Calidad Trabajo de Investigacion

UNIVERSIDAD NACIONAL DE SAN ANTONIO ABAD DEL CUSCO
FACULTAD DE INGENIERIA ELECTRICA, ELECTRONICA,

INFORMATICA Y MECANICA
ESCUELA PROFESIONAL DE INGENIERÍA ELÉCTRICA
Evaluación del Efecto Corona y su Influencia en la Calidad de Energía en

la Línea de Transmisión 500kV Arequipa- La Joya mediante Técnicas de
Aprendizaje Automático
CURSO: Calidad de Energía Eléctrica
DOCENTE: Mgt. Giovanni Lima Medina
ESTUDIANTES:
o Cana Sonque Gabriela 210801
o Quispe Gutierrez Bryan 211217
CUSCO-PERÚ
2024-II
1 RESUMEN
Este trabajo de investigación tiene como objetivo analizar el impacto del efecto
corona en la calidad de energía en la línea de transmisión de 500 kV Sol de Verano III SE
San José, ubicada en el distrito de La Joya, Arequipa. El efecto corona, un fenómeno
eléctrico que se produce en líneas de transmisión de alta tensión, genera una descarga que
ocasiona pérdidas de energía, ruido electromagnético, interferencias en las
telecomunicaciones, y contribuye a la generación de gases como el ozono. Este fenómeno es
influenciado por diversos factores ambientales como la altitud, la temperatura, la humedad
relativa y la velocidad del viento. En este estudio, se emplean técnicas de aprendizaje
automático para modelar y predecir la ocurrencia del efecto corona y su impacto en la calidad
de energía, considerando las condiciones climatológicas extremas de la región, caracterizada
por altitudes cercanas a los 1500 metros sobre el nivel del mar (msnm), velocidades de viento
de hasta 26 m/s, y un nivel isoceraúnico de 15 días de tormenta al año. El uso de estas
técnicas permite identificar los factores críticos que influyen en el comportamiento del efecto
corona y proponer estrategias para optimizar la operación del sistema de transmisión,
mejorando la calidad de energía y reduciendo las pérdidas.

GLOSARIO
Efecto Corona: Fenómeno eléctrico que ocurre en conductores a alta tensión, donde se
produce ionización del aire circundante, lo que puede generar pérdidas de energía y afectar la
calidad de la transmisión.
Calidad de Energía: Conjunto de características de la energía eléctrica que afectan su uso
eficiente y seguro, incluyendo pérdidas de energía, distorsiones armónicas y ruido
electromagnético.
Regresión Logística: Método estadístico utilizado para modelar la relación entre una
variable dependiente binaria y una o más variables independientes, permitiendo predecir la
probabilidad de ocurrencia de un evento.
Variables Independientes: Factores que se consideran en un análisis para predecir el
comportamiento de una variable dependiente. Pueden ser continuas (como humedad y
temperatura) o categóricas (como estaciones del año).
Aprendizaje Automático: Rama de la inteligencia artificial que se centra en el desarrollo de
algoritmos que permiten a las computadoras aprender de los datos y hacer predicciones o
decisiones sin ser programadas explícitamente.
Codificación de Variables: Proceso de transformar variables categóricas en un formato que
pueda ser utilizado por modelos estadísticos o de aprendizaje automático, como el One-Hot
Encoding.
Modelos Predictivos: Herramientas estadísticas o de aprendizaje automático que se utilizan
para anticipar resultados futuros basándose en datos históricos y patrones identificados.
Condiciones Ambientales: Factores externos que pueden influir en el comportamiento de
fenómenos eléctricos, incluyendo temperatura, humedad, y otros elementos climáticos.

DEFINICION DE TERMINOS
Efecto Corona: El efecto corona es un fenómeno eléctrico que se produce en líneas de
transmisión de alta tensión cuando el campo eléctrico en la superficie del conductor supera un
umbral crítico. Esto provoca la ionización del aire circundante, generando una descarga
visible, ruido y la producción de ozono (O3) y otros subproductos químicos. Este fenómeno
es relevante en la calidad de la energía eléctrica, ya que puede causar pérdidas de energía y
afectar la operación de equipos eléctricos.
Calidad de Energía: La calidad de energía se refiere a la medida en que la energía eléctrica
suministrada se ajusta a las especificaciones requeridas para su uso eficiente y seguro.
Incluye parámetros como la tensión, la frecuencia, las distorsiones armónicas, las
fluctuaciones de tensión y el ruido electromagnético. La calidad de energía es crucial para el
funcionamiento adecuado de dispositivos eléctricos y electrónicos.
Regresión Logística: La regresión logística es un método estadístico utilizado para modelar
la relación entre una variable dependiente binaria (por ejemplo, presencia o ausencia del
efecto corona) y una o más variables independientes. Este modelo estima la probabilidad de
que ocurra un evento, permitiendo clasificar observaciones en diferentes categorías.
Variables Independientes: Las variables independientes son factores que se utilizan en un
análisis para predecir el comportamiento de una variable dependiente. En el contexto del
efecto corona, estas pueden incluir variables continuas como la humedad, la temperatura y el
gradiente de campo, así como variables categóricas que representan diferentes estaciones del
año.
Aprendizaje Automático: El aprendizaje automático es una subdisciplina de la inteligencia
artificial que se enfoca en el desarrollo de algoritmos y modelos que permiten a las

