Análisis y Caracterización de la Calidad de Energía utilizando Minería de Datos

Contenido principal del artículo

Alex Mullo
https://orcid.org/0009-0009-6605-7134
José Reinoso
https://orcid.org/0009-0006-0432-4143
Marlon Chamba
Carlos Lozada
https://orcid.org/0000-0002-6036-3124

Resumen

El presente trabajo aborda la problemática de la calidad de energía en redes de distribución eléctrica, enfocándose en la identificación y evaluación de distorsiones armónicas, las cuales pueden afectar el funcionamiento de equipos y el cumplimiento normativo. Para ello, se implementó una metodología que combina el análisis univariante a fin de verificar el cumplimiento con las normas IEEE 519-2022 y ARCONEL 009/2024, junto con técnicas de minería de datos como el Análisis de Componentes Principales (PCA) y el algoritmo de clústeres K-Means, que permiten clasificar los armónicos según su comportamiento en el sistema eléctrico. La metodología fue validada a través del análisis del histórico de armónicos de una industria cementera, cuya red de distribución opera a 22 kV. Los resultados permitieron identificar periodos críticos en los que se superan los límites normativos, principalmente por el funcionamiento de variadores de frecuencia, inversores y rectificadores asociados a procesos industriales como extracción de materia prima, molienda, precalentamiento, calcinación, ensacado y despacho. El modelo desarrollado demostró ser eficaz para procesar grandes volúmenes de datos, detectar las principales fuentes de distorsión armónica y segmentar el comportamiento por horario y día, lo que facilita la implementación de estrategias de mitigación y su adaptación a diferentes entornos industriales.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
Mullo, A., Reinoso, J., Chamba, M., & Lozada, C. (2025). Análisis y Caracterización de la Calidad de Energía utilizando Minería de Datos. Revista Técnica "energía", 22(1), PP. 33–45. https://doi.org/10.37116/revistaenergia.v22.n1.2025.702
Sección
EFICIENCIA ENERGÉTICA

Citas

M. M. Irfan, M. Alharbi, y C. H. H. Basha, «Artificial neural network controlled DSTATCOM for mitigating power quality concerns in solar PV and wind system», Sci. Rep., vol. 15, n.o 1, 2025, doi: 10.1038/s41598-025-88540-0.

M. Pérez Martínez et al., «Desarrollo de aplicaciones en el software Scilab para el análisis de armónicos en sistemas industriales», Ing. Energética, vol. 43, n.o 1, pp. 24-34, abr. 2022.

L. Amaya-Vásquez, E. Inga-Ortega, L. Amaya-Vásquez, y E. Inga-Ortega, «Localización de Distorsiones Armónicas en Sistemas Eléctricos usando Sensado Comprimido», Ing. Compet., vol. 24, n.o 1, jun. 2022, doi: 10.25100/iyc.24i1.11037.

«IEEE Std 519-2022 (Revision of IEEE Std 519-2014)», IEEE Std 519-2022 Revis. IEEE Std 519-2014, pp. 1-31, ago. 2022, doi: 10.1109/IEEESTD.2022.9848440.

ARCONEL, Resolución Nro. ARCONEL-016/2024. 2024. [En línea]. Disponible en: https://controlelectrico.gob.ec/wp-content/uploads/downloads/2024/10/Regulacion-ARCONEL-006-24-1-3.pdf

J. C. Gonzales Arispe y A. Y. Marca Yucra, «Análisis de armónicos en sistemas eléctricos de potencia y normas regulatorias: impacto del horno de arco eléctrico de acerías», Ingeniare Rev. Chil. Ing., vol. 32, pp. 0-0, 2024, doi: 10.4067/s0718-33052024000100201.

S. S. Cembranel, F. Lezama, J. Soares, S. Ramos, A. Gomes, y Z. Vale, «A Short Review on Data Mining Techniques for Electricity Customers Characterization», en 2019 IEEE PES GTD Grand International Conference and Exposition Asia (GTD Asia), mar. 2019, pp. 194-199. doi: 10.1109/GTDAsia.2019.8715891.

B. L. Tarcsay, Á. Bárkányi, T. Chován, y S. Németh, «A Dynamic Principal Component Analysis and Fréchet-Distance-Based Algorithm for Fault Detection and Isolation in Industrial Processes», Processes, vol. 10, n.o 11, Art. n.o 11, nov. 2022, doi: 10.3390/pr10112409.

L. J. Lepolesa, S. Achari, y L. Cheng, «Electricity Theft Detection in Smart Grids Based on Deep Neural Network», IEEE Access, vol. 10, pp. 39638-39655, 2022, doi: 10.1109/ACCESS.2022.3166146.

