Robustez y generalización de modelos de aprendizaje automático y profundo en la clasificación de perturbaciones de calidad de energía
Year: 2026
Type: article
Abstract: 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.
Source: Mundo FESC
Language: Spanish
Topic: Power Quality and Harmonics
Subfield: Electrical and Electronic Engineering
Field: Engineering
Domain: Physical Sciences
Open Access status: diamond
OpenAlex ID: W7214907135