computadoras aprender de los datos. Estos modelos pueden identificar patrones y hacer
predicciones sin ser programados explícitamente para cada tarea específica.
Codificación de Variables: La codificación de variables es el proceso de transformar
variables categóricas en un formato que pueda ser utilizado por modelos estadísticos o de
aprendizaje automático. Un método común es el One-Hot Encoding, que convierte cada
categoría en una nueva variable binaria.
Modelos Predictivos: Los modelos predictivos son herramientas estadísticas o de
aprendizaje automático que se utilizan para anticipar resultados futuros basándose en datos
históricos. Estos modelos analizan patrones en los datos para hacer predicciones sobre
eventos o comportamientos.
Condiciones Ambientales: Las condiciones ambientales son factores externos que pueden
influir en el comportamiento de fenómenos eléctricos. En el caso del efecto corona, incluyen
variables como la temperatura, la humedad relativa, la velocidad del viento y la altitud, que
pueden afectar la ionización del aire y, por ende, la ocurrencia del efecto.
Evaluación del Efecto Corona y su Influencia en la Calidad de Energía en la Línea de Transmisión 500kV Arequipa- La Joya mediante Técnicas de Aprendizaje Au
ÍNDICE DE CONTENIDO
Resumen...................................................................................................................2
Abstrac...................................................................................................................10
Introducción...........................................................................................................11
CAPÍTULO I: GENERALIDADES......................................................................13
4.1 DESCRIPCIÓN..............................................................................................13
4.1.1 Ubicación Geográfica...............................................................................13
4.1.2 Accesibilidad............................................................................................14
4.1.3 Condiciones climatológicas......................................................................14
4.2 EL PROBLEMA............................................................................................15
4.2.1 Formulación del problema........................................................................15
4.2.2 Planteamiento del problema.....................................................................15
4.3 OBJETIVOS...................................................................................................15
4.3.1 Objetivo General......................................................................................15
4.3.2 Objetivo Específico..................................................................................16
4.4 HIPÓTESIS....................................................................................................16
4.4.1 Hipótesis General.....................................................................................16
4.5 VARIABLES..................................................................................................16
4.5.1 Variables Independientes..........................................................................16
4.5.2 Variables Dependientes............................................................................17
CAPÍTULO II: MARCO TEÓRICO.....................................................................18
Ingeniería Eléctrica 6
5.1 MARCO TEÓRICO.......................................................................................18
5.1.1 Definición del Efecto Corona...................................................................18
5.1.2 Fundamentos Físicos del Efecto Corona..................................................18
5.1.3 Factores que Afectan el Efecto Corona....................................................19
5.1.4 Consecuencias del Efecto Corona............................................................20
5.1.5 Mitigación del Efecto Corona..................................................................21
5.1.6 Estimación de la presencia de efecto corona en la línea de transmisión. .22
5.1.7 Preprocesamiento de datos.......................................................................23
5.2 MODELOS DE REGRESIÓN LOGÍSTICA – CLASIFICACIÓN:.............24
5.2.1 Regresión Logística..................................................................................24
5.2.2 Random Forest..........................................................................................25
5.3 Kernel – SVM.................................................................................................26
5.4 K-Nearest Neighbors (KNN)..........................................................................27
5.4.1 Naive Bayes..............................................................................................28
CAPÍTULO III: MATERIALES Y MÉTODOS...................................................29
6.1 METODOLOGIA...........................................................................................29
6.1.1 Condiciones y características del sistema.................................................29
6.1.2 Selección y análisis de datos del sistema.................................................30
6.1.3 Base de datos............................................................................................31
Capítulo III: Fase técnica.......................................................................................32
7.1 Primer modelo: Regresión logística...............................................................33
7.2 Segundo modelo: Kernel - SVM....................................................................34
7.3 Tercer modelo: Random Forest......................................................................36
7.4 Cuarto modelo: KNN.....................................................................................37
7.5 Quinto modelo: Naive Bayes..........................................................................39
7.6 Verificación de conductor por ruido campo eléctrico y magnético...............41
7.7 Verificación de la Capacidad de Transmisión................................................42
CAPÍTULO IV: RESULTADOS Y DISCUSIÓN................................................43
CONCLUSIONES.................................................................................................45
BIBLIOGRAFÍA...................................................................................................46
ÍNDICE DE FIGURAS
Figura 4.1: Ubicación geográfica de la línea de transmisión Sol de Verano III.........14
Figura 5.1: Clasificación de los Métodos estadísticos................................................22
Figura 5.2: Clasificación de los métodos de inteligencia artificial.............................23
Figura 5.3: Procesamiento y post procesamiento de datos.........................................24
Figura 5.4: Gráfica de regresión logística...................................................................24
Figura 5.5: Gráfico del método Random Forest.........................................................25
Figura 5.6: Gráfico de la regresión logística de Kernel..............................................26
Figura 5.7: Gráfico de la regresión logística de KNN................................................27
Figura 5.8: Gausse Naive Bayes.................................................................................28
Figura 6.1: Traza de la ruta desde la SE Elevadora a la SE de Conexión..................29
Figura 6.2: SEP sur.....................................................................................................30
Figura 7.1: Variables para la predicción del efecto corona........................................32
Figura 7.2: Gráfico del modelo Regresión Logística..................................................33
Figura 7.3: Gráfica del modelo Kernel-SVM.............................................................34
Figura 7.4: Gráfica del modelo KNN.........................................................................37
Figura 7.5: Gráfica del modelo Naive Bayes..............................................................39
Figura 7.6: Campo eléctrico generada por la línea de transmisión.............................41
Figura 7.7: Campo magnético generado por la línea de transmisión..........................42
2 ABSTRAC
This research work aims to analyze the impact of the corona e ect on the power
quality in the 500 kV Sol de Verano III SE San José transmission line, located in the district
of La Joya, Arequipa. The corona e ect, an electrical phenomenon that occurs in high-voltage
transmission lines, generates a discharge that causes energy losses, elec tromagnetic noise,
interference in telecommunications, and contributes to the generation of gases such as ozone.
This phenomenon is inuenced by various environmental factors such as altitude, temperature,
relative humidity and wind speed. In this study, machine learning techniques are used to
model and predict the occurrence of the corona e ect and its impact on power quality,
considering the extreme weather conditions of the region, characterized by altitudes close to
1500 meters above sea level. . (masl), wind speeds of up to 26 m/s, and an isoceraunic level
of 15 storm days per year. The use of these techniques makes it possible to identify the
critical factors that inuence the behavior of the corona e ect and propose strategies to
optimize the operation of the transmission system, improving energy quality and reducing
losses.
3 INTRODUCCIÓN
La creciente demanda de energía y la expansión de las redes de transmisión a zonas
con condiciones ambientales extremas han puesto de relieve la necesidad de comprender y
mitigar los fenómenos que afectan la calidad de la energía. Uno de los fenómenos más
relevantes en las líneas de transmisión de alta tensión es el efecto corona, el cual ocurre
cuando el campo eléctrico alrededor de los conductores es suficientemente intenso para
ionizar el aire circundante, produciendo una descarga eléctrica que se manifiesta como una
pérdida de energía. Este fenómeno, además de generar pérdidas en la transmisión, también
produce interferencias electromagnéticas y acústicas, afectando la operación eficiente del
