Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Aplicación de metodología para la compresión de datos y la disminución de big data generada en sistemas de  
monitoreo.  
DOI: https://doi.org/10.46296/ig.v8i15.0252  
APLICACIÓN DE METODOLOGÍA PARA LA COMPRESIÓN DE DATOS Y  
LA DISMINUCIÓN DE BIG DATA GENERADA EN SISTEMAS DE  
MONITOREO  
APPLICATION OF METHODOLOGY FOR DATA COMPRESSION AND  
REDUCTION OF BIG DATA GENERATED IN MONITORING SYSTEMS  
1
2
Mina-Ortiz Alex Eduardo ; Ruiz-Maldonado Milton Gonzalo ;  
3
Paguay-Llamuca Alex Iván  
1
Universidad Técnica de Cotopaxi. Riobamba, Ecuador. Correo: alex.mina2505@gmail.com.  
Universidad Técnica de Cotopaxi. Riobamba, Ecuador. Correo: milton.ruiz9065@utc.edu.ec.  
2
3
Universidad Técnica de Cotopaxi. Riobamba, Ecuador. Correo: alex.paguay4248@utc.edu.ec.  
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.  
402  
Mina-Ortiz et al. (2025)  
1
. Introducción  
descomposición por wavelets se ha  
mostrado efectiva para datos no  
estacionarios, como los datos de  
señales eléctricas o de sensores (Li  
et al., 2022).  
La generación  
de  
grandes  
volúmenes de datos, conocidos  
como Big Data, ha aumentado de  
manera significativa en los últimos  
años debido al desarrollo, así como  
en la expansión de sistemas de  
monitoreo en tiempo real. Estos  
sistemas, que abarcan desde redes  
eléctricas hasta dispositivos de salud  
y monitoreo ambiental, producen  
flujos continuos de información que  
necesitan ser procesados. Además,  
almacenados eficientemente (Dr.  
Sergio M. Ramírez Campos, 2024).  
Sin embargo, la cantidad sumada  
con la complejidad de estos datos  
representan un desafío considerable  
para su manejo y análisis. La  
compresión de datos surge como  
una solución para capturar señales  
eléctricas como voltaje y corriente,  
las cuales ofrecen información  
relevante sobre el rendimiento del  
sistema, permitiendo la reducción del  
tamaño de los datos sin perder  
información relevante, facilitando su  
almacenamiento y procesamiento  
La descomposición de señales  
mediante la transformada Wavelet  
es una metodología potente que ha  
sido aplicada en la compresión de  
Big Data generada por sistemas de  
monitoreo. La transformada Wavelet  
permite una representación eficiente  
de las señales  
a
través de  
coeficientes que se ajustan mejor a  
las características de las señales  
complejas y no estacionarias(L. Cruz  
et al., 2016). Según diferentes  
estudios, esta técnica puede ser  
aplicada tanto en datos de series  
temporales como en imágenes o  
señales de audio, lo que la convierte  
en una opción versátil en múltiples  
campos. Además, la compresión  
Wavelet  
permite  
eliminar  
redundancias para representar las  
señales en escalas de tiempo y  
frecuencia  
que  
optimizan  
el  
almacenamiento juntamente con  
procesamiento (Mercado Polo et al.,  
(Luis Rubén Cruz Andaluz, 2016).  
2
015). En el ámbito de redes  
Además, se utilizan diferentes  
técnicas de compresión para mejorar  
la eficiencia de los sistemas de  
monitoreo, donde la técnica de  
eléctricas, por ejemplo, la  
descomposición Wavelet de los  
voltajes de fase ayuda a reducir el  
403  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Aplicación de metodología para la compresión de datos y la disminución de big data generada en sistemas de  
monitoreo.  
tamaño de los datos sin perder la  
información esencial para el análisis  
de fallas (LUNA et al., 2019).  
ventana, hace que el análisis de  
datos sea más efectivo en tiempo  
real (Morales-Oñate et al., 2020).  
El uso de algoritmos de compresión  
no solo mejora la eficiencia en el  
almacenamiento, sino que también  
juega un papel fundamental en la  
Esta técnica facilita la detección de  
transitorios y fallas en el sistema  
eléctrico,  
conservando  
la  
información clave para el análisis.  