J. Castro, P. Soto, R. Reategui, y T. Castillo, «Partición de una Red Eléctrica de Distribución Aplicando Algoritmos de Agrupamiento K-means y DBSCAN», Rev. Téc. Energ., vol. 20, n.o 1, Art. n.o 1, jul. 2023, doi: 10.37116/revistaenergia.v20.n1.2023.572.

L. Marrero et al., «Uso de algoritmo K-means para clasificar perfiles de clientes con datos de medidores inteligentes de consumo eléctrico: Un caso de estudio», Ingeniare Rev. Chil. Ing., vol. 29, n.o 4, pp. 778-787, dic. 2021, doi: 10.4067/S0718-33052021000400778.

C. Yajure, «Aplicación de la metodología de Ciencia de Datos para analizar datos de facturación de energía eléctrica. Caso de estudio: Uruguay 2000-2022», ResearchGate, doi: 10.15381/risi.v15i1.23544.

C. Yajure, «Uso de algoritmos de Machine Learning para analizar los datos de energía eléctrica facturada en la Ciudad de Buenos Aires durante el período 2010–2021», ResearchGate, oct. 2022, doi: 10.22206/cyap.2022.v5i2.pp7-37.

O. Yu. Maryasin y A. I. Lukashov, «A Python Application for Hourly Electricity Prices Forecasting Using Neural Networks», en 2020 International Russian Automation Conference (RusAutoCon), sep. 2020, pp. 138-143. doi: 10.1109/RusAutoCon49822.2020.9208035.

«Advanced Distribution Measurement Technologies and Data Applications for Smart Grids: A Review», ResearchGate, dic. 2024, doi: 10.3390/en13143730.

E. I. F. Cruz, «Análisis de Componentes Principales de la Tarifa de Electricidad en México – Caso de Estudio», Cienc. Lat. Rev. Científica Multidiscip., vol. 8, n.o 4, Art. n.o 4, sep. 2024, doi: 10.37811/cl_rcm.v8i4.13173.

D. Garcia-Alvarez y M. J. Fuente, «Estudio comparativo de técnicas de detección de fallos basadas en el Análisis de Componentes Principales (PCA)», Rev. Iberoam. Automática E Informática Ind. RIAI, vol. 8, n.o 3, pp. 182-195, jul. 2011, doi: 10.1016/j.riai.2011.06.006.

J. Zhuang, M. Dong, J. Lin, M. Liu, y K. Lin, «Electricity charge anomaly detection based on PCA-IK-means», en 2023 IEEE 3rd International Conference on Power, Electronics and Computer Applications (ICPECA), ene. 2023, pp. 1714-1718. doi: 10.1109/ICPECA56706.2023.10076038.

E. Pérez-Montalvo et al., «Model of monthly electricity consumption of healthcare buildings based on climatological variables using PCA and linear regression», Energy Rep., vol. 8, pp. 250-258, nov. 2022, doi: 10.1016/j.egyr.2022.06.117.

J. Wang y X. Li, «Abnormal Electricity Detection of Users Based on Improved Canopy-Kmeans and Isolation Forest Algorithms», IEEE Access, vol. 12, pp. 99110-99121, 2024, doi: 10.1109/ACCESS.2024.3429304.

G. Ruiz Aranibar, «Análisis de conglomerados», Rev. Varianza, vol. 16, oct. 2019, Accedido: 10 de marzo de 2025. [En línea]. Disponible en: http://revistasbolivianas.umsa.bo/scielo.php?script=sci_abstract&pid=&lng=en&nrm=iso&tlng=

M. Dimishkieh y A. H. Ramzi, «An Enhanced k-Means Clustering Algorithm for Pattern Discovery in Healthcare Data», Sage J., jul. 2019, doi: https://doi.org/10.1155/2015/6157.

M. F. Abdullah, N. H. Hamid, Z. Baharudin, M. A. M. Ayob, y M. A. F. M. Hamim, «Characteristic of third harmonic from synchronous generator passing through transformer and rectifier», en 2012 IEEE International Conference on Power and Energy (PECon), dic. 2012, pp. 689-694. doi: 10.1109/PECon.2012.6450303.

A. R. Bonilla y H. T. Le, «Analysis and Mitigation of Harmonics for a Wastewater Treatment Plant Electrical System», WSEAS Trans. Circuits Syst., vol. 23, pp. 1-13, 2024, doi: 10.37394/23201.2024.23.1.

Artículos más leídos del mismo autor/a

Artículos similares

1 2 3 4 5 > >> 

También puede {advancedSearchLink} para este artículo.