sistema y la calidad del suministro eléctrico. El impacto del efecto corona puede verse
exacerbado en regiones con condiciones climatológicas particulares, como ocurre en la
provincia de Arequipa, donde la línea de transmisión Sol de Verano III SE San José se
encuentra a altitudes que varían entre los 1400 y 1500 msnm. A estas altitudes, la menor
densidad del aire reduce la capacidad de aislamiento del aire, incrementando la probabilidad
de aparición del efecto corona. Adicionalmente, factores como la velocidad del viento, la
temperatura, la humedad relativa y el nivel isoceraúnico también juegan un papel
fundamental en la aparición y comportamiento de este fenómeno. La calidad de energía,
entendida como la capacidad de un sistema eléctrico para proporcionar un suministro de
energía libre de distorsiones, interrupciones y pérdidas, puede verse significativamente
comprometida por la presencia del efecto corona. Las pérdidas por radiación, la generación
de armónicos, y las interferencias electromagnéticas son algunas de las consecuencias
directas del efecto corona, las cuales deterioran la calidad del suministro eléctrico y aumentan
los costos operativos. Este trabajo de investigación aborda la problemática del efecto corona
en la línea de transmisión de 500 kV en La Joya, Arequipa, utilizando técnicas de aprendizaje
automático para analizar y predecir su impacto en la calidad de energía. El aprendizaje
automático permite analizar grandes volúmenes de datos climáticos y operativos,
identificando patrones que no son evidentes con métodos convencionales, y ofreciendo
modelos predictivos robustos para anticipar la ocurrencia del efecto corona bajo diversas
condiciones ambientales.
4 CAPÍTULO I: GENERALIDADES
El alcance de este estudio abarca el análisis del efecto corona en la línea de
transmisión de 500 kV Sol de Verano III SE San José, ubicada en el distrito de La Joya,
Arequipa. El trabajo se enfoca en la evaluación de cómo las condiciones ambientales y
climatológicas específicas de la región (altitud, temperatura, velocidad del viento, hume dad
relativa y nivel isoceraúnico) influyen en la aparición del efecto corona y cómo este
fenómeno afecta la calidad de energía en términos de pérdidas de energía, distorsiones
armónicas, interferencias electromagnéticas y otros factores que comprometen la eficiencia
de la transmisión. Este estudio no solo incluye la caracterización del fenómeno y su relación
con la calidad de energía, sino que también se extiende al desarrollo de modelos predictivos
basados en técnicas de aprendizaje automático. Dichos modelos serán entrenados para
identificar patrones de ocurrencia del efecto corona bajo diferentes combinaciones de
condiciones ambientales y operativas, lo que permitirá predecir su impacto en la calidad de
energía de manera proactiva.
4.1 DESCRIPCIÓN
4.1.1 Ubicación Geográfica
La investigación se centrará exclusivamente en la línea de transmisión Sol de Verano
III SE San José en Arequipa, no incluyendo otras zonas o líneas de transmisión de diferentes
características geográficas. La zona de estudio se ubica dentro de las coordenadas
 Departamento : Arequipa
 Temperatura promedio : 17 ⁰C
 Altitud : 70º48'15" a 70º05'52"
 Latitud Sur : 14º36'06" a 17º17'54"
 Longitud Oeste : 72°56′19.32″
Figura 4.1: Ubicación geográfica de la línea de transmisión Sol de Verano III
4.1.2 Accesibilidad
El acceso a la zona de estudio se realiza por la ruta nacional PE-34, tramo Cusco-
Arequipa, también se puede llegar por vía aérea.
4.1.3 Condiciones climatológicas
Las condiciones climatológicas de la línea de transmisión a estudiar son las
siguientes:
 Temperatura mínima : 0 ⁰C
 Temperatura media : 20 ⁰C
 Temperatura máxima ambiente : 30 ⁰C
 Velocidad máxima del viento : 26 m/s
 Altitud : < 1500 m.s.n.m
 Humedad relativa promedio : 75%
 Nivel isoceraunico : 15 días de tormentas al año
4.2 EL PROBLEMA
4.2.1 Formulación del problema
Proporcionar alternativas tecnológicas que permitan mejorar los niveles de Calidad de
Servicio minimizando las inversiones asociadas a los sistemas de transmisión y distribución
es siempre una buena decisión. En términos generales, al implementar proyectos lo que se
busca es mejorar la calidad de energía (contar de forma ininterrumpida con energía eléctrica
de adecuados valores de voltaje, corriente y frecuencia, entre otros). Es por este motivo
disponer de una herramienta de programación que permita determinar la localización y
optimizar la capacidad y tecnología a ser implementada en un proyecto de instalación de una
red de distribución, resulta de gran provecho a la hora de ofrecer soluciones eficientes a los
problemas de confiabilidad en la prestación del servicio eléctrico. En consecuencia, es
necesario diagnosticar y evaluar las redes en media tensión para proponer alternativas de
solución y desarrollar un modelo basado en aprendizaje automático para la predicción del
efecto corona y la operación eficiente del sistema eléctrico en la línea de transmisión de 500
kV Sol de Verano III - SE San José.
4.2.2 Planteamiento del problema
¿Cómo se puede desarrollar un modelo basado en aprendizaje automático para
predecir el efecto corona en líneas de transmisión, considerando su impacto en la
calidad de energía y las condiciones operativas del sistema eléctrico?
4.3 OBJETIVOS
4.3.1 Objetivo General
El objetivo principal de este estudio es diseñar y entrenar un análisis integral del
efecto corona y su influencia en la calidad de energía en la línea de transmisión de 500 kV
Arequipa- La Joya, utilizando técnicas de aprendizaje automático para modelar y predecir su
ocurrencia, con el n de optimizar la operación del sistema de transmisión y mitigar su
impacto en la calidad de energía.
4.3.2 Objetivo Específico
 Desarrollar un modelo predictivo basado en aprendizaje automático que permita
anticipar la ocurrencia del efecto corona bajo diversas combinaciones de condiciones
ambientales, utilizando datos históricos y en tiempo real.
 Evaluar el impacto del efecto corona en la calidad de energía, midiendo indicadores
clave como las pérdidas de energía, la distorsión armónica, la generación de ruido
electromagnético y las interferencias en las telecomunicaciones.
4.4 HIPÓTESIS
4.4.1 Hipótesis General
Un modelo de aprendizaje automático para predecir el efecto corona optimizará la
operación y la calidad de energía en la línea de transmisión de 500 kV Sol de Verano III - SE
San José.
4.5 VARIABLES
4.5.1 Variables Independientes
1. Tensión del conductor
2. Radio del conductor
3. Distancia entre conductores
4. Condiciones ambientales
5. Frecuencia de la tensión
4.5.2 Variables Dependientes
Ya que el efecto corona se presenta debido a diversas condiciones nuestra variable
dependiente sería:
1. Efecto Corona
5 CAPÍTULO II: MARCO TEÓRICO
5.1 MARCO TEÓRICO
5.1.1 Definición del Efecto Corona
El efecto corona es un fenómeno eléctrico que ocurre en líneas de transmisión de alta
tensión cuando el campo eléctrico en la super cie del conductor supera un umbral crítico, lo
que provoca la ionización del aire circundante. Este proceso genera una descarga visible en
forma de brillo azul y se acompaña de la emisión de sonido (ruido) y la producción de ozono
(O3) y otros subproductos químicos. El efecto corona se asocia principalmente con líneas de
transmisión de alta tensión (por encima de 100 kV) debido a los altos niveles de voltaje que
inducen los campos eléctricos intensos necesarios para provocar la ionización (Ledesma,
2014).
5.1.2 Fundamentos Físicos del Efecto Corona
El fenómeno del efecto corona ocurre cuando el gradiente de campo eléctrico en la
super cie del conductor excede la rigidez dieléctrica del aire (aproximadamente 30 kV/cm a
nivel del mar). En ese momento, los electrones libres en el aire son acelerados por el campo
eléctrico, colisionando con las moléculas de aire y generando una cascada de ionización. Esto
resulta en la creación de un plasma alrededor del conductor, lo que genera la descarga
característica del efecto corona. La ecuación de Peek es utilizada comúnmente para describir
el gradiente crítico de campo eléctrico Ec que causa el efecto corona en un conductor de radio
r, considerando las condiciones atmosféricas (Michaud, 2022).
La ecuación es:
Ec =g m ∙ m∙ ( δr ) ( 1)
Donde:
Ec : Es el gradiente crítico de campo eléctrico.
gm : Es una constante (31 kV/cm). mes el factor de irregularidad de la superficie del
conductor.
δ : Es la densidad relativa del aire respecto a la presión y temperatura del ambiente.
r : Es el radio del conductor.
Esta ecuación muestra cómo factores como el radio del conductor, la rugosidad de su
super cie y las condiciones atmosféricas (presión y temperatura) afectan la aparición del
efecto corona.
5.1.3 Factores que Afectan el Efecto Corona
Varios factores influencian la severidad y frecuencia del efecto corona en líneas de
transmisión (Infanzón, 2017)x.
A. Voltaje: El principal factor que determina la aparición del efecto corona es el nivel de
voltaje aplicado a la línea de transmisión. A mayor voltaje, mayor es el campo
eléctrico generado alrededor del conductor, lo que aumenta la probabilidad de superar
el umbral crítico para la ionización del aire (Servicios de Confiabilidad, 2019).
B. Condiciones Climáticas: El clima tiene una gran influencia en el comportamiento del
efecto corona. Factores como la altitud, la temperatura, la humedad relativa y la
velocidad del viento afectan la densidad del aire y, por lo tanto, la rigidez dieléctrica
del medio circundante:
 Altitud: A medida que aumenta la altitud, la densidad del aire disminuye, lo
que reduce su capacidad de aislamiento y facilita la aparición del efecto
corona.
 Temperatura y Humedad: Las temperaturas más bajas y la alta humedad
aumentan la probabilidad del efecto corona, ya que la presencia de agua en el
aire aumenta su conductividad.
 Velocidad del viento: El viento puede dispersar las descargas de corona,
reduciendo su intensidad.
C. Diseño del Conductor: La geometría del conductor (como su radio y la rugosidad de
su super cie) también es un factor clave. Los conductores con superficies más rugosas
tienden a generar efectos corona más intensos debido a que las irregularidades
amplifican el campo eléctrico local (Infanzón, 2017).
D. Configuración de la Línea de Transmisión: La distancia entre conductores y la
disposición geométrica de la línea también influyen en el campo eléctrico generado.
