Reseña

El estudio analizó más de 300 000 mediciones reales de voltaje, corriente, potencia y factor de potencia, obtenidas en las instalaciones del ITCA FEPADE, Centro Regional Santa Ana. Los resultados evidencian que los modelos no supervisados permiten la detección temprana de anomalías, destacando el Autoencoder bajo condiciones operativas restrictivas. Por su parte, los modelos supervisados alcanzaron un desempeño sobresaliente. Entre ellos, Random Forest presentó el mejor rendimiento global, con un F1 micro cercano a 0.97 y un AUC agregado (AnyFault) superior a 0.99, superando claramente a los demás modelos evaluados.
Se concluye que la integración de IA en sistemas eléctricos de baja tensión es viable, efectiva y aporta un valor significativo en la gestión proactiva del mantenimiento. Como recomendación principal, se sugiere ampliar el período de muestreo y adicionar nuevas variables eléctricas y ambientales para fortalecer la robustez y escalabilidad de la plataforma en entornos reales e institucionales.