Robustez y generalización de modelos de aprendizaje automático y profundo en la clasificación de perturbaciones de calidad de energía

Autores/as

DOI:

https://doi.org/10.61799/2216-0388.2373

Palabras clave:

calidad energía, perturbaciones eléctricas, aprendizaje automático, aprendizaje profundo, robustez, AWGN, generalización entre dominios

Resumen

La clasificación automática de perturbaciones de calidad de energía suele evaluarse bajo condiciones in-domain, lo que puede sobreestimar el desempeño cuando cambian la distribución de los datos o las condiciones de ruido. Este estudio evaluó la robustez y la capacidad de generalización de modelos de aprendizaje automático y profundo para la clasificación de ocho tipos de perturbaciones eléctricas. Se armonizaron tres dominios de datos —SEED-PQD, PQD-16c y un conjunto sintético— a una representación común de un ciclo, 64 muestras y 3,2 kHz. Se compararon máquinas de vectores de soporte (SVM), Random Forest, XGBoost, 1D-CNN y CNN-LSTM mediante Macro-F1, exactitud balanceada, MCC, generalización cross-domain y degradación frente a ruido blanco gaussiano aditivo entre 30 y 0 dB. Los modelos profundos alcanzaron Macro-F1 in-domain superiores a 0,98 en SEED y en el dominio sintético cuando dispusieron de suficientes datos, aunque mostraron elevada sensibilidad al tamaño del conjunto de entrenamiento y al ruido. SVM registró el mayor Macro-F1 cross-domain promedio (0,6407) y los valores más altos de AUC de robustez (0,4328) y AUC de retención (0,5039). La prueba de Friedman confirmó diferencias significativas entre los modelos bajo ruido (p<0,001; W=0,5265), mientras que en generalización cross-domain no se detectaron diferencias globales significativas (p=0,1257). Los resultados muestran que un elevado desempeño in-domain no garantiza generalización ni robustez, y evidencian la necesidad de evaluar conjuntamente precisión, transferencia entre dominios y tolerancia al ruido antes de seleccionar modelos para aplicaciones reales de calidad de energía.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

[1] A. A. Memon, M. A. Koondhar, S. F. Al-Gahtani, Z. M. S. Elbarbary, and Z. M. Alaas, “Comprehensive review of power quality disturbance detection and classification techniques,” Computers & Electrical Engineering, vol. 126, Art. no. 110512, 2025, doi: 10.1016/j.compeleceng.2025.110512.

[2] J. E. Caicedo, D. Agudelo-Martínez, E. Rivas-Trujillo, and J. Meyer, “A systematic review of real-time detection and classification of power quality disturbances,” Protection and Control of Modern Power Systems, vol. 8, Art. no. 3, 2023, doi: 10.1186/s41601-023-00277-y.

[3] J. C. Palomares-Salas, S. Aguado-González, and J. M. Sierra-Fernández, “Robustness of machine learning and deep learning models for power quality disturbance classification: A cross-platform analysis,” Applied Sciences, vol. 15, no. 19, Art. no. 10602, 2025, doi: 10.3390/app151910602.

[4] M. A. A. Baig, N. I. Ratyal, A. Amin, U. Jamil, S. Liaquat, H. M. Khalid, and M. F. Zia, “An ensemble deep CNN approach for power quality disturbance classification: A technological route towards smart cities using image-based transfer,” Future Internet, vol. 16, no. 12, Art. no. 436, 2024, doi: 10.3390/fi16120436.

[5] M. Mosayebi, S. Azad, and M. T. Ameli, “Unknown power quality disturbances classification based on transfer learning approach with imbalanced data considerations,” Results in Engineering, vol. 27, Art. no. 105865, 2025, doi: 10.1016/j.rineng.2025.105865.

[6] U. Sipai, R. Jadeja, N. Kothari, T. Trivedi, and K. K. Ram, “Deep transfer learning approach for the classification of single and multiple power quality disturbances,” Scientific Reports, vol. 15, Art. no. 34583, 2025, doi: 10.1038/s41598-025-18064-0.

