Técnicas de análisis exploratorio de datos y estrategias de visualización multidimensional del suministro eléctrico basadas en estadísticos de orden superior: indicadores globales para instrumentación moderna

Abstract

Esta tesis doctoral propone un enfoque multidimensional para el análisis de la calidad del suministro eléctrico, integrando indicadores tradicionales y no tradicionales, herramientas de visualización avanzadas y técnicas de inteligencia artificial, con el objetivo principal de desarrollar nuevos métodos de medición que permitan caracterizar y clasificar eventos eléctricos complejos que surgen en redes modernas, marcadas por la creciente incorporación de energías renovables y comportamientos no lineales. La investigación comienza con una revisión exhaustiva de la literatura, identificando lagunas en los enfoques tradicionales, particularmente en la detección y diferenciación de eventos híbridos. A partir de este análisis, se seleccionaron indicadores tradicionales clave de calidad del suministro eléctrico (factor de cresta, THD, SNR), y se complementaron con estadísticos de orden superior. Posteriormente, se utilizó un indicador global para combinarlos, proporcionando una visión unificada del estado de la red eléctrica. Además, se desarrollaron gráficos radar como herramientas visuales optimizadas para facilitar la interpretación de fenómenos eléctricos tanto a expertos como a usuarios con menor experiencia técnica, así como impedir interpretaciones subjetivas del sistema objeto de estudio. Los métodos desarrollados se validaron utilizando, en primer lugar, señales sintéticas que modelan perturbaciones eléctricas puras, es decir, eventos aislados. Estas perturbaciones proceden de set de datos previamente publicados en bases de datos de prestigio, como la plataforma IEEE DataPort. Además, se utilizaron señales reales obtenidas por el grupo de investigación PAIDI-TIC-168, que monitoriza la instalación eléctrica de la Universidad. Los resultados demostraron una precisión cercana al 100% en la detección de eventos sintéticos y de eventos reales como sags, y del 29.79% para transitorios impulsivos reales. En comparación con métodos tradicionales, las herramientas desarrolladas ofrecieron mejoras significativas en la detección de eventos como notches (73%), transitorios impulsivos (54%) y spikes (38%). Asimismo, la tasa de éxito en la clasificación de las perturbaciones, a través de un árbol de decisiones diseñado en base a los indicadores, osciló entre el 90% y el 100%, en función de la perturbación analizada. En resumen, la tesis demuestra que combinaciones seleccionadas de indicadores, técnicas y herramientas de procesamiento de señales, junto con herramientas de IA y visualización, mejoran el análisis de PQ, facilitando la detección de perturbaciones específicas.

This doctoral thesis proposes a multidimensional approach to power supply quality analysis, integrating traditional and non-traditional indicators, advanced visualization tools, and artificial intelligence techniques. The general objective consists of developing new measurement methods for characterizing and classifying complex electrical events that arise in modern electrical networks, marked by the growing incorporation of renewable energies and nonlinear behaviours. The research begins with an exhaustive literature review, identifying gaps in traditional approaches, particularly in the detection and differentiation of hybrid events. Based on this analysis, key traditional power quality indicators were selected (crest factor, THD, SNR) and complemented by higher-order statistics. Subsequently, a global indicator has been used to combine them all, providing a unified view of the electrical network’s state. Additionally, radar charts were developed as optimized visual tools to facilitate the interpretation of electrical phenomena for both experts and users with less technical experience, and also to avoid subjective interpretations of the system under test. The developed methods have been validated using, first, synthetic signals that model pure electrical disturbances, that is, isolated disturbances. These disturbances come from previously published data sets, in prestigious databases, such as the IEEE Data-Port platform. Additionally, real signals were used, obtained by the PAIDI-TIC-168 research group monitoring the University's electrical installation. The results demonstrated nearly 100% accuracy in detecting synthetic events and real-life events like sags, and 29.79% for real impulsive transients. Compared to traditional methods, the developed tools showed significant improvement in detecting events such as notches (73%), impulsive transients (54%) and spikes (38%). Furthermore, the success rate in classifying disturbances, using a decision tree based on the indicators, ranged from 90% to 100%, depending on the disturbance under test. To sum up, the thesis demonstrates that selected combinations of indicator, signal processing techniques and tools, along with AI and visualization tools improves PQ analysis, making easier the detection of specific disturbances.