Por ejemplo, en el estudio  
"Localización de Fallas Mediante la  
Transformada Wavelet en Líneas de  
Transmisión", se emplea la DWT  
para identificar la ubicación de fallas  
optimización  
del  
tiempo  
de  
procesamiento de los datos. En la  
actualidad, la integración de técnicas  
de con  
Machine  
Learning  
metodologías de compresión, como  
el  
análisis  
de  
componentes  
redes  
en transmisión,  
demostrando su eficacia en la  
descomposición de señales  
líneas  
de  
principales  
(PCA)  
o
neuronales, ha sido aplicada  
exitosamente para mejorar la  
predicción y análisis de datos de  
sistemas de monitoreo (José de  
Jesús et al., 2016). La capacidad de  
reducir los datos a través de la  
compresión permite que los modelos  
de predicción, como las redes  
neuronales LSTM, trabajen con  
conjuntos de datos más pequeños y  
eficientes, dando como resultado  
mayor precisión juntamente como la  
eléctricas para el análisis de  
transitorios (Cruz et al., 2017).  
Además,  
representación dispersa para reducir  
la complejidad computacional,  
se  
emplea  
la  
utilizando un conjunto mínimo de  
coeficientes significativos en la  
reconstrucción de la señal. Para  
caracterizar la dinámica de las  
señales eléctricas, se utiliza el  
análisis de cruces por cero, que  
permite identificar cambios en la  
reducción  
entrenamiento (Emmanuel J. Espejo  
Marcelo Gustavo Molina, 2016).  
Además, la mejora en la calidad de  
la compresión mediante la  
de  
tiempos  
de  
frecuencia  
y
amplitud  
de  
&
oscilaciones,  
aspectos  
fundamentales en la detección de  
anomalías. El análisis de cruces por  
cero se aplica en numerosos  
optimización de parámetros como el  
tamaño de ventana y el paso de  
404  
Mina-Ortiz et al. (2025)  
dominios de la ciencia de datos  
vez mejora la eficiencia del  
procesamiento. La Transformada  
Wavelet Discreta (DWT) ofrece un  
método eficaz para la compresión de  
datos manteniendo la información  
clave para el análisis (Daubechies,  
(Learnig Statis, 2024).  
Asimismo, se incluyen diversas  
métricas de evaluación, como el  
Error Relativo Total (RTE), el Error  
Cuadrático  
NMSE),  
Medio  
Normalizado  
de  
1992).  
(
el Coeficiente  
Correlación (CORR) y el Índice de  
Similitud Estructural (SSIM), con el  
fin de cuantificar la calidad de la  
compresión y reconstrucción de las  
señales analizadas. Este trabajo  
tiene como objetivo contribuir al  
desarrollo de técnicas eficientes para  
el manejo de datos en sistemas  
eléctricos, combinando métodos  
avanzados de procesamiento de  
señales con simulaciones de alta  
fidelidad para mejorar el monitoreo y  
diagnóstico de fallas en redes de  
potencia.  
Esta  
descomposición  
permite  
analizar las señales en diferentes  
niveles de resolución, lo que es  
especialmente útil para detectar  
transitorios y otras características  
asociadas a fallas en sistemas  
eléctricos.  
퐶푗[푘] = 푛∑푥[푛]ꢀ푗[푛 − 2푘]  
퐷푗[푘] = ∑푛푥[푛]ℎ푗[푛 − 2푘]  
( 1 )  
Coeficientes de Wavelet (Wavelet  
Coefficients)  
Los coeficientes de Wavelet se  
obtienen mediante la correlación de  
la señal con una familia de funciones  
Wavelet. Estas funciones son  
2. Metodología  
transformaciones  
que  
permiten  
Transformada Wavelet Discreta  
DWT)  
descomponer la señal en diferentes  
frecuencias y resoluciones, lo cual  
resulta útil para analizar señales no  
(
La cantidad de datos generados por  
los sistemas de monitoreo en redes  
eléctricas y otras infraestructuras  
estacionarias  
o
transitorias  
(Daubechies, 1992). La ecuación  
matemática asociada describe la  
relación entre la señal x(t) y la  
función Wavelet ψj,k(t) integrando  
sobre todo el dominio del tiempo.  
críticas  
ha  
aumentado  
exponencialmente. La compresión  
de datos es una estrategia esencial  
para reducir el almacenamiento, a su  
405  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Aplicación de metodología para la compresión de datos y la disminución de big data generada en sistemas de  
monitoreo.  
Esta  
descomposición  
en técnicas  
es  
de  
coeficientes ana_nan y las funciones  
fundamental  
base ϕn(t).  
procesamiento de señales como la  
compresión y la eliminación de ruido.  
La integral en la ecuación refleja  
cómo la señal se proyecta sobre las  
funciones Wavelet en diferentes  
escalas y posiciones.  
