la Universidad de las
Américas – UDLA en 2025. Sus campos de investigación
están relacionados con la gestión y automatización de
procesos.
Angie Bravo Montenegro.- Nació
en Tulcán en 1997. Actualmente se
encuentra finalizando sus estudios
en la carrera de Ingeniera
Electromecánica de la Universidad
de las Fuerzas Armadas - ESPE. Sus
áreas de interés académico se
centran en el modelamiento y
optimización de sistemas eléctricos de potencia,
enfocándose en la integración de energías renovables y
almacenamiento de energía, priorizando estudios que
contribuyan al desarrollo energético sostenible del
Ecuador.
78