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

• Autores: Alex Mullo, José Reinoso, Marlon Chamba, Carlos Lozada
• Localización: Revista Técnica "energía", ISSN-e 2602-8492, ISSN 1390-5074, Vol. 22, Nº. 1, 2025 (Ejemplar dedicado a: Revista Técnica "energía", Edición No. 22, ISSUE I), págs. 33-45
• Idioma: español
• Títulos paralelos:
  • Analysis and Characterization of Power Quality using Data Mining
• Enlaces
  • Texto completo
• Resumen
  • español

    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.

  • English

    This work addresses the issue of power quality in electrical distribution networks, focusing on the identification and evaluation of harmonic distortions, which can affect equipment performance and regulatory compliance. To achieve this, a methodology was implemented that combines univariate analysis to verify compliance with the IEEE 519-2022 standard and the ARCONEL 009/2024 regulation, along with data mining techniques such as Principal Component Analysis (PCA) and the K-Means clustering algorithm, which classify harmonics based on their behavior within the electrical system. The methodology was validated through the analysis of historical harmonic data from a cement industry whose distribution network operates at 22 kV. The results made it possible to identify critical periods in which harmonic levels exceeded regulatory limits, mainly due to the operation of variable frequency drives, inverters, and rectifiers used in industrial processes such as raw material extraction, grinding, preheating, kiln operation, bagging, and dispatch. The developed model proved effective in processing large volumes of data, identifying the main sources of harmonic distortion, and segmenting behavior by time and day, thus facilitating the implementation of mitigation strategies and its adaptation to various industrial environments.