⚡ electrical engineering

Identification and Visualization of Correlation Structures in Large-Scale Power Quality Data

Este artículo presenta una metodología automatizada que combina coeficientes de correlación de Spearman agregados con técnicas de visualización jerárquica y de escalamiento multidimensional para identificar y revelar estructuras de correlación sistemáticas en grandes conjuntos de datos de calidad de energía, demostrada mediante 85 sitios de medición en el sistema de transmisión alemán.

Autores originales: Max Domagk, Jan Meyer, Marco Lindner

Publicado 2026-03-16

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Max Domagk, Jan Meyer, Marco Lindner

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que la red eléctrica es como una gigantesca orquesta tocando en todo el país. En esta orquesta, hay 85 músicos (los puntos de medición) distribuidos en diferentes niveles de "volumen" (110 kV, 220 kV y 380 kV). Cada músico no solo toca una nota, sino que mide docenas de cosas a la vez: el volumen (voltaje), el ritmo (frecuencia), si hay distorsión en el sonido (armónicos) o si la luz parpadea (flicker).

El problema es que hay demasiada música tocando a la vez. Si intentas escuchar a todos los músicos y todas las notas al mismo tiempo, tu cerebro se satura y no puedes entender quién está siguiendo a quién. A veces, un músico en Stuttgart toca una nota y, casi al mismo tiempo, un músico en Dresde hace lo mismo. ¿Es casualidad? ¿Están conectados? ¿O es que el director de orquesta (la red eléctrica) les está dando la señal?

Este artículo es como un traductor mágico que ayuda a entender esta orquesta gigante. Aquí te explico cómo funciona, paso a paso, con analogías sencillas:

1. El Problema: Demasiados Datos, Poca Claridad

Los ingenieros recogen millones de datos cada día. Si intentas analizarlos uno por uno, es como intentar encontrar una aguja en un pajar, pero el pajar es del tamaño de un planeta. Las técnicas antiguas no servían para ver patrones en periodos cortos de tiempo.

2. La Solución: El "Promedio Inteligente"

En lugar de mirar cada día por separado, los autores crearon un método para promediar las relaciones.

La analogía: Imagina que quieres saber si dos amigos siempre caminan juntos. Si miras solo un día, quizás uno se quedó dormido y el otro no. Pero si miras 30 días, ves que, en realidad, siempre van juntos.
La técnica: Usan un truco matemático (llamado transformación de Fisher) para promediar estas "amistades" diarias. Esto les dice: "¿Qué tan consistentemente se comportan estas dos cosas juntas a lo largo del tiempo?".

3. El Mapa de la Orquesta (Visualización)

Una vez que tienen los datos promediados, tienen una lista gigante de quién se lleva bien con quién. Pero leer una lista de 85x85 es aburrido y confuso. Así que usan dos herramientas visuales:

El Árbol Genealógico (Clustering Jerárquico):
Imagina un árbol genealógico. Los músicos que siempre tocan juntos (tienen una correlación fuerte) se unen en ramas cercanas. Los que no tienen nada que ver, quedan en ramas muy separadas.
- Lo que descubrieron: Los "armónicos bajos" (notas graves, como la 3ª y la 5ª) y el "parpadeo" (flicker) son como los hermanos gemelos de la orquesta: siempre se mueven juntos en toda la red. En cambio, las notas muy agudas (armónicos altos, como la 9ª o 15ª) son como los solitarios: cada uno hace lo suyo y no se conectan con los demás.
El Mapa del Tesoro (Escalamiento Multidimensional - MDS):
Imagina un mapa donde la distancia entre dos puntos no es kilómetros, sino qué tan parecidos son.
- Si dos puntos están muy cerca en el mapa, significa que sus comportamientos son casi idénticos.
- Si están lejos, son muy diferentes.
- Lo que descubrieron: Al dibujar este mapa, vieron que los músicos de "volumen alto" (220 kV y 380 kV) forman un grupo separado, mientras que los de "volumen medio" (110 kV) forman otro grupo grande y conectado.

