Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Metodología para la Validación Metrológica de Señales SCADA/EMS mediante Comparación con Mediciones Comerciales de Referencia

A Metrological Validation Methodology for SCADA/EMS Signals via Comparison with Reference Revenue Metering Systems




Sección
SISTEMAS ELÉCTRICOS DE POTENCIA

Cómo citar
Metodología para la Validación Metrológica de Señales SCADA/EMS mediante Comparación con Mediciones Comerciales de Referencia. (2026). Revista Técnica "energía", 23(1), PP. 65-78. https://doi.org/10.37116/revistaenergia.v23.n1.2026.767

Dimensions
PlumX

Cómo citar

Metodología para la Validación Metrológica de Señales SCADA/EMS mediante Comparación con Mediciones Comerciales de Referencia. (2026). Revista Técnica "energía", 23(1), PP. 65-78. https://doi.org/10.37116/revistaenergia.v23.n1.2026.767

Descargar cita

Licencia
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

David Panchi
Vanessa Espinosa
Carlos Del Hierro
José Enríquez
Angie Bravo

Artículos similares

1-10 de 494

También puede Iniciar una búsqueda de similitud avanzada para este artículo.

Artículos más leídos del mismo autor/a

La confiabilidad de la supervisión en tiempo real de los sistemas eléctricos depende de la exactitud de la telemetría SCADA/EMS, la cual, a diferencia de la medición comercial, no siempre dispone de procesos frecuentes de verificación metrológica. En este trabajo se presenta una metodología para la validación de señales operativas mediante su comparación sistemática con registros de referencia de mayor exactitud provenientes del Sistema de Medición Comercial. El enfoque considera el procesamiento de series temporales de potencia activa y reactiva correspondientes a aproximadamente 920 señales, incorporando un procedimiento de alineación temporal entre fuentes asíncronas y una evaluación estadística multivariable. La consistencia metrológica se analizó a partir de la precisión porcentual, los parámetros de regresión lineal (sesgo y pendiente) y el coeficiente de correlación de Pearson, complementados con un clasificador basado en el algoritmo C4.5. Los resultados muestran que, aunque una parte importante de la infraestructura presenta alta consistencia tendencial respecto de la referencia comercial, la metodología permite identificar anomalías como inversiones de polaridad, errores de escala y señales congeladas. El clasificador alcanzó una precisión global del 79,10 % y una sensibilidad del 87,60 % para la detección de señales fuera de norma. En conjunto, el enfoque propuesto aporta una base analítica para apoyar la priorización de revisiones técnicas y el seguimiento del cumplimiento de la Regulación ARCONEL 003/16. No obstante, su aplicación debe interpretarse considerando las limitaciones asociadas a la asincronía temporal entre fuentes y a la menor capacidad discriminante del análisis de correlación en señales con baja dinámica.


Visitas del artículo 86 | Visitas PDF 26


Descargas

Los datos de descarga todavía no están disponibles.
  1. [1] G. Cheng, Y. Lin, A. Abur, A. Gomez-Exposito, and W. Wu, “A Survey of Power System State Es-timation 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. [2] L. Kamyabi, T. T. Lie, S. Madanian, and S. Mar-shall, “A Comprehensive Review of Hybrid State Estimation in Power Systems: Challenges, Oppor-tunities and Prospects,” Oct. 01, 2024, Multidisci-plinary Digital Publishing Institute (MDPI). doi: 10.3390/en17194806.
  3. [3] K. G. Koukouvinos, G. K. Koukouvinos, P. Chalki-adakis, S. D. Kaminaris, V. A. Orfanos, and D. Rimpas, “Evaluating the Performance of Smart Meters: Insights into Energy Management, Dy-namic Pricing and Consumer Behavior,” Applied Sciences (Switzerland), vol. 15, no. 2, Jan. 2025, doi: 10.3390/app15020960.
  4. [4] M. A. Kippke Salomón, J. M. Carou Álvarez, L. Suárez Ramón, and P. Arboleya, “Self-Diagnostic Advanced Metering Infrastructure Based on Pow-er-Line Communication: A Study Case in Spanish Low-Voltage Distribution Networks,” Energies (Basel)., vol. 18, no. 7, Apr. 2025, doi: 10.3390/en18071746.
  5. [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. [6] Agencia de Regulación y Control de Electricidad, “Regulación No. ARCONEL -001/16,” pp. 1–27, Oct. 2016.
  7. [7] Agencia de Regulación y Control de Electricidad, “Regulación No. ARCONEL -003/16,” Oct. 2016.
  8. [8] X. Kong et al., “A hybrid state estimator based on SCADA and PMU measurements for medium volt-age distribution system,” Applied Sciences (Swit-zerland), vol. 8, no. 9, Sep. 2018, doi: 10.3390/app8091527.
  9. [9] Z. Chen, A. M. Amani, X. Yu, and M. Jalili, “Con-trol and Optimisation of Power Grids Using Smart Meter Data: A Review,” Sensors, vol. 23, no. 4, Feb. 2023, doi: 10.3390/s23042118.
  10. [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
  11. [11] J. R. Quinlan, C4.5: Programs for Machine Learn-ing. San Mateo, CA, USA: Morgan Kaufmann, 1993.
  12. [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. [13] J. Cohen, "A Coefficient of Agreement for Nomi-nal Scales," Educational and Psychological Meas-urement, vol. 20, no. 1, pp. 37–46, 1960.
  14. [14] P. Hanegraaf et al., "Inter-reviewer reliability of human literature screening in machine learning-assisted systematic reviews," 2024.
Sistema OJS 3.4.0.9