Análisis y Caracterización de la Calidad de Energía utilizando Minería de Datos
Contenido principal del artículo
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
Detalles del artículo

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Aviso de Derechos de Autor
La Revista Técnica "energía" está bajo licencia internacional Creative Commons Reconocimiento-NoComercial 4.0.
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.