Las configuraciones que reducen la cercanía entre conductores pueden mitigar el
efecto corona (Infanzón, 2017).
E. Contaminación y Polvo: La acumulación de polvo, sal o contaminantes en la su per
cie de los conductores puede aumentar la irregularidad de la super cie, elevando el
campo eléctrico local y favoreciendo la ionización del aire. Esto es particularmente
relevante en zonas industriales o cercanas a la costa (Infanzón, 2017).
5.1.4 Consecuencias del Efecto Corona
El efecto corona tiene diversas repercusiones, tanto en la e ciencia de la línea de
transmisión como en la calidad del suministro eléctrico:
A. Pérdida de Energía: El efecto corona produce una pérdida de energía en forma de
calor y radiación electromagnética. Estas pérdidas son proporcionales a la magnitud
del efecto y pueden incrementarse considerablemente en condiciones de alto voltaje y
alta humedad (Gómez Delgado & Gualpa Pérez, 2021).
B. Interferencias Electromagnéticas (EMI): El ruido electromagnético generado por el
efecto corona puede interferir con las señales de telecomunicaciones y otros sistemas
de comunicación cercanos, afectando su desempeño (Gómez Delgado & Gualpa
Pérez, 2021).
C. Ruido Audible: Las descargas de corona producen un zumbido característico que, a
niveles intensos, puede ser percibido en las cercanías de la línea de transmisión.
Aunque no es peligroso, puede causar molestias a largo plazo en áreas habitadas
(Gómez Delgado & Gualpa Pérez, 2021).
D. Degradación de la Calidad de Energía: El efecto corona afecta negativamente la
calidad de energía al generar armónicos e interferencias que distorsionan las formas
de onda de corriente y voltaje. Esto reduce la eficiencia del sistema eléctrico y puede
afectar la operación de equipos conectados a la red (Gómez Delgado & Gualpa Pérez,
2021).
E. Generación de Ozono y Gases: El proceso de ionización del aire durante el efecto
corona genera ozono (O3 ) y otros gases como el óxido de nitrógeno (NO x ), que
pueden ser perjudiciales para el medio ambiente si las descargas son continuas y
prolongadas (Gómez Delgado & Gualpa Pérez, 2021).
5.1.5 Mitigación del Efecto Corona
Según Gómez Delgado y Gualpa Pérez, en el año 2021 existen diversas técnicas
pueden ser empleadas para mitigar el impacto del efecto corona en líneas de transmisión de
alta tensión:
 Aumentar el Radio del Conductor: Utilizar conductores de mayor diámetro reduce
la intensidad del campo eléctrico en su super cie, disminuyendo la probabilidad de
ionización del aire.
 Uso de Conductores Compuestos: Los conductores con refuerzo de acero o
aleaciones (como los ACAR y ACSR) tienen mejores propiedades mecánicas que
permiten reducir la rugosidad de la super cie y mejorar el comportamiento ante el
efecto corona. Disposición de los Conductores: Modificar la configuración geométrica
de los conductores, aumentando la distancia entre ellos, puede disminuir la
interacción de los campos eléctricos y mitigar el efecto corona.
 Cubiertas Conductivas: En algunos casos, se pueden utilizar cubiertas especiales en
los conductores que disminuyen las irregularidades superficiales, lo que reduce la
intensidad del campo eléctrico local.
5.1.6 Estimación de la presencia de efecto corona en la línea de transmisión
5.1.6.1 Método estadístico:
Este método usa conceptos estadísticos que son ideales para datos de tipo lineal
(Hastie, Tibshirani, & Friedman, 2009).
Figura 5.2: Clasificación de los Métodos estadísticos
5.1.6.2 Método de inteligencia artificial:
Es una herramienta capaz de resolver problemas de análisis de datos históricos,
encontrando tendencias, patrones y pronósticos, en una gran cantidad de datos (Hastie,
Tibshirani, & Friedman, 2009).
Figura 5.3: Clasificación de los métodos de inteligencia artificial
5.1.6.3 Método hibrido:
Estos métodos resultan de la combinación de dos o más técnicas de predicción, como
son las técnicas estadísticas y de inteligencia artificial. La finalidad es lograr una mayor
precisión, menor tiempo de procesamiento y menor error en el entrenamiento (Hastie,
Tibshirani, & Friedman, 2009).
5.1.7 Preprocesamiento de datos
5.1.7.1 Preprocesamiento y procesamiento:
Es ventajoso aplicar transformaciones de procesamiento previo a la información de
entrada antes de que se usen en la red neuronal. De manera similar, la salida o salidas de la
Figura 5.4: Procesamiento y post procesamiento de datos
red neuronal se procesan para dar valores de salida requeridos. El preprocesamiento suele ser
una de las fases más fundamentales en el desarrollo de una solución ya que tiene un efecto
significativo en el rendimiento.
5.2 MODELOS DE REGRESIÓN LOGÍSTICA – CLASIFICACIÓN:
5.2.1 Regresión Logística
La regresión logística es un modelo estadístico utilizado para predecir la probabilidad
de una variable dependiente categórica, generalmente binaria. Es una extensión de la
regresión lineal para problemas de clasificación. El modelo se basa en la función sigmoide o
logística que transforma valores reales en probabilidades entre 0 y 1 (Julien Florkin, 2024).
Función Sigmoide:
(− z)
hθ (x)=1 /(1+e ) ( 2)
Donde:
−z=θ ₀+θ ₁ x ₁+θ ₂ x ₂+...+θₙxₙ (la combinación lineal de las variables independientes)
Figura 5.5: Gráfica de regresión logística
El modelo minimiza la función de pérdida logarítmica (Log Loss) para ajustar los parámetros
θ. La salida se interpreta como una probabilidad y se utiliza un umbral (generalmente 0.5)
para clasificar.
5.2.2 Random Forest
Random Forest es un algoritmo de aprendizaje supervisado basado en árboles de
decisión. Construye múltiples árboles (ensemble) durante el entrenamiento y combina sus
predicciones mediante votación (clasificación) o promediado (regresión). Su objetivo es
mejorar la precisión y reducir el sobreajuste (Lovtechnology, 2024).
Figura 5.6: Gráfico del método Random Forest
Cada árbol es entrenado con una muestra aleatoria del dataset (técnica bootstrap) y, en
cada nodo, selecciona un subconjunto aleatorio de características para dividir.
Esto introduce aleatoriedad y robustez al modelo.
 Importancia de características:
Random Forest evalúa la importancia de las características calculando la reducción
promedio de la impureza (entropía o Gini) que cada característica aporta a los árboles del
bosque.
5.3 Kernel – SVM
La Máquina de Vectores de Soporte (SVM) es un modelo supervisado que encuentra
un hiperplano en un espacio de alta dimensión para separar clases.
El kernel es una función que transforma los datos a un espacio de mayor dimensión para
hacer posible la separación lineal (Julien Florkin, 2024).
Función Kernel Común:
Lineal : K ( x , x ' )=xᵀx '
RBF : K (x , x ')=exp (−γ ∨¿ x−x '∨¿ ²)
Figura 5.7: Gráfico de la regresión logística de Kernel
El término de margen máximo asegura que el modelo no solo clasifique correctamente, sino
que mantenga un margen amplio entre clases.
5.4 K-Nearest Neighbors (KNN)
El algoritmo KNN clasifica una instancia basándose en las etiquetas de sus k vecinos
más cercanos. La distancia se mide mediante métricas como Euclídea o Manhattan (Julien
Florkin, 2024).
Figura 5.8: Gráfico de la regresión logística de KNN
Pasos del algoritmo:
1. Seleccionar el valor de k.
2. Calcular la distancia entre el punto a clasificar y todos los puntos del dataset.
3. Seleccionar los k vecinos más cercanos.
4. Asignar la clase mayoritaria entre los k vecinos.
5.4.1 Naive Bayes
Naive Bayes es un clasificador probabilístico basado en el Teorema de Bayes y la
independencia condicional de las características. Se utiliza comúnmente para problemas de
texto como clasificación de spam.
Teorema de Bayes:
P(C∨ X)=[ P(X ∨C)∗P (C)]/ P(X ) ( 3)
Donde:
 P(C|X): Probabilidad de la clase dada las características.
 P(X|C): Probabilidad de las características dada la clase.
 P(C): Probabilidad a priori de la clase.
 P(X): Probabilidad a priori de las características.
Figura 5.9: Gausse Naive Bayes
6 CAPÍTULO III: MATERIALES Y MÉTODOS
6.1 METODOLOGIA
En esta sección se presenta la metodología utilizada para el estudio de la presencia de
efecto corona, lo cual la base de datos se utilizará para el entrenamiento y el testing que se
realizará por medio del lenguaje de programación Python (ambiente SPYDER).
6.1.1 Condiciones y características del sistema
La línea de transmisión de 500kV Sol de Verano III- SE San José recorre 6 km
ubicado en el departamento de Arequipa, provincia de Arequipa en el distrito La Joya. En su
recorrido abarca altitudes desde 1400 msnm hasta los 1500 msnm, con lo cual se ubica en la
zona de carga del Área 0, establecida por el código nacional de electricidad Suministro 2011.
Figura 6.10: Traza de la ruta desde la SE Elevadora a la SE de Conexión
La zona del proyecto Líneas de Transmisión 500kV Sol de Verano III SE San José, de
acuerdo a su ubicación, adoptan las siguientes condiciones climáticas para el diseño de la
línea de transmisión:
6.1.2 Selección y análisis de datos del sistema
El software que se usará para el estudio de datos es el Power Factory DigSilent, que
nos permitirá para el diseño y el estudio de sistemas eléctricos de potencia. El sistema que se
muestra es el SEP del Sur del país que es el caso de estudio, en especial la línea L-5033
Figura 6.11: SEP sur
6.1.3 Base de datos
Los datos son recopilados del documente del COES de la parte de operación de la
línea. A continuación, se muestra los primeros 10 datos de la parte de operación del sistema.
para el estudio se tomó una muestra de 300 datos que nos servirá para nuestro estudio.
Tabla 1: Datos climatológicos y características de los conductores
7 CAPÍTULO III: FASE TÉCNICA
Importancia de las variables a la presencia de efecto corona: En este análisis, se busca
determinar cuáles de las 6 variables independientes aportan significativamente a la predicción
del efecto corona. Estas variables se dividen en dos grupos principales: las variables
continuas (humedad, temperatura y gradiente de campo), y las variables categóricas
(representadas por 3 variables derivadas de las estaciones del año: verano, otoño,
invierno y primavera).
El objetivo es identificar la relevancia de cada variable para mejorar la precisión del
modelo predictivo. Las tres variables continuas (humedad, temperatura y gradiente de campo)
son especialmente importantes, ya que tienen una relación física directa con los fenómenos
eléctricos involucrados en el efecto corona. Por ejemplo:
 Humedad: Influye directamente en la conductividad del aire, lo que puede facilitar la

