Artículo Académico / Academic Paper

Development of a Software Tool for Detection and Location of Faults

on a Power Electrical System using the DPL module DIgSILENT
PowerFactory

Desarrollo de una Herramienta Software para la Detección y

Ubicación de Fallas en un Sistema Eléctrico de Potencia usando el
módulo DPL de DIgSILENT PowerFactory
D. F. Chávez J. Abad H. N. Arcos
Escuela Politécnica Nacional, Facultad de Ingeniería Eléctrica y Electrónica, Quito, Ecuador
E-mail: diegodch_9@hotmail.com; jackeline.abad@epn.edu.ec; hugo.arcos@epn.edu.ec

Abstract Resumen

The application of the phasor technology offers
new possibilities for monitoring, protection,
analysis and control of Electric Power Systems
(EPS). In this project, an algorithm is implemented
to localize a failure using phasor data, which
improves traditional methods. The implemented
algorithm distinguishes responses of several
linearized models against measurements mode
during the transient response after the failure.
Based on this, a Maximum Likelihood A-posteriori
(MAP) detector is implemented, which uses
statistical inference from several hypotheses to
determine the probability of a failure from the
measurements. The algorithm is implemented
in the DPL software module PowerFactory
DIgSILENT. The different experiments prove
that the developed software is able to distinguish
the most likely scenario from a list of possible
scenarios. This work uses simulated- scenarios
and PMU’s measurements.
La aplicación de la tecnología fasorial ofrece nuevas
posibilidades para la supervisión, protección,
análisis y control de Sistemas Eléctricos de
Potencia (SEP). En este proyecto se implementa
un algoritmo para la localización de fallas usando
datos fasoriales, el cual permitiría mejorar los
métodos tradicionales. El algoritmo implementado
distingue las respuestas de varios modelos
linealizados frente a las mediciones fasoriales ante
un transitorio en el SEP. En base a esto, un detector
de Máxima Probabilidad A-posteriori (MAP)
es implementado, el cual se basa en la inferencia
estadística de varias hipótesis que determinan la
probabilidad de ocurrencia de falla. El algoritmo
se implementa en el módulo DPL del software
PowerFactory de DIgSILENT y se realizan
distintas pruebas que demuestran la capacidad de
la herramienta de software de escoger la hipótesis
más probable entre una lista de posibles hipótesis.
El trabajo presentado es enteramente realizado en
el campo de la simulación, y se emulan datos que se
obtendrían de PMUs.

Index terms Phasor measurement, Localization Palabras clave Medici nSincrofasorial,Locali aci n
of failures, Maximum A-posteriori Probability de fallas de SEP, Maximum A-Posteriori Probability
(MAP) (MAP).

Recibido: 24-07-2017, Aprobado tras revisión: 15-11-2017

Forma sugerida de citación: Chávez, D.; Abad, J.; Arcos, H. (2018). “Desarrollo de una Herramienta Software para la
Detección y Ubicación de Fallas en un Sistema Eléctrico de Potencia usando el módulo DPL de DIgSILENT PowerFactory”.
Revista Técnica “energía”. No. 14, Pp. 17- 25
ISSN 1390-5074.
Edición No 14, Enero 2018
1. INTRODUCCIÓN
Debido a las condiciones climáticas, diferentes
agentes externos, y a la longitud de las líneas de
transmisión (L/T), estos elementos son susceptibles
a eventos de falla, siendo importante el estudio de
este tipo de fenómenos con el objeto de proteger a los
diferentes equipos del Sistema Eléctrico de Potencia
(SEP) y evitar cortes de servicio [1].
La rápida ubicación de un evento de falla ayuda
a mejorar los tiempos de restauración del sistema y
permite un mejor control en tiempo real de sus efectos.
Los operadores de SEP utilizan equipos y sistemas
automáticos de protección que incluyen relés que
cuentan con algoritmos de localización de fallas en
base a cálculos de impedancias de L/T. Sobre la base
de estos cálculos, una amplia variedad de algoritmos
de detección de falla han sido desarrollados e
implementados en varios sistemas eléctricos [2], [3],
[4], [5], [6], [7], [8].
La ubicación de fallas en L/T realizada por los
sistemas de protecci n es e ca , aunque susceptible
a errores vinculados al ajuste y calibración de los
equipos y a tiempos de operación. Por otra parte, el
sistema de protección no puede proveer información
en tiempo real sobre la variación de los parámetros de
la L/T y de las características de carga.
Las unidades de medición fasorial (PMU)
actualmente permiten tomar mediciones necesarias
para realizar el análisis de la operación de los sistemas
eléctricos y de eventos de falla en tiempo real. Las
PMUs, son usadas en diferentes sistemas eléctricos
alrededor del mundo, ya que permiten obtener datos
análogos de voltaje y de corriente sincronizados en
un GPS de cualquier parte del sistema eléctrico [9].
En el presente trabajo se ha implementado un
algoritmo para la ubicación de fallas en L/T con
ayuda de la información simulada para obtener datos
de una PMU. El algoritmo aprovecha la dinámica de
propagación oscilatoria que resulta de los eventos
de falla para lograr la detección de una condición
anormal de operación.
Para la ubicación de un evento de falla, el algoritmo
hace uso de un detector de Máxima Probabilidad a
Posteriori (MAP, Maximum A Posteriori), el cual
permite identi car entre varias hip tesis de eventos
de falla, la más probable mediante el empleo de una
prueba de hipótesis [10].
El presente artículo se encuentra organizado de
la siguiente manera: en la sección II se presenta la
formulación del problema. La sección III contiene
la descripción del algoritmo. En la sección IV se
presentan los casos de estudio y sus resultados, para
nalmente, en la secci n V presentar las conclusiones
del trabajo.
2. MARCO TEÓRICO
Para el propósito de este estudio, la topología del
sistema, incluyendo los parámetros de sus elementos,
son conocidos al igual que las condiciones de estado
estacionario del sistema. Adicionalmente, se puede
establecer una lista completa de posibles eventos
de falla de línea, y sus respectivas características de
estado estable post-falla a través de un análisis de
contingencia.
La ubicación de una falla es determinada mediante
el establecimiento de un evento de falla dentro de
la lista de fallas posibles. Para el efecto se emplean
los datos (emulados) de PMUs reportados una vez
despejada la falla. Matemáticamente la solución al
problema de ubicación se basa en la modelación lineal
del SEP y en la determinación del vector de medición
de las PMUs.
El algoritmo de ubicación de falla se fundamenta
en un detector de Máxima Probabilidad A-posteriori
(MAP). El análisis del detector MAP muestra que
el evento de falla se puede identi car mediante la
comparación de los datos de medida de las PMU’s con
las respuestas pronosticadas por el modelo del sistema
para cada evento de falla [11].
2.1. Planteamiento de Hipótesis
Se consideran m hipótesis de los posibles eventos
de falla, la hipótesis se vincula a la ocurrencia de
un evento de falla en una línea de transmisión de la
red eléctrica y cada hipótesis tiene una probabilidad a
priori donde
2.2. Modelación del Sistema Eléctrico de Potencia
[12], [13]
Para cada evento de falla (hipótesis ), la
dinámica del sistema eléctrico es modelada a través
de un conjunto de ecuaciones algebraicas lineales,
esta linealización del modelo de oscilación del
SEP permite aliviar considerablemente la carga
computacional asociada al modelo de simulación y
facilita el desarrollo de una regla de ubicación de falla.
A continuación, se detalla el proceso de linealización.
Se utilizará para representar al vector de las
variables de estado dinámico de la hipótesis entre las
que se incluyen: ángulos de rotor de los generadores ( ),
velocidad de generadores ( ), fuerzas electromotrices
de los ejes d-q ( ), fuerzas electromotrices de
sistemas de excitación ( ), dinámica de reguladores
de velocidad y dinámica del estabilizadores de
potencia (PSS).
El vector abarca las variables de entrada del
sistema, voltajes y ángulos de las barras del SEP, bajo
la hipótesis de estudio .
 Chávez et al. / Herramienta de Software para detección y ubicación de fallas en un SEP

La representación del SEP, se la hace mediante un donde:

conjunto de n ecuaciones diferenciales ordinarias de
primer orden, como se indica a continuación: : Vector de estado de dimensión n.