4. Los Descubrimientos Clave

Gracias a este método, los autores pudieron ver cosas que antes estaban ocultas:

El efecto dominó: Si el voltaje parpadea o si hay una distorsión en la 3ª nota (armónico 3) en un lugar, es muy probable que pase lo mismo en muchos otros lugares de la red. Es como si el viento soplara en toda la ciudad al mismo tiempo.
Los solitarios: Las distorsiones muy altas (notas agudas) suelen quedarse atrapadas en un solo lugar y no viajan por la red.
Optimización: Si sabes que dos puntos de medición siempre hacen exactamente lo mismo, quizás no necesitas medir en los dos. Podrías ahorrar dinero midiendo solo en uno.

En Resumen

Este papel es como un detective de patrones para la red eléctrica. En lugar de perderse en montañas de números, usa matemáticas inteligentes para dibujar un mapa que muestra quién se conecta con quién.

La moraleja: En una red eléctrica gigante, las "notas graves" y los problemas de voltaje viajan por todo el país como una ola, mientras que los problemas "agudos" suelen ser locales. Entender esto ayuda a los ingenieros a arreglar fallos más rápido y a diseñar redes más eficientes.

A continuación se presenta un resumen técnico detallado del artículo "Identificación y visualización de estructuras de correlación en datos de calidad de energía a gran escala" de Max Domagk y Marco Lindner, traducido y sintetizado al español.

1. Planteamiento del Problema

Las campañas de medición de calidad de energía (PQ, por sus siglas en inglés) a gran escala generan volúmas masivos de datos multivariados. El desafío principal radica en que las dependencias sistemáticas dentro de estos datos son difíciles de identificar utilizando técnicas de análisis convencionales debido a la alta cantidad de combinaciones posibles entre parámetros y sitios de medición.

Limitaciones actuales: Los métodos tradicionales a menudo asumen correlaciones constantes en el tiempo o no escalan bien para analizar simultáneamente múltiples parámetros (como armónicos, flicker, desbalanceo) en decenas de sitios de medición.
Necesidad: Se requiere una metodología automatizada para detectar, evaluar y visualizar relaciones robustas y recurrentes que permitan entender la propagación de efectos en la red, realizar análisis de causa raíz y optimizar las campañas de medición (identificando ubicaciones redundantes).

2. Metodología Propuesta

El artículo presenta un marco de trabajo adaptado para períodos de observación más cortos, basado en el análisis de coeficientes de correlación y técnicas de visualización avanzada.

A. Datos y Parámetros

Origen de los datos: 85 sitios de medición en el sistema de transmisión alemán (38 a 110 kV, 21 a 220 kV y 26 a 380 kV).
Instrumentación: Dispositivos conformes a la norma IEC 61000-4-30 Clase A.
Parámetros analizados: 20 parámetros de PQ (20 combinaciones únicas por fase), incluyendo RMS de tensión y corriente, flicker a corto plazo ( $P_{st}$ ), desbalanceo, distorsión armónica total (THD) y armónicos individuales (impares del 3 al 15).

B. Análisis de Correlación

Coeficiente de Correlación de Spearman: Se utiliza en lugar de Pearson para capturar dependencias monótonas (no solo lineales) entre series temporales.
Correlaciones Diarias: Se calculan coeficientes diarios para evitar asumir que la correlación es constante a lo largo de todo el periodo de medición, reconociendo fluctuaciones temporales.
Promedio Robusto (Transformación Z de Fisher): Para promediar los coeficientes diarios y las combinaciones de fases, se aplica la transformación Z de Fisher. Esto compensa la no linealidad de la distribución del coeficiente de correlación, proporcionando una estimación más robusta ( $\bar{r}$ ) que un simple promedio aritmético.
Matriz de Agregación: Para manejar grandes conjuntos de matrices de correlación (una por sitio), se define una matriz de agregación ( $A$ ). Esta matriz cuantifica la frecuencia con la que una correlación significativa (por encima de un umbral $\tau_r$ , ej. 0.7) ocurre entre dos parámetros a través de todos los sitios.