ionización y aumentar la probabilidad de efecto corona.
 Temperatura: Afecta la densidad del aire y, por lo tanto, el nivel de tensión eléctrica
necesario para que ocurra la ionización.
 Gradiente de Campo: Es el factor clave que mide la intensidad del campo eléctrico;
su magnitud está directamente relacionada con la aparición del efecto corona.
Por otro lado, las variables categóricas asociadas a las estaciones del año son
transformadas en variables binarias mediante codificación. Estas variables permiten capturar
patrones estacionales que podrían influir en el fenómeno debido a cambios climáticos, como
variaciones en humedad y temperatura según la estación.

Figura 7.12: Variables para la predicción del efecto corona
7.1 Primer modelo: Regresión logística
En la regresión básica, el modelo asume una relación lineal entre las variables
independientes y la variable dependiente. Para este caso, las variables continuas (humedad,
temperatura y gradiente de campo) se incluirían directamente en el modelo, mientras que las
variables categóricas derivadas de las estaciones del año serían transformadas mediante
codificación, como One-Hot Encoding, para que puedan ser incluidas en el análisis.
Figura 7.13: Gráfico del modelo Regresión Logística
El gráfico generado para el modelo de Regresión Logística utiliza dos variables
independientes: Humedad (una variable continua) y Categoría 2 (una variable categórica
codificada). A continuación, se explica su interpretación:
1. Ejes del gráfico:
o El eje X representa los valores de la Humedad, que varían en un rango