(1) : Vector de salida de dimensión p.

Las variables de salida se pueden expresar en : Vector de entrada de dimensión r.

términos de las variables de estado y de las variables
de entrada, según: A: Matriz de estado o de planta, de tamaño .

B: Matriz de entrada o de control, de tamaño .

(2)
C: Matriz de salida, de tamaño .
Para la linealización del sistema de ecuaciones se
considera a como el vector de variables de estado en D: Matriz con la relación entre la entrada y salida del
condiciones iniciales y como el vector de variables sistema, tamaño .
de entrada medido en el punto de equilibrio para el
cual se está analizando la operación del sistema. Operando las ecuaciones (6) y (7), se obtiene:
Para una operación en equilibrio, se tiene:
(9)
(3)
Para las desviaciones en estado discreto, se tiene:
Cuando el sistema es sometido a un disturbio, se
obtiene: (10)

(4) donde:

: intervalo de tiempo de muestreo en segundos y

De ahí la necesidad de determinar un nuevo estado k = 1,2,...
para satisfacer a la ecuación (1):
Las desviaciones se rigen por la ecuación de estado
(5) en tiempo discreto, la siguiente expresión permite el
estudio de la linealización del sistema en un punto de
Las funciones no lineales se pueden equilibrio de operación:
representar en expansión de series de Taylor y
despreciando los términos que involucran potencias
de segundo orden y superiores, se obtiene un sistema (11)
lineal del tipo:
donde:
(6)
(12)
(7)
Las matrices A,B,C y D son derivadas parciales Cuando k = 0, el punto corresponde al primer
de las funciones f y g respecto a las variables x y u estado después del despeje de falla.
evaluadas en el punto de equilibrio xp, mismo que
para este estudio es el estado estable de post-falla del Además, el vector de estado en el tiempo , está
sistema. dado por:

Las matrices A,B,C y D, se obtienen de la siguiente

(13)
manera:
El tiempo de compensación y la dinámica de pre-
compensación dependen de muchos factores como
la naturale a del evento de falla y la con guraci n
de los dispositivos de protección del SEP. Estas
incertidumbres se modelarán como un vector aleatorio
para cada hipótesis .
Edición No 14, Enero 2018
2.3. Ubicación de Fallas
Las mediciones realizadas por las PMUs tienen el
siguiente modelo:
(14)
Donde p es la medición de los ángulos de rotor y
velocidades angulares de un conjunto de generadores
obtenida de las mediciones de las PMUs, después de
un proceso de pre-estimación de estas variables. La
matri tiene valores de 0 o 1 los cuales especi can las
variables de estado dinámico que se miden;
es una matriz de distribución de señal gaussiana de
ruido blanco con media cero y una matriz de varianza
. : Representa el determinante de la matriz Q.
Una forma de decidir qué evento ha ocurrido es
elegir la hipótesis con la máxima probabilidad, dados
los datos de las PMUs. La técnica de ubicación de
la falla que se presenta se basa en un detector de
máxima probabilidad a posteriori (MAP). El detector
MAP, puede identi car un evento de falla mediante
la comparación de los datos medidos por la PMU con
las respuestas pronosticadas por el modelo dinámico
linealizado para cada evento de falla. El objetivo
del detector es decidir entre posibles hipótesis cual
es la más probable. En este proyecto, las hipótesis
consideradas son:
Cada hipótesis se modela suponiendo que tiene un
valor conocido de probabilidad a priori. El detector
MAP emplea un enfoque bayesiano para elegir la
hipótesis con mayor probabilidad a posteriori. En
concreto, la selección del detector es la hipótesis
si:
(15)
El esquema de detección MAP requiere una
comparación del par secuencial de la probabilidad
a posteriori por cada hipótesis. Con el desarrollo
algébrico correspondiente, estas comparaciones de
probabilidad pueden simpli carse a c lculos simples
[11].
En concreto, la regla de decisión para seleccionar
entre dos hipótesis se puede expresar de la
siguiente manera:
(16)
donde:
: Vector que contiene las respuestas promedio
pronosticadas por el modelo del sistema en el
horizonte de tiempo para el evento de falla i, para
una condición inicial considerada después del
tiempo de compensación.
(17)
: Representa su correspondiente propagación.
(18)
: Matriz de observabilidad por cada hipótesis
(19)
: Matriz con matrices de identidad ordenada de la
siguiente forma:
(20)
La regla de decisión de la ecuación (16) elige
la hipótesis más probable entre . Se hacen
comparaciones secuenciales en parejas de hipótesis
para encontrar la hipótesis más probable dado el
conjunto de mediciones.
Por ejemplo, considere tres eventos de falla o
hipótesis: y si es más probable que ocurra
que la hipótesis , de acuerdo con la regla de
decisión MAP, se comparará de nuevo con y la
más probable entre ellas es la hipótesis seleccionada .
3. IMPLEMENTACIÓN DEL ALGORITMO
En esta sección, se plantea el procedimiento
para la ejecución en tiempo real del detector MAP.
Para este n, se describe un algoritmo que indica la
secuencia de los cálculos necesarios para implementar
el detector.
Para empe ar, es necesario de nir y enumerar los
posibles eventos de falla con sus respectivos valores
de probabilidad a priori. Esto no solo permitirá
establecer una buena base de datos sobre todos los
posibles eventos de falla, sino que permitirá la rápida
detección de la falla en tiempo real.
Las condiciones del estado inicial del sistema,
requieren de una simulación detallada del SEP antes
del despeje de falla utilizando el modelo de oscilación
 Chávez et al. / Herramienta de Software para detección y ubicación de fallas en un SEP

no lineal. El análisis de contingencia del evento de Algunas complicaciones pueden aparecer en la

falla proporciona las condiciones de funcionamiento
post-falla necesarias para el algoritmo.
3.1. Procedimiento
Paso 1: El algoritmo se ejecuta con la indicación
de que un evento de falla se desarrolla en una L/T
de cualquier parte del sistema. Los eventos de falla
se pueden detectar como una caída rápida de las
magnitudes de voltaje en las barras del sistema.
Paso 2: Se debe determinar todos los posibles
eventos de falla que pueden ocurrir en la operación del
SEP, cada evento de falla o hipótesis de estudio viene
acompañada con su respectivo valor de probabilidad
a priori. En total son posibles eventos de falla.
aplicación del algoritmo debido a que los eventos de
falla en la red pueden producirse en cualquier punto
a lo largo de una línea, y también pueden ser muy
diversos en su tipo. Por lo tanto, enumerar una lista de
posibles eventos de falla puede llegar a ser un desafío.
Adicionalmente está la posibilidad de que los eventos
de falla no sean en una L/T, por ejemplo, se puede
producir fallas en el transformador, generador, etc.,
lo cual puede complicar el problema de detección.
Estas complicaciones están fuera del alcance de este
trabajo, por lo que no han sido modeladas dentro del
algoritmo.

