La presencia de distorsiones armónicas en señales eléctricas es un desafío persistente en sistemas eléctricos industriales, afectando el rendimiento de los equipos y la calidad del suministro eléctrico. Las soluciones tradicionales, aunque efectivas, suelen ser costosas o poco escalables en entornos con recursos limitados.

El objetivo de esta investigación es diseñar e implementar un sistema de filtrado de distorsión armónica total (THD) basado en redes neuronales artificiales, ejecutado en tiempo real sobre un microcontrolador nRF52833, orientado a mejorar la calidad de la señal eléctrica en sistemas de bajo costo. Se desarrolló una red neuronal multicapa (MLP) entrenada con datos reales de señales eléctricas distorsionadas y filtradas. Posteriormente, el modelo fue optimizado y convertido mediante TensorFlow Lite para su integración en el microcontrolador. Se utilizó un sistema de adquisición de datos con sensores y un conversor ADC, y se evaluó la efectividad del filtrado mediante análisis de THD, formas de onda y espectro de frecuencia. Los resultados demostraron una reducción significativa del THD tras el filtrado, evidenciado por una mejora en la forma de onda y la disminución de componentes armónicas no deseadas. Se confirmó la viabilidad de ejecutar modelos de IA ligeros en hardware embebido, validando su aplicabilidad en entornos industriales y educativos. El sistema propuesto constituye una alternativa eficiente, económica y novedosa para el filtrado inteligente de armónicos, demostrando mejoras respecto a métodos tradicionales, con potencial para su aplicación en redes inteligentes, sistemas de monitoreo energético y formación técnica.