Ciencia de datos, machine learning y apagones ¿Cómo puede el big data y la inteligencia artificial ayudar a evitar caídas de la red eléctrica?

La electricidad constituye uno de los elementos fundamentales de la constitución de nuestras sociedades actuales. Es, literalmente, uno de los componentes materiales esenciales para que la vida diaria, tal como la conocemos y concebimos, pueda funcionar. Pero para que esto sea posible, se requiere de una infraestructura extremadamente compleja que permita responder a la demanda creciente de las ciudades. Para entender como la ciencia de datos, la inteligencia artificial y el machine learning pueden ayudar a optimizar la red eléctrica y su respuesta frente al creciente estrés que esta sufre, nos pusimos en contacto con el experto de VIU, Dr. José Montoya Belmonte.

El Dr. Montoya Belmonte es doctor en tecnologías de la computación e ingeniería ambiental con doble titulación en ingeniería industrial e ingeniería en organización industrial. En VIU imparte docencia en el Máster Oficial en Gestión de la Cadena de Suministro y Logística, en el Máster Oficial en Ingeniería Industrial y en el Máster Oficial en Big Data y Ciencia de Datos. Además, es Investigador Principal del grupo de investigación VIU GISTA.

P: A día de hoy, ¿existen sistemas diseñados para la predicción de picos de consumo de luz en España? ¿Cómo funcionan?

R: En España existen desde hace años sistemas específicamente diseñados para predecir la demanda eléctrica y, en particular, los picos de consumo. El principal actor es Red Eléctrica de España (REE), operador del sistema eléctrico nacional, que realiza previsiones continuas de demanda para facilitar la planificación de la operación del sistema y mantener el equilibrio entre generación y consumo. Además, la electricidad apenas puede almacenarse a gran escala de forma económica, por lo que la producción debe ajustarse prácticamente en tiempo real al consumo. Cuando se prevé un aumento de la demanda, el operador planifica con antelación los recursos de generación y la capacidad de la red necesarios para mantener la seguridad del suministro. En caso de que se espere un pico de demanda, el operador debe tener preparada suficiente generación y capacidad de red para atender a esa solicitud de energía.

La demanda real como la demanda prevista es publicada por la propia REE. Según explica la propia compañía, sus previsiones se elaboran utilizando:

• Datos históricos de consumo en períodos similares.
• Factores de laboralidad (día laborable, festivo, vacaciones, etc.).
• Variables meteorológicas.
• Indicadores de actividad económica. 

De forma simplificada, el proceso es:

• Recopilación de datos históricos de consumo eléctrico.
• Incorporación de variables externas, especialmente temperatura y calendario.
• Modelización estadística y, en algunos casos, modelos de aprendizaje automático para estimar la demanda futura. Actualización continua conforme llegan nuevos datos.
• Planificación de los recursos de generación necesarios para cubrir la demanda prevista manteniendo la estabilidad del sistema. 

P: Cuando hablamos de predecir un pico de consumo para evitar un apagón, el tiempo es fundamental. Desde la perspectiva de la ciencia de datos y el Big Data, ¿con cuántas horas o minutos de antelación es capaz un modelo predictivo moderno de alertar a las centrales eléctricas de que la red está en riesgo o a punto de colapsar?

R: Cuidado, los modelos no predicen un "colapso", sino situaciones de riesgo o desviaciones. Los sistemas actuales no suelen “esperar al último minuto” para detectar un posible colapso. Dependiendo del tipo de problema, pueden emitir alertas desde varias horas antes hasta apenas segundos antes, utilizando distintos horizontes de predicción.

Si hablamos de un pico de demanda previsible, los sistemas modernos pueden advertir con varias horas de antelación, normalmente entre 1 y 24 horas, lo que permite preparar generación adicional. 

Si, por el contrario, hablamos de un riesgo real de colapso de la red, los sistemas de monitorización avanzada pueden detectar indicios entre minutos y segundos antes, mientras que las protecciones automáticas reaccionan prácticamente en tiempo real. Dicho de otra forma: El análisis masivo de datos y los modelos predictivos permiten anticipar posibles incidencias.

P: Para que un algoritmo sea preciso, necesita alimentarse de datos masivos. Más allá del histórico de consumo o la temperatura en una ola de calor, ¿Qué variables menos conocidas introduce la ciencia de datos hoy en día para ajustar lo más posible la predicción?