Paso 3: Los datos de medición de las PMU’s

están disponibles desde el instante del despeje de la
falla en adelante, se las obtiene en tiempo real para
poder hacer uso de esta información en el algoritmo.

Paso 4: Se calcula el vector de medición

(observación) Z el cual contiene información de las
variables de oscilación dinámica necesarias para
poder detectar perturbaciones en el sistema.

Paso 5: Se realizan simulaciones para determinar

los condiciones de los estados estacionarios frente a
cada hipótesis, en este paso se determinan los vectores
de las variables de estado x y vectores de las variables
algebraicas u. Este proceso se repite para todas las Figura 1: Diagrama de Flujo del Algoritmo
posibles hipótesis determinadas en el paso 2.
La Fig. 2 detalla el diagrama de ujo de datos
Paso 6: Se procede a calcular las respuestas (parámetros y mediciones) necesarios para
pronosticadas por el modelo lineal con su implementar el algoritmo. El detector MAP utiliza las
correspondiente propagación, vectores y matrices mediciones obtenidas de las unidades sincrofasoriales
, para cada hipótesis de estudio. en el estado de post-falla, además necesita la
información de las condiciones de funcionamiento
Es necesario mencionar que los pasos 5 y 6 del de estado estacionario (de pre-falla y post-falla
algoritmo se los pueden realizar fuera de línea. necesarios para construir el modelo del sistema) y de
la con guraci n del sistema.
Paso 7: Se procede a implementar la regla de
decisión del detector MAP, este esquema de detección
requiere de la comparación del par secuencial de la
probabilidad a posteriori de cada hipótesis. La regla de
detección MAP se implementa secuencialmente para
identi car la hip tesis con la m xima probabilidad
frente a las mediciones obtenidas de un evento de
falla.

Paso 8: Una vez realizadas todas las

comparaciones, se determina la hipótesis con mayor
probabilidad frente a las mediciones de PMU’s y por
tanto la L/T donde se detectó la falla.

En el diagrama de ujo de la Fig. 1 se resume

el procedimiento. El proceso termina y el algoritmo
vuelve a ejecutarse las veces que se reporte un evento Figura 2: Procedimiento para obtener el Flujo de Datos para
el Algoritmo de Localización de Fallas
de falla y se tenga disponibles las mediciones de las
PMUs.
Edición No 14, Enero 2018
4. RESULTADOS Y DISCUSIÓN
El algoritmo propuesto es utilizado en el
sistema eléctrico IEEE 39-BARRAS. El ejemplo
de aplicación permite comprobar el funcionamiento
de la programación DPL para obtener resultados
con ables. El sistema IEEE de 39-BARRAS contiene
diez generadores y su base de datos es estructurada
en al paquete computacional DIgSILENT (ver g. 3).
Figura 3: Sistema 39-Barras de la IEEE
Se realizaron simulaciones de diferentes eventos
de falla en todas las L/T del sistema, obteniéndose
gr cas de las señales de los ángulos del rotor de los
generadores con respecto al generador de referencia
(G1). En la Fig. 4 se muestra, a modo de ejemplo, un
grupo de gr cas correspondientes a los ngulos de
rotor del generador G2 para eventos de falla en las
líneas: Line 26-29, Line 26-28, Line 28-29, Line 1-2,
Line 16-24 y Line 4-14.
Figura 4: Comparación de la Señal de Ángulo de Rotor del
Generador G2 para distintos eventos de Falla
Del an lisis de las gr cas de ngulos del rotor,
se determina que los resultados para eventos en las
líneas: Line 26-29, Line 26-28 y Line 28-29 son muy
similares, lo que implica que estas contingencias son
más difíciles de ser diferenciadas y detectadas, razón
por la cual se utilizaron estos tres eventos para el
planteamiento de las hipótesis de estudio.
Se realizan simulaciones detalladas de la dinámica
de oscilación del sistema sobre cada evento de falla
(hipótesis de estudio), para poder aproximar la
información a los datos de medición, para lo cual se
implementó el modelo de ecuaciones diferenciales -
algebraicas no lineales (DAE) con el modelo de carga
de impedancia constante. El modelo DAE utilizado
para la simulación, consta de 72 variables de estado
(8 variables de estado por cada generador, excepto
el generador de referencia), las cuales son: posición
angular del rotor , velocidad angular del rotor
, fuerza electromotriz interna del eje cuadratura del
generador , fuerza electromotriz interna del eje
directo del generador , fuerza electromotriz interna
de excitación del regulador , potencia de la turbina
, dinámica del estabilizador del sistema de potencia
(PSS) . El tiempo de despeje de fallas fue
aleatorio (uniformemente distribuido entre 6 y 20
ciclos). Se asumió muestreo a 100 Hz; y el ruido con
varianza por unidad (alrededor de 3% de
la señal de equilibrio).
Para probar el algoritmo se analiza el caso cuando
ocurre el evento de falla en la L/T 26-29 (hipótesis
). La Fig. 5 muestra las señales de ángulo de rotor
justo en el momento del despeje de falla de los nueve
generadores, junto con las trayectorias calculadas por
los modelos lineales. Para la localización de fallas,
el software utiliza los modelos dinámicos lineales
correspondientes a diferentes condiciones de falla y
mediante las mediciones sincrofasoriales se distingue
cual hipótesis es la correcta.
Chávez et al. / Herramienta de Software para detección y ubicación de fallas en un SEP

Figura 5: Comparación de la Señal del Ángulo del Rotor

del Generador del Modelo Lineal frente a la Medición
Sincrofasorial. a) Generador G2, b) Generador G3, c)
Generador G4, d) Generador G5, e) Generador G6, f)
Generador G8, h) Generador G9, i) Generador G10

El resultado al aplicar el software permite la

correcta detección de falla en la L/T 26-29, tal como lo
muestra la Fig. 6. Llegando así a la correcta detección
de falla cuya hipótesis es la .