C. Visualización y Reducción de Dimensionalidad

Dado que las matrices de correlación grandes son difíciles de interpretar, se emplean dos técnicas:

Conversión a Distancia: Las correlaciones se transforman en una matriz de distancia ( $D_{ij} = 1 - A_{ij}$ ) para preparar los datos para algoritmos de agrupamiento.
Agrupamiento Jerárquico (Hierarchical Clustering): Utilizando el criterio de enlace promedio (average-linkage), se generan dendrogramas que muestran cómo se agrupan los parámetros según la frecuencia de sus correlaciones significativas.
Escalamiento Multidimensional (MDS): Se utiliza para proyectar la matriz de distancia en un espacio bidimensional, preservando las distancias relativas. Esto permite visualizar la "proximidad" de los parámetros o sitios basándose en su comportamiento correlacionado.

3. Contribuciones Clave

Adaptación a Corto Plazo: Modificación de marcos existentes para análisis de períodos de medición más cortos (ej. 30 días), en lugar de solo mediciones a largo plazo.
Técnica de Agregación: Introducción de una matriz de agregación que resume la consistencia de las correlaciones significativas a través de múltiples sitios y fases, reduciendo la complejidad de los datos.
Visualización Integrada: Combinación efectiva de dendrogramas y MDS para revelar patrones estructurales que serían invisibles en matrices de correlación crudas.
Validación Empírica: Aplicación exitosa en un caso de estudio real con 85 sitios en la red de transmisión alemana.

4. Resultados Principales

El análisis de los datos de los 85 sitios reveló patrones distintivos:

Correlaciones entre Parámetros (dentro de un sitio):
- Existe una fuerte correlación consistente entre la distorsión armónica total de tensión ( $U_{thd}$ ) y el 5º armónico ( $U_{05}$ ), y en menor medida con el 7º.
- Los parámetros de corriente armónica total ( $I_{thc}$ ) se correlacionan fuertemente con los armónicos individuales (3, 5, 9).
- Los armónicos de orden superior (9º, 15º) tienden a estar aislados y no muestran correlaciones sistemáticas fuertes en la mayoría de los sitios.
- El flicker ( $P_{st}$ ) muestra correlaciones significativas con parámetros de calidad de corriente.
Correlaciones entre Sitios (Propagación en la Red):
- Grupo 1: Sitios con muy pocas correlaciones con otros (aislados).
- Grupo 2: Sitios de ultra-alta tensión (220 kV y 380 kV) que muestran correlaciones mutuas moderadas (20-60% de parámetros) y tienden a estar aislados de otros grupos.
- Grupo 3: Sitios de alta tensión (110 kV) que exhiben correlaciones mutuas muy pronunciadas (40-75% de parámetros), formando un núcleo central en las visualizaciones.
- Propagación Espacial: Los parámetros $U_{03}$ (3er armónico de tensión) y $P_{st}$ (flicker) mostraron las mayores tasas de correlación significativa entre sitios (47% y 33% respectivamente), indicando que sus variaciones se propagan a través de grandes partes de la red.

5. Significado e Impacto

Diagnóstico de Red: La metodología permite identificar qué parámetros de calidad de energía son "globales" (afectan a toda la red, como el 3er armónico) y cuáles son "locales" (armónicos de orden superior), lo cual es crucial para la gestión de la red.
Optimización de Medición: Al identificar sitios con alta correlación (redundancia), los operadores de red pueden optimizar campañas de medición futuras, reduciendo costos sin perder información crítica.
Análisis de Causa Raíz: La capacidad de visualizar estructuras de correlación ayuda a rastrear el origen de anomalías y entender cómo se propagan los disturbios.
Escalabilidad: El enfoque demuestra que es posible analizar grandes volúmenes de datos de PQ de manera sistemática, sentando las bases para futuras investigaciones sobre segmentación temporal y regímenes operativos.

En conclusión, el artículo proporciona una herramienta robusta para transformar datos masivos de calidad de energía en información accionable, revelando patrones de dependencia que de otro modo permanecerían ocultos.