푁
(
3 )  
푥(푡) ≈ ꢅ ꢁ 푎 휑 (푡)  
ꢆ
ꢆ
ꢆꢇ1  
Los coeficientes dispersos se  
obtienen minimizando la norma L1:  
푚푖푛⁡ 푎 ∥ 푎 ∥ ꢈ푠푢푗푒푡표푎푥  
훷푎푚푖푛ꢁ‖푎‖ sujeto a푥 = Φ푎  
(
4
)
=
1
ꢉ
∞
(
2 )  
푊푗, 푘 = ∫ ꢁ 푥(푡)휓 (푡)푑푡  
ꢃ,ꢄ  
ꢂ∞  
Análisis de Cruce por Cero (Zero  
Crossing Analysis)  
Representación Dispersa de la  
Señal (Sparse Representation)  
El análisis de cruces por cero es una  
técnica utilizada para identificar los  
puntos en los que una señal cambia  
de signo, lo que es útil para detectar  
oscilaciones o componentes de alta  
frecuencia. El índice de los cruces  
por cero se calcula observando los  
puntos de la señal donde el valor de  
x[n] y x[n+1] tienen signos opuestos,  
indicando que ha ocurrido un cruce  
por cero. Además, el cálculo de la  
duración mínima del intervalo entre  
cruces consecutivos y la amplitud  
máxima entre estos puntos permite  
La representación dispersa busca  
representar una señal como una  
combinación lineal de funciones  
base ϕn(t) de forma que la mayor  
parte de los coeficientes ana_nan  
sean cercanos a cero. Este enfoque  
es eficaz en la reducción de la  
complejidad computacional, ya que  
permite una representación eficiente  
de la señal utilizando pocas  
funciones base (Bhavik R. Bakshi,  
2020). La minimización de la norma  
L1 de los coeficientes dispersos es la  
técnica estándar para obtener una  
representación más eficiente, ya que  
favorece las soluciones con pocos  
caracterizar  
las  
propiedades  
dinámicas de la señal, como su  
frecuencia y amplitud.  
coeficientes  
significativos.  
La  
푍퐶푖 = 푛 ∣ 푥[푛] ⋅ 푥[푛 + ꢈ] < 0  
( 5 )  
ecuación de optimización muestra  
cómo se puede recuperar la señal  
original x(t)mediante un conjunto de  
La duración mínima del intervalo  
entre dos cruces consecutivos es:  
406  
Mina-Ortiz et al. (2025)  
ꢊ푠 = 푚푖푛(푍퐶푖 + ꢈ − 푍퐶푖)  
( 6 )  
análisis de modelos estadísticos y de  
machine learning. Un artículo clave  
que trata sobre la medición y análisis  
de este error es:  
La amplitud máxima entre dos  
cruces consecutivos se obtiene  
como:  
‖
푥 − 푥̂ ‖ꢋ  
‖푥‖ꢋ  
ꢊ푀푆퐸 =  
( 9 )  
퐴푠 = 푚푎푥(∣ 푥[푛] ∣), 푛  
( 7 )  
∈
[푍퐶푖, 푍퐶푖 + ꢈ]  
Métricas de Evaluación  
Coeficiente  
CORR)  
de  
Correlación  
(
Error Relativo Total (RTE)  
El Coeficiente de Correlación  
CORR) se utiliza para medir la  
Compara la energía total de la señal  
estimada con la original,  
(
relación lineal entre dos variables.  
Este concepto es fundamental en  
análisis estadísticos y es una métrica  
básica en la evaluación de la fuerza  
de la relación entre dos conjuntos de  
datos. Se puede encontrar más  
información en libros de estadística y  
análisis de datos:  
proporcionando una medida de la  
exactitud global del modelo. El Error  
Cuadrático  
NMSE)  
Medio  
evalúa  
Normalizado  
la diferencia  
(
cuadrática entre las señales original  
y estimada, normalizada por la señal  
original (Wang & Bovik, 2002).  
∑ꢆ ꢁ ( 푥̂ [푛])ꢋ  
∑ꢆ ꢁ (푥[푛])ꢋ  
ꢌ
푅푇퐸 =  
( 8 )  
푥 푥̂  
퐶푂푅푅 =  
( 10 )  
‖
푥‖ ⋅ ‖ 푥̂ ‖  
Error  
Cuadrático  
Medio  
Error Absoluto Medio (MAE)  
Normalizado (NMSE)  
El Error Absoluto Medio (MAE) es  
una métrica simple que se utiliza  
para medir la precisión de un  
modelo, especialmente cuando se  
busca una evaluación robusta frente  
a errores extremos. Su aplicación se  
encuentra en análisis de series  
temporales y modelos de regresión.  
Una referencia destacada es:  
El  
Error  
Cuadrático  
Medio  
Normalizado (NMSE) es una métrica  
ampliamente utilizada para evaluar  
la calidad de los modelos de  
predicción, particularmente en el  
análisis de series temporales y  
sistemas de estimación (Faheem  
Mushtaq et al., 2019). Se puede  
consultar en diversas fuentes de  
407  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Aplicación de metodología para la compresión de datos y la disminución de big data generada en sistemas de  
monitoreo.  