Figura 6: Resultado de la Detección de Falla realizada por el

Algoritmo

La Fig. 7 muestra la probabilidad de error del

detector de falla como una función del horizonte de
observaci n en una escala logar tmica. El gr co
muestra que la probabilidad de error es asintóticamente
cercana a cero de manera exponencial lo que implica
que al aumentar los datos de medición en la ejecución
del algoritmo. la probabilidad de error disminuye
notablemente su valor, lo que garanti a la e cacia del
algoritmo de detección de fallas para dos hipótesis de
estudio en este ejemplo.
Edición No 14, Enero 2018
Figura 7: Probabilidad de Error a Escala Logarítmica
5. CONCLUSIONES
Cada hipótesis de evento de falla corresponde
a una dinámica de oscilación distinta del sistema,
puesto que la topología del sistema cambia. La
correcta detección del evento de falla se consigue
mediante la implementación de la regla de detección
de máxima probabilidad a-posteriori (MAP), la cual
es capaz de diferenciar cada dinámica mediante un
proceso secuencial; este proceso permite elegir la
hipótesis más probable entre un listado de posibles
eventos de falla.
El algoritmo se probó en el sistema eléctrico
estándar IEEE 39-Barras, lográndose ubicar fallas en
L/T ante distintas hip tesis. El algoritmo result e ca
al momento de detectar y diferenciar entre fallas cuyas
señales de ángulos de rotor de los generadores son
similares, lo cual podría ser muy difícil de conseguir
para algunos sistemas de protección.
La gr ca de probabilidad de error obtenida
demuestra la e cacia del detector en distinguir entre
las distintas hipótesis de estudio.
El método de detección implementado, el cual
utiliza mediciones sincrofasoriales para poder obtener
datos de la dinámica de oscilación del sistema, resultó
ser efectivo.
REFERENCIAS BIBLIOGRÁFICAS
[1] G. Duncan, M. Sarma y T. Overbye, “Sis-
temas Eléctricos de Potencia, Análisis y
Diseño”, Stamford: Ciencias e Ingenierías,
2012.
[2] L. Zeballos, “Técnicas Modernas para Pro-
tección y Monitoreo de Líneas de Transmi-
sión”, 2010.
[3] D. I. D. Chiguano, “Localización de fallas
en Líneas Aéreas de Transmisión. Aplica-
ción de un algoritmo digital para Líneas
paralelas”, Quito: Epn, 2009.
[4] M. M. Eriksson y G. D. Rockefeller, «An
Accurate Fault Locator with Compensation
for Apparent Reactance in the Fault Resis-
tence resulting from Remote-End Infeed,»
IEEE/PES, 1984.
[5] G. R. Gill y T. T. Owen, «An Accurate
Fault Location Estimation for Transmis-
sion Line,» IEEE Transactions on Power
Apparatus and Systems, 1984.
[6] H. Kho y H. Khorashdi-Zadeh, Arti cial
Neural Network Approach to Fault Classi-
cation For Double Circuit Transmission
Lines,» IEEE/PES, 2004.
[7] E. Quintero, “Modelo Adaptivo de Inteli-
gencia Arti cial para el Diagn stico Au-
tomático de Fallas a partir de Registros de
Osciloperturbografía”, Medellin: Universi-
dad Nacional de Colombia, 2007.
[8] M. T. Sant y Y. G. Paithankar, “On line
Digital Fault Locator for Overhead Trans-
mision Line”, IEEE Proceedings, 1979.
[9] G. J. Araque y R. Barba, “Unidades de me-
dición fasorial - PMU”, Quito: CENACE,
2010.
[10] J. Abad Torres, R. Dhal y S. Roy, «Link-fail-
ure detection in network synchronization
processes,» IEEE, Texas, 2013.
[11] J. Valdez, Z. Xun, J. Abad Torres y S. Roy,
“Fast Foult Location in Power Transmis-
sion Networks using Transient Signatures
from Sparsely-Placed Synchrophasors”,
Washington: IEEE, 2014.
[12] A. G. Expósito, “Análisis y Operación de
Sistemas de Energía Eléctrica”, Madrid:
McGraw-Hill, 2002.
[13] P. Kundur, “Power System and Control and
Stability”, New York: IEEE, 1993.
Diego Chávez R.- nació en
Quito, Ecuador, en 1990. Recibió
su título de Ingeniero Eléctrico en
la Escuela Politécnica Nacional
en el 2016. Sus áreas de interés
son los sistemas eléctricos de
potencia, protecciones eléctricas
y diseño electro-mecánico de
líneas de transmisión.
Jackeline Abad Torres.- (M’15)
received the B.S. degree from
Escuela Politécnica Nacional,
Quito, Ecuador, and the M.S.
and Ph.D. degree in electrical
engineering from Washington
State University, Pullman. She
held a Fulbright grant in 2010.
She is currently an Assistant
Professor with the Departamento de Automatización y
Control Industrial, Facultad de Ingeniería Eléctrica y
 Chávez et al. / Herramienta de Software para detección y ubicación de fallas en un SEP

Electrónica, Escuela Politécnica Nacional, Quito. Her

current research interests include structural analysis
and controller design of dynamical networks with
applications to sensor/vehicle networking, epidemic
control, and power systems network control.

Hugo Arcos M.- nació en Quito,

Ecuador, en 1972. Recibió su
título de Ingeniero Eléctrico en
la Escuela Politécnica Nacional
de Quito en 1998, y el de
Doctor en Ingeniería Eléctrica
en la Universidad Nacional
de San Juan - Argentina en
2005. Actualmente trabaja
en la Facultad de Ingeniería Eléctrica de la Escuela
Politécnica Nacional de Quito como Profesor a
Tiempo Completo. Sus áreas de especialización
son máquinas eléctricas, modelación de sistemas de
control de generadores y estudios de estabilidad de
sistemas de potencia.
 Artículo Academico / Academic Article

Smart Electric Energy Meter using Raspberry Pi Electronic

Board

Medidor Inteligente de Energía Eléctrica utilizando la Tarjeta

Electrónica Raspberry Pi
L.F. Tipán J.A. Rumipamba

Universidad Politécnica Salesiana, Quito, Ecuador

E-mail: ltipan@ups.edu.ec; jrumipamba@ups.edu.ec

Abstract Resumen

The purpose of this document is to present a El objeto de este documento es presentar un

Smart Electric energy meter with raspberry
Pi and Arduino UNO, to visualize the electric
consumption of a home type in real time, using an
Android application and web server in raspberry
using google spreadsheets . In the present research
the base architecture and the methodology used
are shown, the data obtained with this proposed
system is very similar in comparison with a system
that is available in the market, especially European
and North American as it is the AEOTEC system
that uses Z wave protocols.
medidor de energia electrica inteligente con
raspberry Pi y Arduino UNO, para visualizar el
consumo electrico aproximado de un hogar tipo
en tiempo real, mediante una aplicación Android
y servidor web en la raspberry utilizando hojas
de calculo en linea de google, porque aproximado
debido a que no se hace un muestreo de voltaje sino
que en base a parametros de nidos se emplean
valores establecidos . En la presente investigacion
se muestra la arquitectura base y la metodologia
empleada demostrando que los datos obtenidos
con este sistema propuesto es muy parecido en
comparacion con un sistema que se encuentra
disponible en el mercado, especialmente europeo
y norteamericano como lo es el sistema AEOTEC
que utiliza protocolos z wave.

Index terms Raspberry Pi, data acquisition, save Palabras clave Raspberry i, adquisici n de datos,
energy, smart home, Android, google spread sheet. ahorro de energía, hogar inteligente, Android, hoja
de cálculo en línea de google.

