Un conjunto de datos de oscilogramas del mundo real procedentes de redes eléctricas

Por qué importan los pequeños percances eléctricos

Cada segundo, vastas redes eléctricas mantienen en silencio nuestras luces encendidas, los hospitales en funcionamiento y los centros de datos operativos. Ocultos dentro de las subestaciones, los dispositivos de protección escuchan constantemente el pulso de la red: señales de tensión y corriente que revelan si todo está sano o al borde de una falla. Este artículo describe un nuevo y público tesoro de estos “latidos”, un conjunto de datos de oscilogramas del mundo real que captura cómo se comportan los sistemas eléctricos durante la operación normal, las perturbaciones leves y las fallas graves. Está diseñado para ayudar a ingenieros y sistemas de inteligencia artificial a hacer nuestro suministro eléctrico más fiable y resistente.

Escuchando la red

Las subestaciones modernas están llenas de terminales de protección por relé y de automatización, dispositivos que vigilan la red y disparan los interruptores instantáneamente cuando algo va mal. A medida que los sistemas eléctricos se vuelven más complejos —con una demanda fluctuante, fuentes renovables y electrónica sensible— estos relés deben distinguir en fracciones de segundo las fluctuaciones inofensivas de las fallas peligrosas. Lo hacen registrando oscilogramas: series temporales detalladas de tensiones y corrientes muestreadas miles de veces por segundo. Hasta ahora, la mayoría de la investigación y muchos esquemas de protección basados en IA han dependido en gran medida de señales sintéticas generadas por ordenador que no pueden reproducir por completo la complejidad de las redes reales, como errores de sensores, cargas impredecibles o perturbaciones inducidas por rayos.

Una gran biblioteca de señales del mundo real

Los autores reunieron un conjunto de 50.765 oscilogramas recopilados en subestaciones industriales, en su mayoría en redes de media tensión entre 0,4 y 35 kilovoltios. Estos registros proceden de la puesta en marcha rutinaria de equipos y de la investigación de eventos reales en la red. Todos los archivos se almacenan en el formato estándar COMTRADE, ampliamente utilizado en la industria eléctrica, y también se ofrecen como archivos CSV preprocesados para análisis de datos y aprendizaje automático. Para proteger la privacidad y la información comercial, el equipo eliminó los nombres de instalaciones y fabricantes, las fechas de grabación y los nombres de archivo originales, y estandarizó la forma en que se etiquetan las señales para que los usuarios vean un conjunto consistente de canales de tensión y corriente independientemente de la marca del equipo o la disposición de la subestación.

Entender las señales

Un subconjunto cuidadosamente seleccionado de 480 oscilogramas recibió anotación humana detallada. Expertos revisaron las señales analógicas y dividieron cada instante en cuatro grupos intuitivos: operación normal o ruido puro; operaciones de conmutación rutinarias, como la apertura de interruptores o el arranque de motores; eventos anómalos que se desvían de la normativa pero no requieren corte inmediato; y eventos de falla graves que deberían activar los dispositivos de protección. Este etiquetado de alta resolución permite a los investigadores entrenar y evaluar algoritmos que no solo detecten que “algo ocurrió”, sino que también reconozcan qué tipo de evento fue. El equipo también filtró la colección más amplia para identificar más de 20.000 oscilogramas que contienen perturbaciones claras, proporcionando un punto de partida focalizado para quienes se interesen en comportamientos inusuales.

De las ondas crudas a una protección más inteligente

Para verificar la calidad de sus etiquetas, los autores entrenaron varios tipos de redes neuronales con el subconjunto anotado. Primero usaron un autoencoder —un modelo de IA que comprime las señales en una descripción interna compacta y luego las reconstruye— para aprender características directamente a partir de las formas de onda. Cuando estas descripciones comprimidas se visualizaron, las cuatro categorías de eventos formaron cúmulos claramente separados, lo que demuestra que las etiquetas de los expertos capturaron diferencias reales en las señales. Clasificadores estándar como redes convolucionales y recurrentes fueron capaces de reconocer los cuatro tipos de evento con buena precisión, especialmente en los casos de eventos anómalos y de falla. Esto demuestra que el conjunto de datos es adecuado para desarrollar y evaluar métodos de aprendizaje automático para la monitorización de la red.

Construyendo una base para la futura inteligencia de la red

Para no especialistas, la idea principal es que este conjunto de datos ofrece un laboratorio realista para mejorar cómo protegemos y controlamos las redes eléctricas. Al incluir datos etiquetados y no etiquetados, y al publicar abiertamente las herramientas de procesamiento, los investigadores pueden explorar desde la detección básica de anomalías hasta esquemas avanzados de protección adaptativa que se ajusten a las condiciones cambiantes de la red. Con el tiempo, los modelos entrenados y validados con estos oscilogramas reales podrían ayudar a las compañías eléctricas a detectar problemas antes, reducir apagones e integrar más generación renovable de forma segura —haciendo que la infraestructura invisible que sostiene la vida cotidiana sea más robusta e inteligente.

Cita: Evdakov, A., Filatova, G., Yablokov, A. et al. A dataset of real-world oscillograms from electrical power grids. Sci Data 13, 262 (2026). https://doi.org/10.1038/s41597-026-06587-8

Palabras clave: fiabilidad de la red eléctrica, detección de fallos, conjunto de datos de oscilogramas, protección por relés, aprendizaje automático en energía