푁
modelar y analizar una falla en el  
ꢈ
푀퐴퐸 = ꢅ ꢁ |푥[푛] − 푥̂ [푛]|  
( 11 )  
ꢊ
sistema IEEE de 39 barras,  
utilizando la metodología establecida  
en la norma IEC 60909-0.  
ꢆꢇ1  
ndice de Similitud Estructural (SSIM)  
El Índice de Similitud Estructural  
El modelo IEEE de 39 barras es una  
referencia estándar en estudios de  
estabilidad y análisis de fallas. Se  
compone de 39 nodos (barras),  
múltiples líneas de transmisión,  
transformadores y generadores que  
(
SSIM) se utiliza principalmente en la  
comparación de imágenes y señales,  
evaluando su calidad mediante la  
estructura, el contraste  
y
la  
luminancia. Es una de las métricas  
más utilizadas en el campo de la  
representan  
un  
sistema  
visión  
por  
computadora  
y
interconectado. La selección de este  
modelo para la simulación responde  
a su relevancia en el estudio de  
fenómenos eléctricos transitorios y la  
procesamiento de imágenes. El  
artículo seminal que introdujo SSIM  
es:  
evaluación  
de  
esquemas  
de  
푆푆퐼푀(푥, 푥̂ )  
(
2휇 휇 + 퐶 )(2휎 + 퐶ꢋ)  
ꢍ 1  
ꢍ̂ ꢍ ꢍ̂  
( 12 )  
protección en redes de potencia.  
=
ꢋ
ꢋ
ꢋ
ꢋ
ꢍ̂  
(
휇 + 휇 + 퐶 )(휎 + 휎 + 퐶 )  
ꢍ
ꢍ̂  
1
ꢍ
ꢋ
Configuración de la Simulación  
Recolección y Preparación de  
Datos  
En el análisis de fallas eléctricas, se  
consideraron las tres fases del  
sistema con mediciones expresadas  
en voltajes en por unidad (p.u.),  
empleando la herramienta Short  
El análisis de fallas eléctricas en  
sistemas de potencia es un  
procedimiento fundamental en la  
evaluación de la confiabilidad y  
seguridad operativa de una red  
eléctrica. La simulación de estos  
eventos permite estudiar el impacto  
de perturbaciones en la estabilidad  
del sistema y determinar estrategias  
de mitigación. En este estudio, se  
empleó el software especializado  
DIgSILENT PowerFactory 2021 para  
Circuit  
Event  
de  
DIgSILENT  
PowerFactory 2021, la cual se basa  
en la normativa IEC 60909-0 para el  
cálculo de corrientes de cortocircuito  
en sistemas eléctricos. La falla  
analizada ocurrió en la línea de  
transmisión que conecta las barras  
16 y 19, ubicándose en el 50% de la  
408  
Mina-Ortiz et al. (2025)  
longitud de la línea. Para evaluar el  
impacto de distintos tipos de fallas,  
se simularon tres escenarios: falla  
monofásica (Línea a Tierra, L-G),  
falla bifásica (Línea a Línea, L-L) y  
falla trifásica (Línea a Línea a Línea,  
L-L-L). Las condiciones iniciales del  
evento se definieron en la  
herramienta Calculation of Initial  
Conditions, considerando valores  
cual permite guardar los datos en  
archivos CSV.  
Metodología de la Programación  
El proceso inicia con la importación  
de las bibliotecas necesarias,  
incluyendo  
pandas  
de  
para  
la  
manipulación  
datos,  
la  
matplotlib.pyplot  
para  
visualización, pywt para el análisis  
Wavelet, numpy para operaciones  
numéricas y sklearn.metrics junto  
instantáneos  
de  
transientes  
electromagnéticos, con un tiempo  
inicial de 0.01 ms y una duración  
total de la simulación de 0.8 s. Este  
con  
skimage.metrics  
para  
la  
evaluación de métricas de error y  
similitud estructural. Luego se define  
la ruta del archivo Excel que contiene  
los datos de fallas eléctricas y se  
especifica la hoja que se analizará.  
enfoque  
permitió  
analizar  
la  
dinámica del sistema antes, durante  
y después de la ocurrencia de la  
falla, proporcionando información  
detallada sobre su respuesta  
transitoria y su impacto en la  
estabilidad de la red.  
Se  
establecen  
parámetros  
configurables, como el tamaño de la  
ventana y el paso para el análisis de  
la señal, el tipo de Wavelet a utilizar  
Análisis y Almacenamiento de  
Resultados  
(bior1.3)  
y
el  
nivel  
de  
descomposición Wavelet.  