Recibido: 28-07-2017, Aprobado tras revisión: 21-11-2017

Forma sugerida de citación: Tipán, L.; Rumipamba, J. (2018). “Medidor Inteligente de Energía Eléctrica utilizando la
Tarjeta Electrónica Raspberry Pi”. Revista Técnica “energía”. No. 14, Pp. 131-139
ISSN 1390-5074.
Edición No. 14, Enero 2018
1. INTRODUCCIÓN
El monitoreo y control del consumo eléctrico
está adquiriendo nuevas connotaciones, junto con
la actual situación económica y con las constantes
elevaciones en el precio de las facturas que mes a
mes se deben pagar. Este hecho hace que se planteen
maneras de controlar el consumo eléctrico (kWh) en
determinadas zonas de nuestros hogares, o incluso la
monitorización de la energía doméstica total. Con esta
intención proponemos la presente investigación. No
se trata de un control ni medici n so sticada, pero por
precios asequibles se puede tener las ideas más claras
en cuanto a ahorro energético. Más bien se trata de la
adquisición, almacenamiento y tratamiento de señales
con equipos asequibles en nuestro medio.
El trabajo realizado por P Arun Chandra [1]
resuelve el problema de adquisición de datos
mediante una Raspberry Pi que usa como servidor
y hardware de su sistema propuesto. Dicho trabajo
investiga la posibilidad de reemplazar los medidores
de energía que se utilizan actualmente en la India con
el sistema de medición automático que propone en
su artículo. P Arun Chandra almacena los valores de
consumo medidos a través de un sensor de luz en
una hoja de datos de google, y los deja accesibles a
través de una página web, una aplicación de Android
y mensajes instantáneos. En base a [1] se ha realizado
el presente trabajo de investigación, ya que el método
que P Arun Chandra propone para medir la energía
se puede aplicar también como se lo propone en el
presente artículo.
Hay varios estudios relacionados con el tema
y que involucran una tarjeta Raspberry Pi como
servidor del sistema y como hardware de control.
El medidor eléctrico automático que propone Altir
Christian D. Bonganay [2]automated meter reading
systems (AMR se basa en una Raspberry Pi que
envía los datos mediante el protocolo ZigBee. Dario
Assante [3] propone un pequeño sistema fotovoltaico
controlado por una Raspberry Pi que permite medir
corriente y voltaje y presentar los valores obtenidos
a través de una página web. Mikel Armendariz [4]
propone una plataforma de simulación de medio y
bajo voltaje que pueda ser monitoreada en tiempo real
mediante una Raspberry Pi y un Arduino. Alexandru
S rat 5 reali a un monitoreo experimental de un
módulo termoeléctrico para controlar la corriente
y el voltaje mediante una Raspberry Pi en base a
par metros especi cados.
Debido a que el objetivo de la presente
investigación es también presentar los datos de
medida en tiempo real en un dispositivo inteligente
de Android, se ha revisado trabajos como los de
Cesar Cheuque [6], Ching-Chuan Wei [7], Kryvyy
Rostyslav [8], Nikhil Agrawal [9] que presentan a
la tarjeta electrónica Raspberry Pi como una opción
viable y economica para usarla como servidor web.
Las pruebas realizadas en [10] entre un dispositivo
de Android y un servidor programado con Python
en una tarjeta Raspeberry Pi concluyen el buen
funcionamiento entre ambos dispositivos.
La adquisición de datos para el medidor de energía
que se propone en esta investigación se lo hace con
la ayuda de una tarjeta Arduino UNO, provista de
dos sensores de corriente de efecto hall junto con un
acondicionador de señal. Además, cuenta también con
un keypad LCD que muestra los valores de corriente
medidos, los mismos que se envían por medio de una
conexión serial a una tarjeta Raspberry Pi modelo 3
+B, la cual se la utiliza como servidor web.
El presente documento está estructurado de la
siguiente manera. En la sección 2 se presenta el
diseño del sistema medidor de energía eléctrica
propuesto. La metodología del sistema se presenta
en la sección 3. En la sección 4 se realizan pruebas
con el sistema propuesto. La sección 5 presenta un
análisis y comparación con otro sistema de medición
inteligente. Por último, las conclusiones obtenidas y
trabajos futuros se presentan en la sección 6.
2. SISTEMA MEDIDOR DE ENERGÍA
ELÉCTRICA
El monitor de energía que se propone en esta
investigación se basa en el uso de una tarjeta Arduino
UNO, la cual est con gurada de tal manera que
pueda recolectar los valores de corriente de equipos
eléctricos. La medición de corriente se realiza con la
ayuda de dos sensores de efecto Hall, los cuales se
conectan a 2 líneas en caso de ser cargas bifásicas
y a 1 línea en caso de ser monofásicas. Los valores
obtenidos pasan a la tarjeta Arduino en donde se hace
un tratamiento de la señal para poder obtener un valor
e ca real.
Previamente se hizo una comparativa con una
pinza amperimétrica disponible en el mercado, para
comprobar que los valores leídos con el sensor de
efecto hall y el Arduino tengan parecido con los
valores reales. Los valores medidos son RMS y se
los envía por medio de una conexión serial hacia una
tarjeta Raspberry Pi, en donde son almacenados y
enviados a una hoja de cálculo de google.
Con los datos almacenados se reali an las gr cas
de consumo de corriente, potencia y energía, lo que
permite obtener un estimado mensual del consumo de
energía. Dicho consumo podría ser generado por un
equipo eléctrico o el consumo total de una residencia.
La Fig. 1 muestra la arquitectura del sistema medidor
de energía que se propone en el presente artículo.
El medidor de energía eléctrica que se propone
está diseñado para precisar de una medición en
tiempo real y para que los valores obtenidos sean
 Tipán et al. / Medidor Inteligente de Energía Eléctrica utilizando la Tarjeta Electrónica Raspberry Pi

almacenados en la nube. Los datos medidos se 3.2. Adquisición y Presentación de Datos

mantendr n almacenado por cierto tiempo a n de
no alcanzar límites de peso considerables. De igual
manera un aplicativo móvil basado en Android se
conecta mediante wi al sistema, para mostrar las
curvas características del consumo de corriente del
equipo que se esté midiendo en ese instante.
Utilizando una carga de prueba (un computador
personal) para medir la corriente de consumo y
veri car el funcionamiento del medidor. Para
obtener los datos de corriente se utilizó el circuito
acondiconardor de señal y el Arduino mencionados en
la sección A. Los datos fueron procesados dentro del
Arduino y luego enviados por conexión serial hacia la
Raspberry Pi.

En el script de Python de la Raspberry Pi se

importó las funciones necesarias para utilizar el
puerto serie. Además también, se creó una variable
llamada “arduino” con los datos necesarios (puerto
y baudios) para establecer la comunicación. Tras
esto, en un while-true se recibió continuamente los
datos capturados por el puerto serie, y se los mostró
de forma secuencial en una pantalla conectada a la
Raspberry Pi.

Además de la pantalla conectada a la Raspberry

Figura 1: Arquitectura del Sistema Medidor de Energía
Eléctrica Propuesto
Pi, los datos se visualizaron en una aplicación de
Android. Esto último, para que el usuario pueda
observar el consumo de energ a el ctrica en gr cas
de tiempo real. Algunos de los datos obtenidos en un
intervalo de 21 segundos se pueden observar en la
Tabla 1.