continuo.
o El eje Y corresponde a la Categoría 2, que está codificada numéricamente (por

ejemplo, 0 o 1).
2. Región de decisión:
o El gráfico incluye una región de decisión, que es el área dividida por una
frontera o línea. Esta frontera indica el umbral que separa las clases predichas
por el modelo.
o Por ejemplo, las áreas de diferente color representan las regiones en las que la
Regresión Logística predice la ocurrencia o no del efecto corona. Estas áreas
son el resultado de una función logística que ajusta probabilidades y las
convierte en predicciones binarias.
3. Puntos de datos:
o Cada punto del gráfico representa una observación del conjunto de datos.
o Los puntos se distinguen por colores según la clase real de la variable

dependiente (efecto corona presente o ausente).
o Esto permite observar visualmente si el modelo predice correctamente la clase

de los datos.
4. Forma de la frontera de decisión:
o En el caso de la Regresión Logística, la frontera de decisión es una línea recta.

Esto se debe a la naturaleza lineal del modelo cuando se proyectan las
probabilidades en un espacio bidimensional.
5. Interpretación:
o Si los puntos de ambas clases están claramente separados por la frontera de

decisión, el modelo tiene un buen desempeño para estas dos variables
específicas.
o Si hay puntos mal clasificados (por ejemplo, en el área incorrecta), esto

sugiere que la relación entre las variables podría no ser completamente lineal o
que existen otras variables influyentes que no se han considerado en el gráfico.
7.2 Segundo modelo: Kernel - SVM
Las 6 variables independientes (humedad, temperatura, gradiente de campo y las
variables categóricas de estaciones del año) son empleadas para entrenar el modelo. A
diferencia de métodos más básicos, el Kernel-SVM utiliza una función kernel para
transformar los datos a un espacio de mayor dimensión, donde una separación más clara entre
las clases (presencia o ausencia del efecto corona) es posible.
Figura 7.14: Gráfica del modelo Kernel-SVM
 Ejes del gráfico:
 Eje X: Representa los valores de la Humedad, que varían en un rango continuo.
 Eje Y: Corresponde a la Categoría 2, que está codificada numéricamente (por

ejemplo, 0 o 1).
 Región de decisión:
 El gráfico incluye una región de decisión, que es el área dividida por una frontera o
línea. Esta frontera indica el umbral que separa las clases predichas por el modelo.
 A diferencia de otros modelos, la frontera de decisión en el modelo Kernel - SVM no

es una línea recta, sino una curva compleja. Esto es el resultado de aplicar un kernel
radial (RBF), que permite capturar relaciones no lineales entre las variables, como la
Humedad y Categoría 2.
 Las áreas de diferente color representan las regiones en las que el modelo predice la
ocurrencia o no del efecto corona.
 Puntos de datos:
 Cada punto del gráfico representa una observación del conjunto de datos.
 Los puntos se distinguen por colores según la clase real de la variable dependiente
(efecto corona presente o ausente).
 Esto permite observar visualmente si el modelo predice correctamente la clase de los

datos, y cuántos puntos caen dentro de las regiones de predicción correcta y
incorrecta.
 Forma de la frontera de decisión:
 En el modelo Kernel - SVM, la frontera de decisión es una curva no lineal que se

adapta a la distribución de los datos. Esto es posible gracias a la transformación de las
características mediante el kernel radial (RBF), que permite capturar patrones más
complejos.
 A diferencia de modelos lineales, como la Regresión Logística, el Kernel - SVM

puede generar fronteras de decisión que no siguen una línea recta, sino que se curvan
según las relaciones no lineales de los datos.
7.3 Tercer modelo: Random Forest
Las 6 variables independientes (humedad, temperatura, gradiente de campo y las
variables categóricas de estaciones del año) se utilizan para entrenar el modelo, que crea
múltiples árboles de decisión en el proceso de entrenamiento y combina sus resultados para
realizar predicciones.

ejemplo, 0 o 1).
 El gráfico muestra una región de decisión, que es el área dividida por una frontera o
 En el modelo Random Forest, la frontera de decisión puede ser compleja y no lineal,

debido a que el modelo utiliza múltiples árboles de decisión para realizar las
predicciones. Cada árbol contribuye a la decisión final, lo que da lugar a una frontera
más suave y menos segmentada en comparación con modelos como KNN.
 Las áreas de diferente color representan las regiones donde el modelo predice la
ocurrencia o no del efecto corona. Estas regiones son determinadas por los árboles de
decisión que componen el modelo, y la clasificación final es una combinación de las
predicciones de todos los árboles.
 Los puntos están codificados por colores según la clase real de la variable dependiente
 Esto permite observar si el modelo predice correctamente las clases, y qué tan bien se
adaptan los puntos dentro de las regiones de predicción correcta.
 La frontera de decisión en el Random Forest es más suave que en KNN, pero sigue
siendo no lineal. Esto se debe a la combinación de múltiples árboles de decisión, que
pueden generar predicciones basadas en diferentes criterios y características del
conjunto de datos.
 En comparación con modelos como Regresión Logística, donde la frontera de

decisión es recta, la frontera de Random Forest tiene una forma más flexible y
adaptada a los patrones complejos presentes en los datos. A medida que el número de
árboles aumenta, la frontera de decisión tiende a estabilizarse y volverse más suave,
dado que el modelo considera una mayor variedad de combinaciones de
características.
7.4 Cuarto modelo: KNN
A ocurrencia del efecto corona utilizando las 6 variables independientes: humedad,
temperatura, gradiente de campo y las variables categóricas codificadas de estaciones del año.
Este modelo no requiere suposiciones sobre la distribución de los datos, lo que lo hace útil
para problemas no lineales como este.
Figura 7.15: Gráfica del modelo KNN

ejemplo, 0 o 1).
 El gráfico incluye una región de decisión, que es el área dividida por una frontera o
 En el modelo KNN, la frontera de decisión tiende a ser irregular y segmentada. Esto

se debe a que el modelo no genera una frontera suave como en los modelos lineales,
sino que clasifica una observación según las k observaciones más cercanas.
 Las áreas de diferente color representan las regiones en las que el modelo predice la
ocurrencia o no del efecto corona. Estas regiones están determinadas por la cercanía
de los puntos a las observaciones más cercanas de cada clase.
 Los puntos se distinguen por colores según la clase real de la variable dependiente
 Esto permite observar visualmente si el modelo predice correctamente la clase de los

datos, y cuántos puntos caen dentro de las regiones de predicción correcta y
incorrecta.
 En el modelo KNN, la frontera de decisión no sigue una línea recta ni una curva suave
como en otros modelos, sino que es irregular y se adapta a la densidad de los puntos
cercanos.
 Esta forma de la frontera es el resultado de la clasificación basada en la proximidad,

donde los puntos cercanos a uno de los valores de salida (0 o 1) tienden a ser
clasificados de la misma manera.
 Si los puntos de datos están distribuidos de forma que hay una densidad local similar
de puntos de la misma clase, la frontera será más suave; sin embargo, si los puntos
están dispersos de manera desigual, la frontera de decisión se vuelve más irregular.
 Interpretación:
 Si los puntos de ambas clases están bien separados por la frontera de decisión, esto
indica que el modelo está realizando una buena clasificación para las dos variables
seleccionadas.
 Si hay puntos mal clasificados (por ejemplo, que caen en la región incorrecta), esto
podría indicar que el valor de k seleccionado no es adecuado para el conjunto de
datos, o que el modelo no está capturando de manera efectiva la distribución de las
clases en los datos.
 La capacidad de KNN para generar fronteras de decisión irregulares lo hace muy útil
para problemas donde las fronteras de clase no siguen una estructura sencilla y son
más complejas o discontinuas, lo que es común en problemas con interacciones no
lineales entre las variables.
7.5 Quinto modelo: Naive Bayes
Figura 7.16: Gráfica del modelo Naive Bayes

ejemplo, 0 o 1).
 El gráfico muestra una región de decisión que separa las dos clases predichas por el
modelo Naive Bayes.
 En Naive Bayes, la frontera de decisión es basada en la probabilidad condicional de

cada clase, dada una o más características del conjunto de datos. El modelo asume que
las características son independientes entre sí (esto es la hipótesis de independencia
condicional), lo que puede hacer que la frontera de decisión sea relativamente simple
y lineal, aunque esto depende de las características y la distribución de los datos.
 La región de decisión se distingue en el gráfico por el uso de diferentes colores, cada

uno representando una clase predicha (efecto corona presente o ausente). En los casos
donde las características son más influyentes, se verá una mayor separación entre las
regiones de decisión.
 Cada punto en el gráfico representa una observación del conjunto de datos.

