IA en energía: separar previsión, decisión y control

A 30 de julio de 2026, prever la demanda de mañana y decidir cómo cargar una batería no son el mismo problema. La previsión produce una distribución sobre un futuro incierto; la optimización elige una acción bajo restricciones; el control corrige cuando la realidad se aparta del plan. Mezclarlos en una promesa de «IA para energía» impide evaluar el sistema. La capacidad útil es seguir esa cadena y comprobar qué coste tiene cada error.

Empieza por la decisión y retrocede

Un operador puede necesitar minutos para equilibrar frecuencia, horas para programar generación o años para planificar capacidad. Cada horizonte cambia entradas, resolución y error tolerable. También importa la geografía: un hogar, una subestación y un país agregan comportamientos diferentes.

Escribe primero quién actuará, cuándo y con qué alternativa. Si una previsión solar decide reservar respaldo, infrapredecir puede desperdiciar energía y sobrepredecir puede dejar un déficit. La función de pérdida debería reflejar esa asimetría o, al menos, la evaluación debe desglosarla.

El baseline estacional es la primera puerta

La demanda eléctrica contiene hora, día laboral, estación y clima. Antes de una LSTM o un modelo de boosting, hay que comparar contra «igual que ayer», «igual que la semana pasada» y una regresión con calendario y temperatura. El libro abierto Forecasting: Principles and Practice explica baselines, validación temporal, intervalos y diagnóstico de residuos.

Un modelo complejo que no vence una regla estacional bajo el mismo corte no aporta capacidad demostrada. El baseline también detecta fallos del experimento: una mejora enorme puede revelar que el modelo ha visto datos futuros o que la referencia era artificialmente débil.

Dividir en el tiempo, no barajar

Barajar una serie mezcla pasado y futuro. La evaluación debe entrenar hasta una fecha y predecir el bloque siguiente. En validación de origen rodante, el corte avanza y se repite el ejercicio; así se observan estaciones, cambios de tarifa y eventos extremos en distintos periodos.

Toda transformación sigue el mismo tiempo: medias, escaladores, imputación y selección se ajustan solo con el pasado disponible. Variables meteorológicas deben distinguir observación y pronóstico. Usar el tiempo real que finalmente ocurrió para una previsión emitida el día anterior filtra información.

Una LSTM bidireccional puede usar contexto anterior y posterior dentro de una secuencia ya observada, pero no puede consultar el futuro que aún no existe en operación. Si el experimento permite esa mirada para predecir más allá del corte, la mejora es fuga, no sensibilidad temporal.

Demanda y renovables requieren entradas trazables

Para demanda se registran calendario, temperatura, actividad y valores atrasados. Para solar, irradiancia, nubosidad, orientación y estado de equipos; para viento, velocidad y dirección a alturas pertinentes, además de la curva física de potencia. La NSRDB de NREL ofrece datos solares y meteorológicos con documentación; la API abierta de la EIA publica series energéticas de Estados Unidos. En cada caso hay que conservar versión, zona horaria, resolución y revisiones.

Más variables no garantizan mejor previsión. Un sensor puede estar disponible con retraso, una observación puede corregirse días después y un dato agregado puede cambiar definición. La ficha de cada característica necesita momento de disponibilidad, unidad y política ante ausencia.

Un modelo puntual es una parte del mapa

Gradient boosting puede capturar relaciones no lineales en tablas de calendario y tiempo; redes recurrentes o convolucionales pueden aprender patrones de secuencia; un Transformer puede relacionar horizontes y variables. DeepAR modeló distribuciones probabilísticas para muchas series relacionadas. Temporal Fusion Transformers combinó entradas estáticas, conocidas de antemano y observadas, con predicción multi-horizonte.

Los nombres no sustituyen el experimento. Se fija el mismo historial, horizonte, variables y presupuesto, y se compara error por estación, hora, activo y nivel de demanda. Una arquitectura gana solo dentro de ese perímetro.

La incertidumbre es una salida, no una nota al pie

Un valor único oculta que dos horas con la misma predicción pueden tener riesgos distintos. Intervalos o cuantiles permiten planificar reservas. La pérdida pinball evalúa cuantiles; la cobertura comprueba con qué frecuencia el valor real cae dentro del intervalo. También importa su anchura: cubrir siempre con un rango enorme no ayuda a decidir.