Tabla 1: Datos de Corriente Obtenidos de una Computadora

3. METODOLOGÍA DEL SISTEMA
Personal y Secador de Cabello de 1000 W

3.1. Lectura de Corrientes de Carga

Corriente [A]
Corriente [A]
Tiempo (s) Secador de
Se han utilizado dos sensores tipo SCT-013-100, Computador
cabello
con los cuales se puede medir una corriente de hasta 1 0.245 8,333
de 100[A]. Con dicho sensor se considero que si se
2 0.265 8,274
tiene como salida 50[mA] la proporción entonces es
3 0.235 8.022
de 100[A]/50[mA]. La salida de este sensor es una
señal alterna, cuyo valor no está dentro del rango de 4 0.247 8.031
las entradas analógicas (0 a +5[V]) del Arduino. Si 5 0.267 7.989
bien el rango del sensor puede ser inferior, la parte 6 0.289 7.985
negativa de la señal podría dañar el Arduino. Lo ideal 7 0.314 7.998
es, acondicionar la señal a una salida de 0 a 5[V]. 8 0.321 8.232
9 0.327 8.126
Para acondicionar la señal se ha recti cado la 10 0.338 8.155
entrada y se trabajó con la parte positiva asumiendo
11 0.345 8.314
que la señal es simétrica. Para esto se utilizó un
operacional con gurado en un seguidor de voltaje. 12 0.335 8.193
El operacional utilizado fue el LM358 que trabaja 13 0.325 8.362
con polaridad positiva, de esta forma se eliminó la 14 0.348 8.121
parte negativa de la señal. Si bien no se consiguió 15 0.346 8.269
un recti cador de onda completa, se observ que
con una recti caci n de media onda era su ciente 16 0.354 8.305
para acondicionar la señal. Por otra parte ,ya que el 17 0.337 8.238
LM358 se alimenta con 5[V], se satura con 3.5[V] 18 0.347 8.119
aproximadamente, motivo por el cual no se puede 19 0.348 8.222
ampli car la señal hasta 5 V . Pero ya que se trabaja
20 0.346 8.297
con una tarjeta Arduino no se necesita alcanzar los
5[V], se puede trabajar con la referencia interna 21 0.378 8.300
de 1.1[V] y de esta forma se aprovechó el rango
completo de la lectura analógica.
Edición No. 14, Enero 2018
3.3. Desarrollo de la Aplicación de
Android
En base al estudio realizado por los mismos
autores del presente trabajo [10], se crea un cliente en
un dispositivo de Android utilizando Android Studio.
La aplicaci n creada tiene como nalidad mostrar al
usuario el consumo de corriente electrica en tiempo
real. Un ejemplo de la visualización de la pantalla de
la aplicación móvil se puede observar en la Fig. 2,
donde se muestra una gr ca de la corriente el ctrica
consumida en funcion del tiempo transcurrido.
El ejemplo de la Fig. 2 presenta la corriente que
utiliza un computador personal y en la Fig. 3 la corriente
de consumo de un secador de cabello en 21 segundos
de acuerdo a la Tabla 1. El dispositivo de Android se
conecta con la Raspberry Pi mediante protocolo wi , y
muestra una gr ca de consumo de acuerdo a los datos
obtenidos por el sensor de efecto hall.
Figura 2: Gr ca de un Dispositivo Android donde se
Observa la Corriente Consumida por un Computador
4. PRUEBAS REALIZADAS CON EL SISTEMA
Para comprobar el funcionamiento del sistema
se seleccionó como carga de prueba un computador
personal, y con la ayuda de una pinza amperimétrica
comercial se observó la similitud entre los datos
de corriente obtenidos. Los datos de la medición
se observaron a través de una pantalla conectada a
la tarjeta Raspberry Pi. Además, con los valores
obtenidos se gra c curvas de corriente en funci n
del tiempo utilizando la librería Matplotlib de Python.
También se visualizaron los mismos datos en la
gr ca de la aplicaci n de Android mencionada en la
sección 3C. Las lecturas de los datos de consumo de
la carga se obtuvieron en tiempo real.
Los medidores inteligentes desarrollados en la
actualidad tienen la capacidad de obtener datos de
la potencia real, potencia reactiva, y el consumo de
energía del lugar en el cual estén instalados, además
de enviar esta información a concentradores con
cierta frecuencia de tiempo establecida por medio de
protocolos y hardware propios de estos medidores.
En Ecuador a la categoría de usuarios residenciales
solo se factura la potencia real, debido a que la
mayoría de las cargas en las Instalaciones Eléctricas
Residenciales son de predominio resistivo, para los
parámetros de diseño se ha estandarizado el factor
de potencia (fp) al valor de 0.95 según las Normas
para sistemas de distribución-Parte A , Guía para
diseño de Redes de Distribución DI-EP-P001-D001
de la Empresa Eléctrica Quito (EEQ)[12], además de
que las nuevas tecnologías que han ido surgiendo en
la fabricación de electrodomésticos han hecho que
su factor de potencia sea cercano a la unidad y sean
energ ticamente e cientes
Cabe recalcar que los datos obtenidos fueron
sólo de la corriente de consumo. Para visualizar la
potencia y la energía consumida se debe multiplicar
por un voltaje, el cual por factores de la red tendrá
uctuaciones o ca das de voltaje comprendidas entre
2.5% y 3.0% en redes primarias y secundarias [12],
este voltaje lo jaremos a un valor de 120 V , al
tratarse de un centro de carga monofásico , el valor
de potencia activa nos dará una buena aproximación
al consumo real el cual será analizado más adelante.
En el programa de la Raspberry Pi se ocupó el valor
obtenido de la corriente en la ecuación (1), y se asignó
un valor fp = 0.95 [12] que se obtuvo del medidor
inteligente utilizado para el análisis de la sección 5A.
El resultado de la potencia activa se multiplica por el
tiempo transcurrido en la ecuación (2) y se calcula la
energía consumida.
(1)
(2)
Donde:
P = Potencia Activa
fp = Factor de potencia
E = Energía consumida
t = Tiempo de consumo transcurrido
La Fig. 3 muestra la curva de corriente en función
del tiempo, obtenida con la librería Matplotlib de
Python en la Raspberry Pi. Una vez que se realizó
las pruebas con el computador portátil y el secador
de cabello se comprobó que los valores obtenidos
con la Raspberry Pi frente a los obtenidos por una
pinza amperimétrica comercial son muy parecidos,
se analizó su e ciencia en la secci n 5 donde se
realiza una comparación con otro sistema de medición
inteligente.
 Tipán et al. / Medidor Inteligente de Energía Eléctrica utilizando la Tarjeta Electrónica Raspberry Pi

de la forma como se muestra en la Tabla 2. Además,

también se puede observar los datos de consumo a
través de una aplicación para Smartphone (Fig. 5).
El medidor inteligente debe estar parametrizado
con toda la información necesaria, además de una
pequeña programación para que pueda enviar toda la
información requerida hacia internet. La particularidad
de éste sistema es que se puede acceder a éstos datos
desde cualquier parte del mundo por medio de la
red sin necesidad de pagos mensuales por costos de
dominio.

El medidor AEOTEC obtuvo el consumo de

Figura 3: Consumo de Corriente de un Computador Personal
5. ANÁLISIS Y COMPARACIÓN CON
OTRO SISTEMA DE MEDICIÓN INTELIGENTE
energía eléctrica del hogar de prueba a través de sus
pinzas inteligentes instaladas en el tablero de centro
de carga. Los datos obtenidos informan la cantidad de
consumo de energía en vatios [W] o kilovatios-hora
[kWh], todo esto en tiempo real.

Para este análisis se realizó una comparación con
un equipo AEOTEC conectado al tablero eléctrico
de centro de carga de un hogar en particular. Se
obtuvieron medidas de potencia y energía consumida
con dicho sistema inteligente, y se compararon con
los datos obtenidos por el sistema propuesto en el
presente trabajo.
Para éste análisis solo se han presentado valores
tabulados por un lapso de 4 horas, los cuales muestran
el comportamiento de las variables medidas. Con esta
información obtenida desde el spreadsheet de google
se gener las gr cas de potencia y energ a mostradas
en las Fig. 6 y 7.

5.1. Potencia y Energía Medidas con el Sistema

AEOTEC

AEOTEC Energy Meter es un sistema inteligente

que permite medir los parámetros de potencia,
energía, corriente y voltaje en tiempo real con una
precisión de la medición sobre el 99% según hoja
técnica del fabricante [11]. Los datos obtenidos
son enviados a un hub centralizado Smartthings de
Samsung utilizando el protocolo de comunicación
z-wave. Además, dicho dispositivo controla y
monitorea sensores desde cualquier parte del mundo
brindando protección remota al hogar. La arquitectura
del sistema inteligente mencionado anteriormente se
muestra en la Fig. 4.