Una vez ejecutada la simulación, se  
generaron gráficos que ilustran la  
evolución de los voltajes en cada una  
de las fases y de los distintos  
Posteriormente, se define la función  
zerocrossing, que analiza los cruces  
por cero en la señal, identificando los  
intervalos en los que la señal cambia  
de signo y calculando la duración  
mínima del intervalo, la amplitud  
máxima y los índices de inicio de los  
cruces. También se define la función  
calculate_metrics, la cual evalúa la  
escenarios.  
Estos  
resultados  
del  
proporcionan  
información  
comportamiento del sistema ante  
distintos tipos de fallas. Los  
resultados fueron almacenados  
utilizando la función Export Data, la  
409  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Aplicación de metodología para la compresión de datos y la disminución de big data generada en sistemas de  
monitoreo.  
calidad de la reconstrucción de la  
señal mediante métricas como el  
error total relativo (RTE), el error  
Para el análisis de los cruces por  
cero, se ejecuta la función  
zerocrossing, obteniendo  
cuadrático  
NMSE),  
correlación, el error absoluto medio  
MAE) y el índice de similitud  
medio  
normalizado  
información clave sobre la duración  
de los intervalos, la amplitud máxima  
(
el coeficiente  
de  
y
los  
índices  
de  
inicio.  
(
Posteriormente, se reconstruye la  
señal a partir de los coeficientes  
Wavelet y se calculan las métricas  
de error, que se almacenan en un  
archivo Excel para su análisis  
posterior.  
estructural (SSIM).  
El código procede verificando la  
existencia del archivo y la hoja de  
datos. Luego, se extraen las  
columnas de tiempo y voltajes de las  
fases A, B y C, asegurando que los  
nombres de las columnas sean los  
Finalmente, se generan varios  
gráficos comparativos, incluyendo la  
esperados.  
concatena la señal de voltaje en un  
solo arreglo se aplica la  
A
continuación, se  
señal  
original  
frente  
a
la  
reconstruida, la señal de error  
resultante de la diferencia entre  
ambas, y los voltajes de las fases  
con los cruces por cero marcados.  
Estos gráficos permiten visualizar el  
desempeño del procesamiento de la  
señal y validar la calidad de la  
reconstrucción.  
y
transformada Wavelet discreta para  
descomponer la señal en distintos  
niveles de detalle.  
Se realiza un análisis por ventanas  
de la señal, dividiendo los datos en  
segmentos de tamaño predefinido.  
Luego, se grafican los coeficientes  
Wavelet en diferentes niveles,  
proporcionando una representación  
visual de la descomposición de la  
señal. Además, se genera un gráfico  
de los voltajes de las fases A, B y C  
a lo largo del tiempo para identificar  
patrones en la falla trifásica.  
410  
Mina-Ortiz et al. (2025)  
Fig. 1. Diagrama de Flujo de la programación  
3
. Resultados y discusión  
presentan una oscilación sinusoidal  
de amplitud constante, indicando  
estabilidad en el sistema. En ese  
instante, ocurre la falla trifásica,  
generando una fuerte perturbación  
en los voltajes, seguida de una  
Falla Trifásica  
La Fig. 2 muestra una gráfica de  
voltajes trifásicos durante una falla  
trifásica en un sistema eléctrico,  
donde el eje x representa el tiempo  
en segundos y el eje “y” el voltaje en  
unidades por unidad (p.u.). Se  
grafican tres señales en colores rojo,  
verde y azul, correspondientes a las  
fases A, B y C, respectivamente.  
Antes de t ≈ 0.3 s, las tres fases  
oscilación  
amortiguada  
hasta  
recuperar cierta estabilidad.  
411  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Aplicación de metodología para la compresión de datos y la disminución de big data generada en sistemas de  
monitoreo.  
Fig. 2 Voltajes de las Fases Falla Trifásica  
coeficientes  
de  
aproximación  
Transformada Wavelet  
La imagen representa  
(niveles 5 y 6) capturan la estructura  
la  
general de la señal con menor  
variabilidad.  
descomposición de una señal  
mediante la Transformada Wavelet  
Discreta (DWT), mostrando sus  
coeficientes en distintos niveles. En  
la parte superior, la gráfica azul  
Esta  
descomposición  
permite  
analizar la señal en múltiples escalas  
de tiempo y frecuencia, facilitando la  
identificación de patrones, la  
(
Nivel 0) corresponde a la señal  
original, mientras que los niveles 1 a  
muestran los coeficientes de  
detalle y aproximación en diferentes  
escalas de frecuencia. Los  
detección de anomalías  
eliminación de ruido.  
