Problemática: La detección de anomalías en sistemas eléctricos industriales enfrenta limitaciones con métodos convencionales (SCADA, análisis de Fourier, PCA), incapaces de capturar dinámicas temporales complejas y patrones no lineales en grandes volúmenes de datos, generando falsos positivos y riesgos operativos.

El objetivo de esta investigacion es desarrollar e implementar un modelo híbrido Autoencoder-LSTM para detección temprana de anomalías eléctricas, validándolo en entornos simulados y operativos reales. Se utilizaron datos reales (SCADA) y simulados (MATLAB/Simulink, OpenDSS) de tensión, corriente, potencia y temperatura. Tras preprocesamiento (imputación KNN, normalización), se diseñó un Autoencoder-LSTM con codificador (capas LSTM: 256-128-64), espacio latente (32 dimensiones) y decodificador simétrico, entrenado con Adam (MSE, dropout 0.2). La detección empleó ventanas deslizantes (50 muestras) y umbral del percentil 95 del error de reconstrucción. El modelo alcanzó 96.8% de precisión, 94.7% sensibilidad, 0.982 AUC y <2% falsos positivos, superando métodos tradicionales. Identificó anomalías críticas (ej. desbalances de fase) en <0.5s, demostrando robustez ante ruido industrial y eficiencia en ventanas de 50 muestras. La solución propuesta mejora significativamente la detección temprana de fallas eléctricas mediante aprendizaje profundo, reduciendo costos operativos y riesgos. Su arquitectura híbrida establece un nuevo estándar para monitoreo predictivo en energía y manufactura. Futuras investigaciones optimizarán su implementación en hardware embebido e integrarán explainable AI (XAI).