R: Precisamente ahí está una de las mayores revoluciones de la ciencia de datos aplicada a la energía: los mejores modelos ya no se limitan a responder a la pregunta "¿qué temperatura hará mañana?", sino a "¿qué harán millones de personas mañana?".

Hoy los modelos de previsión eléctrica incorporan decenas o incluso cientos de variables. Algunas son evidentes como ya se ha comentado previamente, además de los consumos históricos y las variables meteorológicas, pero otras resultan sorprendentemente predictivas como son festivos, eventos deportivos, vehículos eléctricos, por ejemplo, un incremento significativo de demanda entre las 22:00 y las 00:00, el comportamiento de las renovable, información de sensores inteligentes, ocupaciones hoteleras.

P: ¿Cómo contribuye el despliegue de los contadores inteligentes y sensores urbanos en tiempo real a que el Machine Learning analice el patrón de consumo energético de un barrio antes de que se sature el transformador?

R: Los modelos de machine learning aprenden patrones de comportamiento. Por lo que los contadores inteligentes y sensores urbanos proporcionan la información que necesita el Machine Learning para aprender a identificar patrones de consumo, detectar anomalías y estimar cómo evolucionará la demanda. Gracias a ello, la red puede detectar patrones consumo, detectar anomalías y anticipan una saturación, permitiendo actuar horas o incluso días antes de que el transformador alcance una situación crítica.

Antes, una compañía eléctrica podía saber cuánto había consumido un barrio casi únicamente mediante lecturas periódicas y medidas agregadas en subestaciones. Hoy puede observar el comportamiento energético prácticamente en tiempo real.

Por ejemplo, si una ola de calor dispara el uso del aire acondicionado o aumenta la recarga simultánea de vehículos eléctricos, los algoritmos pueden estimar con suficiente antelación cuándo un transformador podría aproximarse a su límite operativo. Esta información permite a los operadores tomar medidas preventivas, como redistribuir cargas o activar recursos adicionales, evitando incidencias y mejorando la calidad del suministro. En definitiva, el uso de la inteligencia artificial en este campo, convierte la red eléctrica en un sistema más inteligente, capaz de comprender el "pulso" energético de una zona y actuar antes de que aparezcan problemas de saturación.

P: La red eléctrica es, en el fondo, una de las cadenas de suministro más complejas y estresadas del mundo, con la particularidad de que el producto (la electricidad) tradicionalmente se consume a la vez que se produce. ¿Cómo transforma la analítica de datos la gestión logística de un recurso tan volátil?

R: La red eléctrica funciona como una gigantesca cadena de suministro en la que la oferta y la demanda deben estar equilibradas en cada instante. A diferencia de otros productos, aunque cada vez existen más sistemas de almacenamiento, sigue siendo necesario equilibrar continuamente generación y consumo. Por lo que poder analizar los datos se ha convertido en una herramienta clave para anticipar necesidades y optimizar la gestión de la red. 

Por tanto, ante esta coyuntura, el análisis masivo de todas las variables obtenidas gracias a la información procedente de contadores inteligentes, sensores, previsiones meteorológicas y patrones de consumo, permite que los operadores pueden prever picos de demanda con horas o incluso días de antelación. Esto permite planificar mejor la producción, activar recursos de respaldo, gestionar los recursos disponibles y optimizar la operación de la red, allí donde sean necesarias. Además, los algoritmos de inteligencia artificial ayudan a detectar anomalías, prever averías y optimizar el uso de energías renovables, cuya generación es especialmente variable. En definitiva, la analítica de datos transforma una gestión tradicionalmente reactiva en una gestión predictiva, haciendo que la red eléctrica sea más eficiente, flexible y resiliente frente a situaciones de estrés.

P: Cuando hay un pico de demanda imprevisto, el sistema se ve obligado a encender las "centrales de respaldo" (que suelen ser térmicas o de gas, las más contaminantes). ¿Hasta qué punto predecir evita la emisión de toneladas de CO₂ al optimizar el uso de energías limpias?

R: Predecir con precisión la demanda eléctrica tiene un impacto directo en la reducción de emisiones de CO₂ porque permite aprovechar al máximo la energía renovable disponible y minimizar el uso de centrales de respaldo de gas o combustibles fósiles. Cuando los operadores conocen con antelación cuánta electricidad se necesitará y en qué momento, pueden programar de forma más eficiente la generación eólica, solar e hidráulica, evitando recurrir a tecnologías más contaminantes para cubrir desequilibrios de última hora. Según Red Eléctrica, la operación del sistema se basa precisamente en previsiones continuas de demanda y generación para mantener el equilibrio entre oferta y consumo.