y
la  
Es  
6
especialmente útil en sistemas  
eléctricos, procesamiento de  
imágenes y análisis de señales  
biomédicas, ya que ayuda a extraer  
información relevante sin perder la  
estructura esencial de la señal.  
coeficientes de detalle (niveles 1 a 4)  
resaltan componentes de alta  
frecuencia, como transitorios  
y
variaciones rápidas, mientras que los  
Fig. 3. Transformada Wavelet  
412  
Mina-Ortiz et al. (2025)  
disminución en la amplitud en ciertos  
segmentos, lo que puede deberse a  
la pérdida de información en la  
descomposición o a efectos de  
filtrado. Además, se han calculado  
métricas de error como el RTE (Error  
Total Relativo), NMSE (Error  
Cuadrático Medio Normalizado),  
MAE (Error Absoluto Medio),  
Correlación y SSIM (Índice de  
Similitud Estructural), confirmando la  
similitud entre ambas señales. Para  
un análisis más detallado, el código  
también grafica el error entre ambas  
señales, realiza un análisis de cruces  
por cero, estudia el espectro de  
frecuencia con FFT y muestra la  
Comparación de la señal Original  
y Reconstruida  
En la Fig. 4 muestra la comparación  
entre una Señal Original y una Señal  
Reconstruida obtenida mediante la  
transformada Wavelet Bi-Ortogonal  
(bior1.3)  
con  
nivel  
de  
descomposición 1. La gráfica  
representa en el eje X las muestras,  
mientras que el eje Y indica la  
amplitud de la señal. El proceso  
utilizado en el código primero extrae  
los datos de voltajes trifásicos desde  
un archivo Excel, aplica la  
Transformada Wavelet Discreta  
(DWT) para descomponer la señal  
en distintos niveles y luego realiza  
una reconstrucción de la misma. La  
señal reconstruida en naranja sigue  
de cerca la forma de la señal original  
en azul, lo que indica una  
evolución  
máximas en ventanas deslizantes,  
además de representar los  
de  
las  
amplitudes  
coeficientes Wavelet mediante un  
mapa de calor y un histograma de  
errores.  
reconstrucción Sin  
precisa.  
embargo, se observa una leve  
Fig. 4. Comparación entre señal Original y Reconstruida  
413  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Aplicación de metodología para la compresión de datos y la disminución de big data generada en sistemas de  
monitoreo.  
de una recuperación progresiva con  
Voltajes de las Fases con cruces  
por cero  
oscilaciones amortiguadas. Los  
cruces por cero (en negro) están  
densamente distribuidos antes de la  
En la Fig. 5 muestra los voltajes  
trifásicos en pu (por unidad) con la  
indicación de los cruces por cero a lo  
largo del tiempo. Se observa que, en  
la primera parte de la señal (hasta  
aproximadamente 0.3 s), los voltajes  
de las fases A (rojo), B (azul) y C  
perturbación,  
indicando  
una  
frecuencia constante, pero luego se  
dispersan, lo que sugiere una  
variación en la frecuencia debido a la  
perturbación. Este tipo de análisis es  
crucial para evaluar la estabilidad y  
calidad del suministro eléctrico, ya  
que cambios abruptos en la amplitud  
y frecuencia pueden indicar fallas,  
(verde) son estables y oscilan  
sinusoidalmente con amplitud  
constante. Sin embargo, en 0.3 s,  
hay una perturbación significativa  
que genera una reducción brusca en  
la amplitud de las señales, seguida  
desconexiones  
de  
carga  
o
perturbaciones en la red.  
Fig. 5. Voltajes de las Fases con cruces por cero  
correlaciones cercanas a 1.0, MAE  
prácticamente nulos y SSIM igual a  
Métricas de error  
El análisis de las métricas de error  
para cada fase indica una precisión  
extremadamente alta, con RTE de  
1
.0. Esto sugiere que el modelo está  
replicando las señales originales.  
Además, el procesamiento de datos,  
1.0, NMSE en el orden de 10⁻³²,  
414  
Mina-Ortiz et al. (2025)  
se  
considerable tras aplicar ventanas  
de 80,002 a 16,001 muestras),  
observa  
una  
reducción  
muestras). Este aumento de datos  
sugiere que la transformación  
Wavelet está descomponiendo la  
señal en múltiples componentes.  
(
seguida de una expansión tras la  
descomposición Wavelet (160,004  
Tabla 1. Tipos de fallas.  