Figura 5: Aplicación Smartphone de AEOTEC

Figura 4: Arquitectura del Sistema Medidor de Energía

empleando Equipos Samsung y AEOTEC
Figura 6: Gra ca de otecia Obtenida de los Datos
Capturados por el Medidor Inteligente AEOTEC
Los datos obtenidos por el sistema AEOTEC se
pueden visualizar en una hoja de cálculo en la red
Edición No. 14, Enero 2018

Figura 7: Gra ca de Energ a Obtenida de los Datos

Capturados por el Medidor Inteligente AEOTEC

Figura 8: Equipos AEOTEC y Raspberry Pi Conectados al

Tabla 2: Datos Obtenidos por el Sistema AEOTEC Centro de Carga del Hogar de Prueba

Los datos fueron enviados por la Raspberry Pi a

Fecha/Hora. Energia [kWh] Potencia [W] la red y presentados a través de una hoja de cálculo
de google. Para esto se desarrolló una aplicación en
23/03/2017 9:12 304.74 248
Python que permite enviar datos a la red. La Tabla 3
23/03/2017 9:28 304.8 232 muestra los datos obtenidos con el sistema propuesto
23/03/2017 9:43 304.86 248 en el mismo lapso de cuatro horas, y las Fig. 9 y 10
23/03/2017 9:58 304.92 231 presentan las curvas de la energía y potencia.
23/03/2017 10:13 304.97 149
23/03/2017 10:28 305.02 168 Como se puede observar hay un interlavo de tiempo
23/03/2017 10:43 305.05 108
de desface en la lectura de los datos por parte de la
Raspberry Pi que presenta la Tabla 3. Este intervalo
23/03/2017 10:58 305.08 100
de desface es causado por el tiempo que se pierde en
23/03/2017 11:14 305.11 183 la adquisición y envío de información a la nube por
23/03/2017 11:29 305.16 198 parte del Arduino y la tarjeta Raspberry Pi. También
23/03/2017 11:44 305.21 191 se puede observar que las curvas de potencia y energía
(Fig. 9 y 10) generadas por los datos obtenidos con el
23/03/2017 11:59 305.26 189
sistema propuesto, son muy parecidas a las curvas que
23/03/2017 12:14 305.31 202 se gra c con las medidas reali adas por el sistema
23/03/2017 12:29 305.36 184 AEOTEC en las Fig. 6 y 7 de la sección 5.1.
23/03/2017 12:44 305.46 1102
23/03/2017 12:59 305.56 108 Tabla 3: Datos Obtenidos por la Raspberry Pi
23/03/2017 13:15 305.59 115

Fecha/Hora. Potencia [W] Energia [kWh]

5.2. Potencia y Energía Medidas con el Sistema
Propuesto 23/03/2017 9:35 246.59 304.86
23/03/2017 9:45 237.52 304.8977393
Para obtener los datos de potencia y energía con 23/03/2017 9:50 248.86 304.9175098
el sistema propuesto se colocó el sensor de corriente 23/03/2017 10:05 237.29 304.9786779
en el tablero eléctrico de centro de carga del hogar 23/03/2017 10:20 257.19 305.0420467
de prueba. Debido a que el sistema eléctrico de este 23/03/2017 10:34 239.04 305.0988187
hogar en particular es monofásico utilizamos un solo
23/03/2017 10:50 218.7 305.1553162
sensor de corriente de efecto hall.
23/03/2017 11:05 227.45 305.2131896
23/03/2017 11:21 123.89 305.2457107
El sensor de efecto hall se conectó al Arduino
23/03/2017 11:35 220.23 305.296853
a través del acondicionador de señal. El Arduino a
23/03/2017 11:50 284.75 305.3704134
su vez fue conectado mediante un puerto serial a la
Raspberry Pi. Todo esto de acuerdo a la arquitectura 23/03/2017 12:05 202.3 305.4209884
mostrada en la Fig. 1. Los sistemas conectados para 23/03/2017 12:24 192.46 305.4819341
realizar las pruebas de medición se pueden observar 23/03/2017 12:45 172.77 305.5424036
en la Fig. 8. 23/03/2017 12:58 1031.28 305.75754
23/03/2017 12:58 1053.04 305.7581251
23/03/2017 13:07 133.95 305.780264
23/03/2017 13:19 143.03 305.8087111
 Tipán et al. / Medidor Inteligente de Energía Eléctrica utilizando la Tarjeta Electrónica Raspberry Pi
Figura 9: Gra ca de otencia Obtenida de los Datos
Capturados por la Tarjeta Electrónica Raspberry Pi
Figura 10: Gra ca de Energia Obtenida de los Datos
Capturados por la Tarjeta Electrónica Raspberry Pi
5.3. Análisis del Error Relativo entre el Sistema
Propuesto y el Sistema AEOTEC
Para la estimación del error relativo del sistema
propuesto de acuerdo al sistema AEOTEC, primero se
clasi c los datos para que puedan ser anali ados en
un mismo intervalo de tiempo. Después, utilizando la
ecuación del error relativo (3) se calculó la diferencia
entre las medidas de ambos sistemas y se tabularon
en la Tabla 4.
(3)
De acuerdo a lo mencionado anteriormente, se
generaron las Fig. 11 y 12 que muestran las curvas de
potencia y energía obtenidas por el sistema AEOTEC
y la Raspberry Pi en una sola gr ca respectivamente.
En las Fig. 11 y 12 se puede observar de mejor
manera el parecido que tienen las curvas de estos
sistemas de medición, por lo que se podría decir que
el sistema propuesto mide la energía y la potencia de
forma adecuada y aproximada.
En la Tabla 4 se muestra la tabulación de errores
relativos generados en la medida de potencia y energía,
comparando los datos obtenidos con la Raspberry Pi
y el sistema AEOTEC. De este análisis de errores, se
puede visualizar que existen diferencias muy grandes
en los datos de potencia, esto se debe a los desfases
de tiempo generados por el sistema propuesto. Dichos
retrasos de tiempo fueron generados por el sistema
propuesto en la adquisición y envío de información
a la nube.
Tomando en cuenta las pérdidas de tiempo
generadas por el procesamiento de datos dentro
del sistema propuesto, además de utilizar el valor
del factor de potencia fp=0.95 y voltaje de la red
monofásica referente al neutro V=120 voltios [12], se
puede apreciar que las pendientes de las gr cas de
potencia y energía para los intervalos de tiempo dados
son más altas que las obtenidas con el sistema Aeotec,
ya que este sistema considera valores de cargas
reactivas como puede ser una lavadora, refrigerador
etc. Por otro lado, la aproximación de carga para el
diseño del medidor propuesto es resistiva, ahora
nace la pregunta como corregir esta aproximación,
la respuesta concreta seria realizar un muestreo de
voltaje para as poder de nir un ngulo de desfase
entre corriente y voltaje y así poder tener un valor
más exacto del factor de potencia y del voltaje, esta
consideración está planteada para un nuevo desarrollo
del medidor para una próxima investigación. Se
puede observar que errores mayores se presentan en
las medidas de potencia. Sin embargo, no es así, en
los datos de energía donde observamos que el error
es m nimo, ya que aqu se cuanti ca el consumo
independientemente del desfase ocurrido. En base
a esto podemos establecer que el sistema propuesto
mide de forma e ciente la energ a consumida con
cierta aproximación en comparación a un sistema de
medición de energía comercial.
Figura 11: Comparacion de Mediciones de Potencia de los Dos
Sistemas
Edición No. 14, Enero 2018

Al comparar el sistema de medición propuesto

con el sistema AEOTEC disponible en el mercado,
se observa que la diferencia en los datos de potencia
y energía obtenidos es mínima. Por dicha razón,
el sistema propuesto es una buena alternativa para
ser utilizado en todos los hogares, debido a su
funcionalidad que se demostró en la sección 5.