La analítica avanzada y la inteligencia artificial permiten reducir los errores de previsión y anticipar tanto los picos de consumo como las variaciones en la producción renovable. Esto significa que las centrales de ciclo combinado pueden utilizarse menos horas y de forma más ajustada a la necesidad real. Cada megavatio hora generado por fuentes renovables en lugar de combustibles fósiles evita emisiones asociadas a la combustión de gas o carbón.

En términos prácticos, una mejora en la precisión de las previsiones puede reducir la necesidad de recurrir a centrales térmicas durante determinadas situaciones. Por lo que además de ser una herramienta tecnológica, la predicción basada en datos se ha convertido en una herramienta de descarbonización: cuanto mejor se conoce el comportamiento futuro del sistema, menos necesario es recurrir a generación de respaldo intensiva en carbono y mayor es la integración efectiva de energías limpias en la red.

P: La transición ecológica nos lleva a depender del sol y del viento principalmente. Estos no siempre están disponibles cuando el ciudadano enciende el aire acondicionado. ¿Cómo ayuda la ciencia de datos a equilibrar esta situación?

R: Tal como se indica en la pregunta la transición energética ha introducido una paradoja fundamental ya que las energías renovables producen electricidad cuando hay sol o viento, mientras que la demanda depende de los hábitos de millones de personas y no siempre coincide con esos momentos. Aquí es donde la ciencia de datos se ha convertido en una pieza clave. Mediante el análisis masivo de datos meteorológicos, históricos de consumo, información de sensores de red y patrones de comportamiento de los usuarios, los algoritmos pueden prever tanto cuánta energía renovable estará disponible como cuándo se producirá la demanda eléctrica. Estas predicciones permiten planificar con antelación qué recursos serán necesarios para mantener el equilibrio del sistema.

La ciencia de datos permite saber con antelación cuándo habrá mucho sol o viento y cuándo los ciudadanos necesitarán más electricidad. Con esa información, los operadores pueden aprovechar mejor los sistemas de almacenamiento disponibles, gestionar la demanda o planificar el uso de recursos flexibles.,. Así, la inteligencia artificial ayuda a coordinar de forma más eficiente la producción renovable con la demanda eléctrica. que cambia constantemente, reduciendo costes y emisiones contaminantes.

P: Con la llegada masiva del coche eléctrico y la proliferación de centros de datos para la Inteligencia Artificial, el consumo estructural se está disparando. ¿Estamos preparados a nivel de software e ingeniería de datos para soportar esta presión o el riesgo de "cero eléctrico" en grandes urbes es real si no se acelera la inversión en algoritmos de control?

R: La buena noticia es que, desde el punto de vista del software, la analítica de datos y la inteligencia artificial ya están ampliamente implantados y continúan evolucionando para responder a nuevos desafíos, Los operadores pueden prever la demanda, monitorizar millones de puntos de consumo en tiempo real y detectar riesgos antes de que se conviertan en incidencias. Sin embargo, la tecnología por sí sola no basta. La rápida expansión del vehículo eléctrico, los centros de datos asociados a la inteligencia artificial y la creciente electrificación de la economía están elevando las necesidades energéticas a un ritmo sin precedentes. Si las inversiones en redes, almacenamiento y digitalización no avanzan al mismo ritmo que la demanda, podrían aparecer cuellos de botella locales y episodios de congestión en determinadas zonas urbanas. Hablar de un "cero eléctrico" generalizado no es el escenario más probable, ya que los sistemas cuentan con múltiples medidas de protección y respaldo, pero sí existe el riesgo de tensiones operativas crecientes si no se refuerzan tanto las infraestructuras físicas como los sistemas avanzados de control. En este contexto, los algoritmos no sustituyen a las redes eléctricas: las hacen más inteligentes y eficientes, pero necesitan apoyarse en nuevas inversiones para garantizar un suministro seguro en las ciudades del futuro. El principal reto no es únicamente disponer de mejores algoritmos, sino acompasar la digitalización con inversiones en redes, almacenamiento y flexibilidad del sistema.

P: Si tuviera que definir en una sola frase el papel que juega hoy la ciencia de datos en la seguridad nacional y el bienestar de los hogares españoles frente a la crisis energética, ¿Cuál sería?

R: La ciencia de datos se ha convertido en una herramienta clave de la red eléctrica, anticipando riesgos, optimizando recursos y garantizando que millones de hogares dispongan de energía incluso en un contexto de creciente demanda e incertidumbre energética.