FALLAS  
FALLA TRIFÁSICA  
FALLA BIFÁSICA  
FALLA MOFÁSICA  
TIPOS  
RTE  
FASE A FASE B FASE C FASE A FASE B FASE C FASE A FASE B FASE C  
1
1
1
1
1
1
1
1
1
IMSE 3.39E-32 3.37E-32 3.44E-32 7.53E-31 7.69E-31 7.68E-31 7.48E-31 7.62E-31 7.53E-31  
CORR 0.99 0.99  
MAE 5.24E-17 5.19E-17 5.31E-17 3.85E-16 3.86E-16 4.88E-16 2.81E-16 3.10E-16 6.33E-16  
SSIM  
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
representativo se encuentra en la  
prueba MAE, finalmente en la falla  
monofásica la fase b en la prueba  
IMSE el valor que se indica es el  
menos representativo mientras que  
la fase c en la prueba MAE. Además,  
se evidencia que en las pruebas RTE  
y SSIM en todos los tipos de fallas  
simulados el valor es constate de 1.  
En la tabla 1, se indican los valores  
de los diferentes tipos de fallas  
donde se puede apreciar que en la  
falla trifásica la fase c es la que  
presenta mayor perturbación en  
todos tipos de prueba, mientras que  
en la falla bifásica en la fase b tiene  
el valor bajo en la prueba tipo IMSE  
y en la fase c el valor menos  
Tabla 2. Compresión de datos.  
FALLA TRIFÁSICA FALLA BIFÁSICA FALLA MONOFÁSICA  
Tamaño de datos originales  
Tamaño al aplicar ventanas  
80002  
16001  
70144  
14030  
80007  
16000  
4. Conclusiones  
una reducción significativa del  
tamaño de los datos sin  
La Transformada Wavelet Discreta  
DWT) ha demostrado ser una  
herramienta eficaz para la  
comprometer la información clave  
para el análisis de transitorios y  
fallas.  
(
compresión de señales eléctricas en  
sistemas de monitoreo, permitiendo  
415  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Aplicación de metodología para la compresión de datos y la disminución de big data generada en sistemas de  
monitoreo.  
La integración de técnicas de  
compresión con modelos de  
de monitorear estos cruces para  
detectar posibles fallas y evaluar la  
respuesta del sistema eléctrico ante  
perturbaciones.  
aprendizaje automático, como redes  
neuronales LSTM y PCA, permite  
una mejor representación de las  
señales, reduciendo la cantidad de  
datos sin afectar la precisión de la  
predicción. Esto conlleva una  
reducción en los tiempos de  
Bibliografía  
Bhavik R. Bakshi. (2020). Wiley  
Encyclopedia of Electrical and  
Electronics Engineering. 13,  
1–12.  
entrenamiento  
y
mejora  
el  
https://www.researchgate.net/  
publication/2816208_Multisca  
le_Analysis_And_Modeling_U  
sing_Wavelets  
rendimiento de los modelos.  
La Transformada Wavelet Discreta  
DWT) demuestra ser efectiva para  
descomponer la señal trifásica en  
(
Cruz, L., Carrión, D., & Riofrio, A.  
(
2017). Localización de Fallas  
componentes  
frecuencias,  
de  
distintas  
una  
Mediante la Transformada  
Wavelet en Líneas de  
Transmisión. Revista Técnica  
permitiendo  
precisa.  
reconstrucción  
Los  
coeficientes de detalle capturan las  
variaciones rápidas, mientras que los  
de aproximación preservan la  
estructura general.  
“Energía”,  
https://doi.org/10.37116/REVI  
STAENERGIA.V13.N1.2017.  
13(1).  
10  
Daubechies, I. (1992). Ten Lectures  
on Wavelets. Ten Lectures on  
Wavelets.  
El análisis de los cruces por cero en  
los voltajes trifásicos revela que,  
antes de la perturbación, los cruces  
son densos y regulares, lo que indica  
una frecuencia constante. Sin  
embargo, tras la falla, la dispersión  
de los cruces sugiere una alteración  
en la frecuencia, lo que es un  
indicativo clave de variaciones en la  
estabilidad y calidad del suministro  
eléctrico. Esto resalta la importancia  
https://doi.org/10.1137/1.978  
1611970104  
Dr. Sergio M. Ramírez Campos, M.  
Cj. G. F. C. Ing. M. I. A. G. Ing.  
J. F. M. M. A. A. L. R. J.  
(2024). Diseño y Aplicación de  
un Algoritmo Colonia de  
Hormigas en un Caso Real de  
Balanceo de Líneas de  
Ensamble con Subprocesos  
Mutuamente Excluyentes. 18,  
1–15.  
416  
Mina-Ortiz et al. (2025)  
https://static1.squarespace.co  
M.-R. (2016). Neuronales  
Sensor System Based in  
Neural Networks for the  
Environmental Monitoring. 17,  
211–222.  
m/static/55564587e4b0d1d3f  
b1eda6b/t/65eb698dcc28f63a  
dafd960d/1709926797326/Ra  
mirez_Campos+--+II2024+--  
+1-15.pdf  
https://www.redalyc.org/pdf/4  
0
4/40445803006.pdf  
Emmanuel J. Espejo, & Marcelo  
Gustavo Molina. (2016).  