[7] I. Kapuza, E. Ginzburg-Ganz, R. Machlev, and Y. Levron, “Improving robustness of Transformers for power quality disturbance classification via optimized relevance maps,” Engineering Applications of Artificial Intelligence, vol. 161, Art. no. 112138, 2025, doi: 10.1016/j.engappai.2025.112138.

[8] X. Zhang, C. Jiang, M. Yu, X. Wen, J. Zhang, N. Rong, and S. Han, “Adversarial black-box attack and defense for convolutional neural network-based power quality disturbance classification,” Engineering Applications of Artificial Intelligence, vol. 162, Art. no. 112411, 2025, doi: 10.1016/j.engappai.2025.112411.

[9] E. García Rodríguez, E. Reyes Archundia, J. A. Gutiérrez Gnecchi, O. I. Coronado Reyes, J. C. Olivares Rojas, and A. Méndez Patiño, “Detection and extraction of optimal features from power quality disturbances based on wavelet coefficient reconstruction and noise-robust methods,” Computers & Electrical Engineering, vol. 127, Art. no. 110615, 2025, doi: 10.1016/j.compeleceng.2025.110615.

[10] Q. Xu, F. Zhu, W. Jiang, X. Pan, P. Li, X. Zhou, and Y. Wang, “Efficient identification method for power quality disturbance: A hybrid data-driven strategy,” Processes, vol. 12, no. 7, Art. no. 1395, 2024, doi: 10.3390/pr12071395.

[11] M. U. Khan, S. Aziz, and A. Usman, “SEED_PQD_v1 (SEED—Power Quality Disturbance Dataset ver1),” Zenodo, dataset, 2024. [Online]. https://zenodo.org/records/11843312?utm

[12] M. U. Khan, S. Aziz, and A. Usman, “XPQRS: Expert power quality recognition system for sensitive load applications,” Measurement, vol. 216, Art. no. 112889, 2023, doi: 10.1016/j.measurement.2023.112889.

[13] jkexin, “PQD-16c-Data: Power quality disturbance dataset,” Kaggle, dataset. [Online]. https://www.kaggle.com/datasets/jkexin/pqd-16c-data?utm

[14] D. Li, I. A. Channa, X. Chen, L. Dou, S. Khokhar, and N. Ab Azar, “A new deep learning method for classification of power quality disturbances using DWT-MRA in utility smart grid,” Computers & Electrical Engineering, vol. 117, Art. no. 109290, 2024, doi: 10.1016/j.compeleceng.2024.109290.

[15] L. Chen, S. Chen, J. Xu, and C. Zhou, “Power quality disturbances identification based on deep neural network model of time-frequency feature fusion,” Electric Power Systems Research, vol. 231, Art. no. 110283, 2024, doi: 10.1016/j.epsr.2024.110283.

[16] T. Liao, W. Wang, and Y. Xing, “A method for disturbance identification in power quality based on cross-attention fusion of temporal and spatial features,” Electric Power Systems Research, vol. 234, Art. no. 110560, 2024, doi: 10.1016/j.epsr.2024.110560.

[17] P. Savaridass M and S. Esakkirajan, “Hilbert transform based combined 1D and 2D deep learning framework for power quality disturbance classification,” Electric Power Systems Research, vol. 249, Art. no. 112031, 2025, doi: 10.1016/j.epsr.2025.112031.

[18] M. A. A. Baig, N. I. Ratyal, A. Amin, U. Jamil, H. M. Khalid, and M. F. Zia, “A multi-modal deep learning framework for power quality disturbance classification: An integration of 1D time-series signals and 2D scalograms,” Computers & Electrical Engineering, vol. 128, Art. no. 110716, 2025, doi: 10.1016/j.compeleceng.2025.110716.

