Un marco híbrido de IA para la identificación de perturbaciones de calidad de la energía en la red eléctrica

Por qué importa la salud de tu electricidad

La mayoría de nosotros espera que la electricidad del enchufe sea suave y estable, alimentando en silencio desde cargadores de móviles hasta robots industriales. En realidad, la tensión y la corriente en las redes modernas a menudo titubean, caen y pico cuando los paneles solares, la electrónica y la maquinaria pesada se conectan y desconectan. Estas pequeñas pero frecuentes anomalías, conocidas como perturbaciones de la calidad de la energía, pueden sobrecalentar equipos, confundir controles digitales y acortar la vida de dispositivos sensibles. Este estudio explica cómo una herramienta híbrida de inteligencia artificial puede detectar y clasificar rápidamente estas perturbaciones, incluso cuando varias ocurren a la vez, ayudando a mantener las luces encendidas y la electrónica protegida.

Fallas ocultas en la electricidad cotidiana

La energía eléctrica debería seguir una forma de onda senoidal suave a una frecuencia fija. En la práctica, se desvía constantemente por dispositivos no lineales como variadores de velocidad, cargadores de teléfonos y la electrónica de potencia en sistemas renovables. Estos provocan distintos tipos de perturbaciones, como bajadas de tensión (sags) donde el voltaje cae brevemente, aumentos (swells) donde sube, flicker que hace parpadear las luces, transitorios abruptos y armónicos añadidos que rugen la forma de onda. Cuando estos eventos se superponen —por ejemplo, un sag combinado con armónicos o varios tipos ocurriendo simultáneamente—, las herramientas de monitorización tradicionales tienen dificultades para distinguirlos. Sin embargo, identificar la combinación exacta es crucial para decidir si la fuente es un aparato defectuoso, una falla en la red o un problema de diseño.

Convertir señales desordenadas en huellas útiles

Los autores construyen su sistema por etapas para que cada paso destile la señal cruda en información más clara. Primero aplican una lente matemática llamada Transformada de Stockwell, que muestra cómo cambia el contenido en frecuencia de una señal de tensión a lo largo del tiempo. Esto crea un mapa tiempo-frecuencia que destaca, por ejemplo, ráfagas breves de ruido de alta frecuencia causadas por un transitorio o bandas repetitivas debidas a armónicos. A partir de estos mapas calculan descriptores numéricos simples como potencia media, valores pico y medidas de forma. Para evitar ahogar al algoritmo de aprendizaje con datos innecesarios, aplican después una prueba chi cuadrado, un filtro estadístico que conserva solo las características más fuertemente vinculadas a las diferencias entre tipos de perturbación.

Enseñar a una IA con memoria a reconocer patrones

Estas características seleccionadas se convierten en la entrada de una red Long Short Term Memory, un tipo de red neuronal recurrente adecuada para manejar secuencias. A diferencia de modelos más simples que analizan cada instante de forma aislada, esta red mantiene una memoria interna que captura cómo evoluciona una perturbación en el tiempo. Los investigadores la entrenan en 18 clases de señales, incluyendo operación normal, seis tipos de perturbación simples y muchas combinaciones dobles, triples e incluso cuádruples. Generan 18.000 señales de ejemplo usando fórmulas estándar y simulaciones detalladas de dos sistemas de referencia conocidos como redes IEEE de 9 barras y 33 barras. Para hacer la prueba realista, también añaden distintos niveles de ruido aleatorio, imitando las condiciones desordenadas de las redes reales.

Poner el método a trabajar en redes virtuales y en tiempo real

Tras el entrenamiento, el sistema híbrido se somete a varias pruebas. En señales sintéticas clasifica correctamente la mayoría de los casos, con una precisión superior al 99 por ciento para perturbaciones simples y aún por encima del 96 por ciento cuando ocurren simultáneamente cuatro problemas distintos y hay ruido presente. Los autores van más allá de la simulación pura creando perturbaciones en modelos de software detallados y en una plataforma hardware-in-the-loop llamada OPAL-RT, que ejecuta modelos de red en tiempo real. En estas pruebas más exigentes el método todavía alcanza alrededor del 99 por ciento de precisión media, superando a una red neuronal tradicional y a varias técnicas anteriores reportadas en la literatura. De manera crucial, se mantiene robusto cuando se introduce ruido de medición.

Qué significa esto para los usuarios cotidianos de la electricidad

Para el usuario medio, el trabajo apunta a dispositivos de monitorización más inteligentes que puedan vigilar la red discretamente y detectar rápidamente no solo que existe un problema, sino exactamente qué tipo es, incluso cuando varios están entrelazados. Operadores de redes y grandes consumidores de energía podrían usar estas herramientas para seguir la creciente mezcla de renovables y cargas electrónicas sin verse abrumados por los datos. Aunque el método sigue dependiendo de grandes conjuntos de entrenamiento y deberá adaptarse a nuevos tipos de perturbaciones a medida que las redes evolucionen, demuestra que combinar análisis avanzado de señales con IA con memoria puede proporcionar una imagen más clara y fiable de la salud de nuestra electricidad en tiempo real.

Cita: Debnath, R., Majumder, A., Jain, A.K. et al. A hybrid AI framework for identification of power quality disturbances in electrical network. Sci Rep 16, 15758 (2026). https://doi.org/10.1038/s41598-026-35376-x

Palabras clave: calidad de la energía, red eléctrica, inteligencia artificial, análisis de señales, detección de perturbaciones