 Los puntos están etiquetados de acuerdo con la clase real de la variable dependiente
 A diferencia de modelos como Random Forest o SVM, la distribución de los puntos
en el gráfico puede ser más uniforme debido a la simplificación de la suposición de
independencia entre las características. Esto puede llevar a una menor capacidad para
capturar relaciones complejas en los datos.
 En Naive Bayes, la frontera de decisión es generalmente lineal o poco compleja, ya

que el modelo hace predicciones basadas en la probabilidad de cada clase dadas las
características. Si las características tienen una distribución normal o cercana a ella, la
frontera será más precisa.
 A diferencia de modelos como Random Forest o KNN, que pueden crear fronteras de
decisión más complejas y no lineales, la frontera de Naive Bayes es más simple y
tiende a seguir patrones más lineales debido a su supuesta independencia entre
variables.
 La forma de la frontera puede depender de si las características son continuas o

discretas, y si se utilizan distribuciones gaussianas para las variables continuas, la
frontera de decisión podría tener una forma curvada o ligeramente segmentada.
7.6 Verificación de conductor por ruido campo eléctrico y magnético
La intensidad del campo eléctrico producido depende de los siguientes factores:
o La distancia entre los conductores y tierra.

o La geometría de los conductores.
o El voltaje de operación
Para el proyecto, se verificará bajo el método del software del EPRI AC
"Transmission Line Reference Book – 200kV and Above, Thrid Edition", que los valores
están por debajo de lo permitido por el CNE - Suministro 2011.
Figura 7.17: Campo eléctrico generada por la línea de

transmisión
Del gráfico observamos, el campo eléctrico generada por la línea de transmisión tiene
un valor máximo de 5,23 kV/m, considerando que el valor de campo magnético es menor que
8,3 kV/m, de acuerdo a lo indicado por el CNE – Utilización 2006 para el tipo de exposición
Ocupacional, por lo tanto, cumple con el límite establecido. Por otro lado, la intensidad del
campo magnético producido depende de los siguientes factores:
1. La distancia entre los conductores y tierra.

2. La geometría de los conductores.
3. La corriente que a traviesa los conductores.
Para el proyecto, se verificará bajo el método del software del EPRI AC
"Transmission Line Reference Book – 200kV and Above, Thrid Edition", que los valores
están por debajo de lo permitido por el CNE - Suministro 2011.
Figura 7.18: Campo magnético generado por la línea de transmisión
Del gráfico observamos, el campo magnético generada por la línea de transmisión
tiene un valor máximo de 87,44 mG (8,74 µT), considerando que el valor de campo
magnético es menor que 83,3 µT, de acuerdo a lo indicado por el CNE – Utilización 2006
para el tipo de exposición Poblacional y Ocupacional, por lo tanto, cumple con el límite
establecido.
7.7 Verificación de la Capacidad de Transmisión
Cálculo de capacidad en línea de transmisión 500Kv (T° conductor = Se

75°C)
Clase de Calib Intensid P. Máx. P.
Diámet Potencia
Conductor re ad por Total en NOMIN Cump
ro Contingen
(AWG/MC [mm conduct 500 KV AL le
[mm] cia [MW]
M) 2] or [A] [MVA] [MVA]
500 20.66 253 578 1903 1400 1820 si
550 21.67 279 605 1990 1400 1820 si
600 22.64 304 627 2064 1400 1820 si
650 23.56 329 661 2176 1400 1820 si
700 24.45 354 690 2271 1400 1820 si
750 25.32 380 720 2370 1400 1820 si
800 26.14 405 749 2464 1400 1820 si
900 27.74 456 805 2650 1400 1820 si
1000 29.26 507 860 2831 1400 1820 si
realiza el cálculo de ampacidad para conductores de clase ACAR para verificar la potencia
máxima que son capaces de soportar estos conductores sin sobrepasar la temperatura máxima
de 75ºC. Las condiciones ambientales son las que se mencionaron en el punto 4
“Consideraciones Generales”. Este cálculo se ha realizado mediante el módulo Thermal
Calculations (IEEE 738 CIGRE brochure 207) Steady State Thermal Rating, donde el cálculo
se basa en la Norma IEEE Standard 738-2012, "IEEE Standard for Calculating the Current-
Temperature Relationship of Bare Overhead Conductors."
8 CAPÍTULO IV: RESULTADOS Y DISCUSIÓN
Presencia de efecto corona en línea de transmisión 500Kv

Gradien
Gradient Gradien
te
Clase de e te Presen
Diámet Calibr máximo
Conductor promedi N° crítico cia de
ro e superfic
(AWG/MC o c/fase [kV- efecto
[mm] [mm2] ial [KV-
M) [KVrms/c rms/cm corona
rms/cm
m] ]
]
500 20.66 253 17.53 19.25 4 18.5 no
550 21.67 279 16.77 18.49 4 18.5 si
600 22.64 304 16.1 17.83 4 18.5 si
650 23.56 329 15.51 17.25 4 18.5 si
Ingeniería
700Eléctrica
24.45 354 14.98 16.72 4 18.5 si 44
750 25.32 380 14.51 16.26 4 18.5 si
800 26.14 405 14.07 15.83 4 18.5 si
900 27.74 456 13.31 15.08 4 18.5 si
1000 29.26 507 13.07 14.9 4 18.5 si
Cálculo de las pérdidas por efecto Joule en línea de transmisión 500Kv ( T°