[19] P. Khetarpal, N. Nagpal, M. S. Al-Numay, P. Siano, Y. Arya, and N. Kassarwani, “Power quality disturbances detection and classification based on deep convolution auto-encoder networks,” IEEE Access, vol. 11, 2023, doi: 10.1109/ACCESS.2023.3274732.

[20] M. Liu, Y. Chen, Z. Zhang, and S. Deng, “Classification of power quality disturbance using segmented and modified S-transform and DCNN-MSVM hybrid model,” IEEE Access, vol. 11, 2023, doi: 10.1109/ACCESS.2022.3233767.

[21] M. Abubakar, A. A. Nagra, M. Mudassar, M. Faheem, and M. Sohail, “High-precision identification of power quality disturbances based on discrete orthogonal S-transforms and compressed neural network methods,” IEEE Access, vol. 11, 2023, doi: 10.1109/ACCESS.2023.3304375.

[22] V. Veeramsetty, A. Dhanush, A. Nagapradyullatha, G. Rama Krishna, and S. R. Salkuti, “Power quality disturbances classification using autoencoder and radial basis function neural network,” International Journal of Emerging Electric Power Systems, vol. 25, no. 6, pp. 817–842, 2024, doi: 10.1515/ijeeps-2023-0143.

[23] S. Janthong and P. Phukpattaranont, “Identification of power quality disturbances in electrical distribution system using fast Fourier transforms and super learner ensembles,” Journal of Advanced Research in Applied Mechanics, vol. 124, no. 1, pp. 39–60, 2024, doi: 10.37934/aram.124.1.3960.

[24] H. Zhang, W. Wu, K. Li, X. Zheng, X. Xu, X. Wei, and C. Zhao, “Multi-strategy active learning for power quality disturbance identification,” Applied Soft Computing, vol. 154, Art. no. 111326, 2024, doi: 10.1016/j.asoc.2024.111326.

[25] A. Zlatkova and D. Taskovski, “A novel CNN-based framework for detection and classification of power quality disturbances: Exploring multi-class versus multi-label classification,” IEEE Access, vol. 13, 2025, doi: 10.1109/ACCESS.2025.3546520.

[26] M. Alsabaan, A. Elsayed, A. Bondok, M. M. Badr, M. Mahmoud, T. Alshawi, and M. I. Ibrahem, “Robust federated-learning-based classifier for smart grid power quality disturbances,” Sensors, vol. 25, no. 22, Art. no. 6880, 2025, doi: 10.3390/s25226880.

[27] H. Castro-Gutiérrez, C. Robles-Algarín, and L. L. Camargo-Ariza, “Análisis comparativo de los algoritmos de árbol de decisión y máquinas de vectores de soporte en la clasificación de impulsores de bomba,” Respuestas, vol. 30, no. 1, pp. 95–106, 2025, doi: 10.22463/0122820X.5233.

[28] D. C. Candia-Herrera, K. Y. Sánchez-Mojica, S. L. Zarama-Ortiz, and C. L. Diaz-Mesa, “Hacia un modelo universal de IA para la detección simultánea de COVID-19, neumonía bacteriana y tuberculosis en imágenes de rayos X: Desafíos y oportunidades,” Respuestas, vol. 31, no. 1, pp. 47–61, 2026, doi: 10.22463/0122820X.5433.

[29] M. Á. Flórez-Zambrano, F. A. León-García, J. L. Díaz-Rodríguez, and O. J. Suárez-Sierra, “Sistema en tiempo real para el reconocimiento de vocales en LSC mediante CNN y visión por computador,” Respuestas, vol. 31, no. 2, 2026, doi: 10.22463/0122820X.5918.

Publicado

2026-09-01

Número

Sección

Artículo Originales

Cómo citar

[1]
Cardozo Sarmiento, D.O. et al. 2026. Robustez y generalización de modelos de aprendizaje automático y profundo en la clasificación de perturbaciones de calidad de energía. Mundo FESC. 16, 36 (Sep. 2026). DOI:https://doi.org/10.61799/2216-0388.2373.

Artículos más leídos del mismo autor/a