L. Cruz, D. Carrión, & A. Riofrio.  
(2016). Vista de Localización  
Modelado y Evaluación de  
Sistemas Eléctricos Híbridos  
Que Combinan Sistemas  
de  
Fallas  
Mediante  
la  
Transformada Wavelet en  
Líneas de Transmisión. 13,  
79–89.  
Fotovoltaicos  
y
Eólicos  
Conectados a la Red. World  
Energy  
Renewable  
september  
Perspective  
Intergration,  
https://revistaenergia.cenace.  
gob.ec/index.php/cenace/artic  
le/view/10/9  
2016,  
140.  
https://www.researchgate.net/  
publication/317193562_MOD  
ELADO_Y_EVALUACION_D  
E_SISTEMAS_ELECTRICOS  
Learnig Statis. (2024). ¿Qué es el  
cruce por cero? Comprender  
el comportamiento de las  
señales.  
_HIBRIDOS_QUE_COMBIN  
https://es.statisticseasily.com/  
glossario/what-is-zero-  
crossing-in-signal-  
AN_SISTEMAS_FOTOVOLT  
AICOS_Y_EOLICOS_CONE  
CTADOS_A_LA_RED  
analysis/?utm_source=chatgp  
t.com  
Faheem Mushtaq, M., Akram, U.,  
Aamir, M., Ali, H.,  
&
Li, T., Zhao, Z., Sun, C., Cheng, L.,  
Chen, X., Yan, R., & Gao, R.  
X. (2022). WaveletKernelNet:  
An Interpretable Deep Neural  
Zulqarnain, M. (2019). Neural  
Network Techniques for Time  
Series Prediction: A Review.  
3,  
2–10.  
Network  
for  
Industrial  
https://www.researchgate.net/  
publication/335107160_Neur  
al_Network_Techniques_for_  
Time_Series_Prediction_A_R  
eview/fulltext/5da2398245851  
Intelligent Diagnosis. IEEE  
Transactions on Systems,  
Man,  
Systems,  
and  
Cybernetics:  
52(4), 10–15.  
https://doi.org/10.1109/TSMC  
2020.3048950  
5
53ff8c23b8/Neural-Network-  
.
Techniques-for-Time-Series-  
Prediction-A-Review.pdf  
Luis Rubén Cruz Andaluz. (2016).  
Aplicación de la  
José de Jesús, R., José Alberto, H.-  
A., Francisco Jacob, Á.-C.,  
Juan Manuel, S.-C., & Adolfo,  
Transformada de Wavelet  
Para Ubicación de Fallas En  
Sistemas  
Eléctricos  
de  
417  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 8 Núm. (15) 2025. ISSN: 2737-6249  
Aplicación de metodología para la compresión de datos y la disminución de big data generada en sistemas de  
monitoreo.  
Potencia  
Universidad  
Saleciana].  
[Ivestigación,  
Politecnica  
Letters,  
https://doi.org/10.1109/97.99  
5823  
9(3),  
81–84.  
https://dspace.ups.edu.ec/bits  
tream/123456789/12873/3/U  
PS-KT01292.pdf  
LUNA,  
M.,  
HARNISTH,  
STALLER,  
A.,  
K.,  
ECHEVERRÍA, D., CASTRO,  
R., & PORTILLA, Ó. (2019).  
Análisis de la serie temporal  
de la estción de monitoreo  
continuo CUEC - REGME.  
Revista Geoespacial, 15(2),  
127.  
https://doi.org/10.24133/GEO  
ESPACIAL.V15I2.1281  
Mercado  
Polo,  
D.,  
Pedraza  
Caballero, L., & Martínez  
Gómez,  
Comparación  
E.  
(2015).  
Redes  
de  
Neuronales aplicadas a la  
predicción de Series de  
Tiempo. Prospectiva, 13(2),  
8
8.  
https://doi.org/10.15665/rp.v1  
i2.491  
3
Morales-Oñate, V., Moreta, L.,  
Morales-Oñate, B., Morales-  
Oñate, V., Moreta, L., &  
Morales-Oñate, B. (2020).  
ALGORITMO DE BALANCEO  
DE DATOS MIXTOS PARA  
BIG DATA EN R. Perfiles,  
1(24),  
20–26.  
https://doi.org/10.47187/PER  
F.V1I24.75  
Wang, Z., & Bovik, A. C. (2002). A  
universal image quality index.  
IEEE  
Signal  
Processing  
418