conductor = 75°C)
Resisten Configuraci
Clase de Longit Pérdid
Diámet cia a 75 on de
Conductor Calibre ud de a Cumpl
ro °C conductor
(AWG/MC [mm2] linea máxim e
[mm] [ohm/Km [N°Cond/fa
M) [Km] a [MW]
] se]
500 20.66 253 6 0.1487 4 0.13 si
550 21.67 279 6 0.1352 4 0.12 si
600 22.64 304 6 0.1241 4 0.11 si
650 23.56 329 6 0.1148 4 0.1 si
700 24.45 354 6 0.1067 4 0.09 si
750 25.32 380 6 0.0997 4 0.09 si
800 26.14 405 6 0.0937 4 0.08 si
900 27.74 456 6 0.0834 4 0.07 si
1000 29.26 507 6 0.0755 4 0.07 si
9 CONCLUSIONES
A. Con base en la evaluación del efecto corona y su impacto en la calidad de la energía
en la línea de transmisión La Joya, los resultados muestran la capacidad de las
técnicas de aprendizaje automático para analizar y predecir las interferencias causadas
por el ruido eléctrico y magnético. La verificación de los conductores, representada en
los gráficos, evidencia cómo las condiciones operativas generan distorsiones que
pueden afectar el rendimiento del sistema.
B. La integración de estos modelos predictivos permite anticipar y mitigar los efectos
adversos, contribuyendo a mejorar la estabilidad y confiabilidad del sistema eléctrico.
Así, este enfoque no solo optimiza el desempeño actual, sino que establece un
precedente para futuras investigaciones y aplicaciones en la gestión de sistemas
eléctricos.
C. Se desarrolló los modelos de predicción desde los conceptos generales del
Aprendizaje automático usando las librerias de sklearning, Pandas, Numpy para la
manipulación de datos; dónde se concluyó que de los 5 modelos de predicción, el
modelo de Random Forest logró una precisión superior al 80 %.
D. El impacto del efecto corona en la línea de transmisión bajo condiciones de 75°C y
disposición del conductor por fase ACAR (AWG/MCM) fue del 0.11MW y los
campos electromagnéticos fueron inferiores a los establecidos según norma nacional e
internacional siendo estos de valor máximo de 5,23 kV/m y 87,44 mG.
10 BIBLIOGRAFÍA
Arcila, J. D. (07 de Mayo de 2010). ingenieros.es. Obtenido de https://ingenieros.es/
Gómez Delgado, J. D., & Gualpa Pérez, J. C. (2021). Biblioteca UPS. Obtenido de
https://www.ups.edu.ec/bibliotecas
Gonzales Arispe, J. C., & Marca Yucra, A. Y. (2023). Análisis de armónicos en sistemas
eléctricos de potencia y . Revista chilena de ingeniería, 18.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning : data
mining, inference, and prediction. Springer.
Infanzón, M. H. (2017). Efecto Corona sobre líneas de transmisión. Lima.
Julien Florkin. (5 de diciembre de 2024). julienflorkin. Obtenido de
https://www.julienflorkin.com.
Ledesma, P. (4 de Febrero de 2014). Academia.Edu. Obtenido de
https://d1wqtxts1xzle7.cloudfront.net/32107569/37596241-Efecto-Corona-libre.pdf?
1391479629=&response-content-disposition=inline%3B+filename
%3DElefectocorona.pdf&Expires=1733460880&Signature=V8XuSD36Ckyuw~DOs
RtMhYZpV8wt40Ho~22L8NDse~K4~NeXyOMOCjRiSe84I-T7E
Lovtechnology. (5 de Diciembre de 2024). Sistemas de Inteligencia Artificial Híbridos:
Combinando Enfoques para Máxima Eficiencia. . Obtenido de
https://www.lovtechnology.com.
Michaud, A. (16 de Enero de 2022). researchgate. Obtenido de
https://www.researchgate.net/profile/Andre-Michaud/publication/320548358_El_efec
to_Corona/links/61e47a658d338833e374b2c2/El-efecto-Corona.pdf
Ramirez Castaño, S., & Cano Plata, E. A. (2006). Calidad del servicio de energía eléctrica.
Manizales: Centro de publicaciones de la universidad nacional de Colombia.
RTR Energía. (21 de junio de 2012). fotosdeelectricidad.es. Obtenido de
https://fotosdeelectricidad.es/
Servicios de Confiabilidad. (23 de Abril de 2019). SEDISA. Obtenido de
https://sedisaservicios.com/activos-industria/deteccion-de-efecto-corona-con-
ultrasonido/

Calidad Trabajo de Investigacion

Cargado por

Copyright:

Formatos disponibles

Calidad Trabajo de Investigacion

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Calidad Trabajo de Investigacion

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE SAN ANTONIO ABAD DEL CUSCO

FACULTAD DE INGENIERIA ELECTRICA, ELECTRONICA,

ESCUELA PROFESIONAL DE INGENIERÍA ELÉCTRICA

Evaluación del Efecto Corona y su Influencia en la Calidad de Energía en

CURSO: Calidad de Energía Eléctrica

DOCENTE: Mgt. Giovanni Lima Medina

o Cana Sonque Gabriela 210801

o Quispe Gutierrez Bryan 211217

corona en la calidad de energía en la línea de transmisión de 500 kV Sol de Verano III SE

San José, ubicada en el distrito de La Joya, Arequipa. El efecto corona, un fenómeno

ocasiona pérdidas de energía, ruido electromagnético, interferencias en las

telecomunicaciones, y contribuye a la generación de gases como el ozono. Este fenómeno es

influenciado por diversos factores ambientales como la altitud, la temperatura, la humedad

relativa y la velocidad del viento. En este estudio, se emplean técnicas de aprendizaje

de energía, considerando las condiciones climatológicas extremas de la región, caracterizada

de hasta 26 m/s, y un nivel isoceraúnico de 15 días de tormenta al año. El uso de estas

corona y proponer estrategias para optimizar la operación del sistema de transmisión,

mejorando la calidad de energía y reduciendo las pérdidas.

Calidad de Energía: Conjunto de características de la energía eléctrica que afectan su uso

eficiente y seguro, incluyendo pérdidas de energía, distorsiones armónicas y ruido

variable dependiente binaria y una o más variables independientes, permitiendo predecir la

probabilidad de ocurrencia de un evento.

Variables Independientes: Factores que se consideran en un análisis para predecir el

comportamiento de una variable dependiente. Pueden ser continuas (como humedad y

temperatura) o categóricas (como estaciones del año).

Aprendizaje Automático: Rama de la inteligencia artificial que se centra en el desarrollo de

decisiones sin ser programadas explícitamente.

Codificación de Variables: Proceso de transformar variables categóricas en un formato que

Modelos Predictivos: Herramientas estadísticas o de aprendizaje automático que se utilizan

para anticipar resultados futuros basándose en datos históricos y patrones identificados.

Condiciones Ambientales: Factores externos que pueden influir en el comportamiento de

fenómenos eléctricos, incluyendo temperatura, humedad, y otros elementos climáticos.

Efecto Corona: El efecto corona es un fenómeno eléctrico que se produce en líneas de

es relevante en la calidad de la energía eléctrica, ya que puede causar pérdidas de energía y

afectar la operación de equipos eléctricos.

Calidad de Energía: La calidad de energía se refiere a la medida en que la energía eléctrica

suministrada se ajusta a las especificaciones requeridas para su uso eficiente y seguro.

Incluye parámetros como la tensión, la frecuencia, las distorsiones armónicas, las

fluctuaciones de tensión y el ruido electromagnético. La calidad de energía es crucial para el

funcionamiento adecuado de dispositivos eléctricos y electrónicos.

Regresión Logística: La regresión logística es un método estadístico utilizado para modelar

que ocurra un evento, permitiendo clasificar observaciones en diferentes categorías.

Variables Independientes: Las variables independientes son factores que se utilizan en un

análisis para predecir el comportamiento de una variable dependiente. En el contexto del

Aprendizaje Automático: El aprendizaje automático es una subdisciplina de la inteligencia

artificial que se enfoca en el desarrollo de algoritmos y modelos que permiten a las

predicciones sin ser programados explícitamente para cada tarea específica.

Codificación de Variables: La codificación de variables es el proceso de transformar

aprendizaje automático. Un método común es el One-Hot Encoding, que convierte cada

categoría en una nueva variable binaria.

Modelos Predictivos: Los modelos predictivos son herramientas estadísticas o de

influir en el comportamiento de fenómenos eléctricos. En el caso del efecto corona, incluyen

4.1.1 Ubicación Geográfica...............................................................................13

4.1.3 Condiciones climatológicas......................................................................14

4.2.1 Formulación del problema........................................................................15

4.2.2 Planteamiento del problema.....................................................................15

4.3.1 Objetivo General......................................................................................15

4.3.2 Objetivo Específico..................................................................................16

4.4.1 Hipótesis General.....................................................................................16

4.5.1 Variables Independientes..........................................................................16