El sistema propuesto permitiría a las empresas

distribuidoras de energía eléctrica hacer un
seguimiento y controlar el consumo energético
en hogares y o cinas. Adem s, el sistema podr a
reemplazar a los medidores eléctricos convencionales,
y al personal de las empresas distribuidoras que se
encargan de obtener la lectura de los mismos.
Figura 12: Comparacion de Mediciones de Energia de los Dos
Sistemas
Al acceder en tiempo real desde cualquier parte del
mundo a los datos del consumo eléctrico de nuestro
Tabla 4: Porcentaje de Error entre la Raspberry Pi y el
Sistema AEOTEC hogar, brinda un sin número de ventajas, como por
ejemplo evitar el uso de ciertos electrodomésticos
Raspberry-pi
Raspberry-
pi Energía
Aeotec
Energía
Aeotec
Potencia
% error
en medida
% error
de medida en horas donde el consumo de energía es costoso.
Potencia [W]
[kWh] [kWh] [W] Potencia Energía
Además, se podría controlar de forma remota ciertos
electrodomésticos (si se añadiera el código necesario
246.59 304.86 304.74 248 0.57% 0.04%
para controlar los puertos GPIO de la Raspberry
237.52 304.90 304.8 232 2.38% 0.03% Pi), para reducir el consumo y evitar una factura
248.86 304.92 304.86 248 0.35% 0.02% demasiado costosa.
237.29 304.98 304.92 231 2.72% 0.02%
Con el sistema que se propone, los clientes
257.19 305.04 304.97 149 72.61% 0.02% pueden acceder a internet desde un computador o un
239.04 305.10 305.02 168 42.29% 0.03% Smartphone y comparar el consumo diario de energía,
incluso hora a hora. Esto último permitiría al usuario
218.7 305.16 305.05 108 102.50% 0.03%
estimar de mejor manera los costos de energía para el
227.45 305.21 305.08 100 127.45% 0.04% mes. Además con esta información, las personas que
123.89 305.25 305.11 183 32.30% 0.04% cuentan con ingresos jos pueden decidir si necesitan
recortar los gastos en otras áreas, o reducir el consumo
220.23 305.30 305.16 198 11.23% 0.04%
de energía eléctrica.
284.75 305.37 305.21 191 49.08% 0.05%

202.3 305.42 305.26 189 7.04% 0.05% Se puede destacar el adecuado funcionamiento
de la Raspberry Pi como servidor de un sistema de
192.46 305.48 305.31 202 4.72% 0.06%
hogar inteligente. El sistema diseñado en este trabajo
172.77 305.54 305.36 184 6.10% 0.06% presenta una interfa gr ca creada con Android
1031.28 305.76 305.46 1102 6.42% 0.10% Studio que permite visualizar directamente el
consumo en tiempo real. Esto último gracias a que el
1053.04 305.76 305.56 108 875.04% 0.06%
sistema propuesto cuenta con un servidor programado
133.95 305.78 305.59 115 16.48% 0.06% usando Python en la tarjeta electrónica Raspberry Pi.
143.03 305.81 305.62 101 41.61% 0.06%
REFERENCIAS BIBLIOGRÁFICAS
6. CONCLUSIONES
[1] P. A. Chandra, G. M. Vamsi, Y. S. Manoj, and G.
Se puede decir que se ha logrado el objetivo I. Mary, “Automated energy meter using WiFi
propuesto el de implementar un medidor inteligente enabled raspberry Pi,” 2016 IEEE Int. Conf.
utilizando la tarjeta electrónica raspberrypi, con Recent Trends Electron. Inf. Commun. Technol.,
las limitaciones del caso, se obtuvo una respuesta pp. 1992–1994, 2016.
aproximada a la de un medidor inteligente comercial, [2] A. C. D. Bonganay, J. C. Magno, A. G.
se debe enfatizar en las aproximaciones hechas las Marcellana, J. M. E. Morante, and N. G.
cuales atenuaron de cierta manera las medidas de Perez, “Automated electric meter reading and
potencia y energía al compararlas con medidores monitoring system using ZigBee-integrated
comerciales raspberry Pi single board computer via Modbus,”
2014 IEEE Students’ Conf. Electr. Electron.
Comput. Sci. SCEECS 2014, 2014.
 Tipán et al. / Medidor Inteligente de Energía Eléctrica utilizando la Tarjeta Electrónica Raspberry Pi
[3] D. Assante and M. Tronconi, “A remotely
accessible photovoltaic system as didactic
laboratory for electrical engineering courses,”
IEEE Glob. Eng. Educ. Conf. EDUCON, vol.
2015–April, no. March, pp. 479–485, 2015.
[4] M. Armendariz, M. Chenine, and A. Al-
hammouri, “A Co-Simulation Platform for
Medium / Low Voltage Monitoring and Control
applications,” 2014.
5 A. S rat and A. Gontean, “An Experimental
Monitoring System for Thermoelectric
Modules,” pp. 313–316, 2014.
[6] C. Cheuque, F. Baeza, G. Marquez, and J.
Calderon, “Towards to responsive web services
for smart home LED control with Raspberry Pi.
A rst approach.,” in Proceedings - International
Conference of the Chilean Computer Science
Society, SCCC, 2016, vol. 2016–Febru.
[7] C. C. Wei, Y. M. Chen, C. C. Chang, and C. H.
Yu, “The Implementation of Smart Electronic
Locking System Based on Z-Wave and Internet,”
in Proceedings - 2015 IEEE International
Conference on Systems, Man, and Cybernetics,
SMC 2015, 2016, pp. 2015–2017.
[8] K. Rostyslav, S. Tkatchenko, and R. Golovatsyy,
“Features home automation system development
based Raspberry Pi using Java ME SDK,” in
Proceedings of 13th International Conference:
The Experience of Designing and Application
of CAD Systems in Microelectronics, CADSM
2015, 2015, pp. 484–486.
[9] N. Agrawal and S. Singhal, “Smart drip irrigation
system using raspberry pi and arduino,” Int.
Conf. Comput. Commun. Autom., pp. 928–932,
2015.
[10] J. Rumipamba y L. Tipan, “Breve análisis
del estado del arte de sistemas para casas
inteligentes que utilizan la tarjeta electrónica
Raspberry Pi”, Conferencia INCISCOS 2016
ofrecida por la UTE de Ecuador. inciscos@ute.
edu.ec (593) 2 299-0800 Ext. 2167/2563.
[11] Aeotec by Aeon Labs “ This page lists the
technical speci cations for Home Energy Meter
Gen5 and form part of the larger Home Energy
Meter Gen5 user guide” [Online]. Available en:
https://aeotec.freshdesk.com/support/solutions/
articles/6000168072-home-energy-meter-gen5-
technical-speci cations- Accessed: 20-oct-
2017]
[12] EEQ Normas para sistemas de Distribucion-
Parte A, Guia para diseño de redes de
distribución DI-EP-P001-D001 ,REV 06, 2015.
Luis Fernando Tipán. - Nació
en Quito en 1982. Recibió su
título de Ingeniera Electrónica
en Control de la Escuela
Politécnica Nacional en 2008.
Recibió su título de Maestría en
E ciencia Energ tica en Escuela
Politécnica Nacional en 2015.
su campo de investigación se
encuentra relacionado con la Electronica de Control
basada en tarjetas inteligentes domotica y ,Electronica
de los Sistemas de Potencia en energias alternativas.
José Alcides Rumipamba.-
Nació en Ambato en 1986.
Recibió su título de Ingeniera
Electrónica en Control y Redes
Industriales de la Escuela
Politécnica de Chimborazo
en 2012. Recibió su título
de Master Universitario en
Automática y Robótica en la
Universidad Politécnica de Madrid en 2016. Su campo
de investigación se encuentra relacionado con la
Electronica de Control basada en tarjetas inteligentes
domotica y, Visi n Arti cial aplicada a la Robotica.