Se comprueba calibración por horizonte y condición. Durante una tormenta o una ola de calor, el intervalo debería reconocer mayor incertidumbre. Si el modelo es seguro justo cuando los datos salen de distribución, la optimización recibirá una falsa precisión.

Las métricas deben conservar unidades y costes

MAE expresa error absoluto medio en megavatios o kilovatios; RMSE penaliza más los errores grandes. MAPE divide por el valor real y se vuelve inestable cerca de cero, algo frecuente en generación solar nocturna. Un porcentaje agregado puede ocultar un fallo crítico al amanecer o en picos.

Además de medias, reporta sesgo —sobrepredicción o infrapredicción—, cuantiles de error y episodios extremos. Traduce el error a la decisión: reserva adicional, energía vertida, incumplimiento, coste o emisiones. La mejor métrica es la que permite entender la consecuencia, no la que produce el número más pequeño.

Optimizar es elegir bajo restricciones físicas

La previsión entra en un problema distinto. Una función objetivo puede minimizar coste, emisiones o desviaciones, pero debe respetar balance entre oferta y demanda, límites de líneas, rampas de generadores, estado de carga, potencia de baterías y reservas. Sin restricciones, un algoritmo puede recomendar una acción imposible.

PyPSA documenta un marco abierto para optimizar y simular sistemas eléctricos con generación, almacenamiento y red. Su utilidad pedagógica es mostrar variables y restricciones explícitas. Un modelo de ML puede aportar demanda, disponibilidad renovable o aproximaciones, pero el problema energético conserva estructura.

Optimización robusta y por escenarios

Planificar solo con la media ignora colas. Los escenarios muestrean trayectorias plausibles de demanda y renovables; la optimización estocástica considera su distribución. La optimización robusta busca decisiones válidas en un conjunto de incertidumbre. Ambas hacen visible cuánto cuesta protegerse.

Una previsión probabilística no sirve si la optimización descarta su distribución. La evaluación de extremo a extremo compara coste y violaciones usando datos futuros reales: baseline de previsión + optimizador, modelo nuevo + mismo optimizador, y quizá un plan con información perfecta como cota inalcanzable.

Refuerzo: política no significa permiso

El aprendizaje por refuerzo puede aprender una política de carga o control a partir de recompensa. Pero DQN, presentado en el trabajo original sobre videojuegos, no aporta por sí solo garantías de red eléctrica. Estado, acción, recompensa, simulador y restricciones deben especificarse.

Si se recompensa precio bajo sin degradación de batería o confort, el agente explotará la omisión. Las acciones se proyectan a un conjunto seguro, existe controlador de respaldo y se prueba primero en simulación y sombra. Aprender en línea puede cambiar la política desplegada; cada actualización necesita gate y rollback.

Explicar no corrige una mala previsión

LIME o SHAP pueden mostrar sensibilidad local o atribución bajo supuestos, pero no prueban causalidad ni estabilidad. En energía conviene complementar con curvas de respuesta, análisis de residuos y pruebas contrafactuales físicamente plausibles. Si subir temperatura reduce demanda en una condición donde debería aumentarla, hay que investigar datos y modelo.

La transparencia operativa incluye algo más sencillo: fecha de entrenamiento, fuentes, horizonte, variables disponibles, rango válido, intervalos, versión y fallback. Un operador necesita saber cuándo no usar el modelo, no solo qué característica recibió mayor puntuación.

El bucle que une predicción y operación

En cada corte: recopilar únicamente datos disponibles; ejecutar baseline y modelo; producir valor e incertidumbre; resolver la optimización con restricciones; aprobar o limitar acciones; observar resultado; atribuir coste a error de pronóstico, modelo físico o ejecución; monitorizar deriva; promover una nueva versión solo tras evaluación temporal.

La capacidad duradera consiste en dibujar tres cajas —previsión, optimización, control— y exigir una interfaz medible entre ellas. La primera no decide, la segunda no predice y la tercera no puede ignorar el mundo. Un sistema energético inteligente no es el que usa el algoritmo más reciente, sino el que reconoce incertidumbre y mantiene cada acción dentro de una red físicamente posible.