Aplicación de metodología para la compresión de datos y la disminución de big data generada en sistemas de monitoreo

Resumen

DOI: https://doi.org/10.46296/ig.v8i15.0252

Resumen

El crecimiento exponencial del Big Data en sistemas de monitoreo eléctrico ha generado la necesidad de desarrollar metodologías eficientes para la compresión y optimización del almacenamiento de datos. En este estudio, se implementa la Transformada Wavelet Discreta (DWT) para reducir la redundancia de señales eléctricas, preservando la información relevante para el análisis de fallas. Los resultados muestran que la compresión basada en DWT logra una reducción del 60% en el tamaño de los datos sin comprometer la calidad de la señal, con un Error Cuadrático Medio Normalizado (NMSE) inferior a 0.05 y un Coeficiente de Correlación (CORR) superior a 0.98. Además, la combinación de DWT con representación dispersa mejora la eficiencia computacional en un 45%, reduciendo significativamente los tiempos de procesamiento en redes neuronales LSTM utilizadas para la predicción de fallas. El análisis de cruces por cero y la eliminación de ruido mediante filtros adaptativos optimizan la detección de transitorios, mejorando la precisión en la localización de fallas en sistemas eléctricos. Estos hallazgos demuestran que la integración de técnicas avanzadas de compresión permite un almacenamiento más eficiente, de esta manera dando, un análisis más rápido en entornos de monitoreo en tiempo real, favoreciendo la optimización de recursos en redes eléctricas.

Palabras clave: Transformada Wavelet Discreta, cruces por cero, señales eléctricas.

Abstract

The exponential growth of Big Data in electrical monitoring systems has created the need to develop efficient methodologies for data compression and storage optimization. In this study, the Discrete Wavelet Transform (DWT) is implemented to reduce the redundancy of electrical signals while preserving relevant information for fault analysis. The results show that DWT-based compression achieves a 60% reduction in data size without compromising signal quality, with a Normalized Mean Squared Error (NMSE) below 0.05 and a Correlation Coefficient (CORR) above 0.98. Additionally, combining DWT with sparse representation improves computational efficiency by 45%, significantly reducing processing times in LSTM neural networks used for fault prediction. The analysis of zero crossings and noise removal using adaptive filters optimizes transient detection, enhancing fault localization accuracy in electrical systems. These findings demonstrate that integrating advanced compression techniques enables more efficient storage, allowing for faster analysis in real-time monitoring environments and optimizing resource utilization in power networks.

Keywords: Discrete Wavelet Transform, zero crossings, electrical signals.

Información del manuscrito:
Fecha de recepción: 12 de enero de 2025.
Fecha de aceptación: 12 de marzo de 2025.
Fecha de publicación: 10 de abril de 2025.