Predicción de los precios de la energía y la adopción de renovables mediante un marco optimizado de aprendizaje basado en árboles con inteligencia artificial explicable

Por qué te importa el coste futuro de la electricidad

Las facturas eléctricas, los precios de los combustibles y la velocidad con la que la energía solar y eólica sustituyen al carbón y al petróleo moldean tanto la vida diaria como las economías nacionales. Este estudio plantea una pregunta aparentemente simple: ¿podemos usar herramientas de datos modernas para anticipar hacia dónde se dirigen los precios de la energía y la adopción de energía limpia, y entender qué impulsa realmente esos cambios? Minando dos décadas de datos energéticos globales con técnicas avanzadas de aprendizaje automático, el autor construye un sistema de predicción que no solo pronostica tendencias futuras, sino que también explica qué factores —como la dependencia de los combustibles fósiles o las emisiones de carbono— importan más.

Siguiendo los cambios en los hábitos energéticos del mundo

La investigación parte de un gran conjunto de datos que cubre más de 50 países desde 2000 hasta 2024. Para cada país y año, rastrea cuánto energía usa de media la población, cuánta dependencia hay de los combustibles fósiles, cómo se distribuye la energía entre la industria y los hogares, la cantidad total de energía consumida y el nivel de emisiones de carbono. A continuación se registran dos resultados clave: un Índice de Precio de la Energía, que refleja lo cara que es la energía, y la proporción de energía procedente de fuentes renovables como el viento, la solar y la hidroeléctrica. Debido a que los datos abarcan muchas regiones y años, capturan tanto diferencias locales como tendencias globales a largo plazo, lo que los hace adecuados para la previsión.

Enseñando a “árboles” digitales a aprender de los datos energéticos

Para convertir esta información histórica en pronósticos, el estudio se apoya en una familia de técnicas conocidas como modelos de aprendizaje automático basados en árboles. Estos modelos dividen los datos en ramas según preguntas simples, como si el uso de combustibles fósiles está por encima o por debajo de cierto nivel, llegando finalmente a predicciones sobre el precio o la cuota de renovables. En lugar de usar un único árbol, el autor construye bosques de árboles y mejora su rendimiento con algoritmos de optimización metaheurística, inspirados en comportamientos animales, que buscan los mejores ajustes de cada modelo. Este proceso de ajuste mejora tanto la precisión como la estabilidad al lidiar con datos complejos, ruidosos y del mundo real.

Comprobando la fiabilidad y abriendo la “caja negra”

Las predicciones precisas solo son útiles si resisten el escrutinio. El estudio prueba sus modelos entrenándolos y evaluándolos repetidamente en distintas particiones de los datos ordenados por tiempo, imitando cómo se comportarían en años futuros que nunca han visto. En estas pruebas, los mejores modelos híbridos explican con claridad más del 90 por ciento de la variación tanto en los precios de la energía como en la cuota de energías renovables, con errores típicos relativamente pequeños. Para evitar la crítica habitual de que el aprendizaje automático es una caja negra, el autor aplica luego herramientas de inteligencia artificial explicable. Una, llamada SHAP, distribuye cada predicción entre los factores de entrada, mostrando cuánto empujó cada uno la predicción hacia arriba o hacia abajo. Otra, un método de sensibilidad llamado Método de Amplitud de Coseno, examina cómo los cambios y las combinaciones de entradas se transmiten a las salidas.

Qué impulsa realmente los precios y el crecimiento de la energía limpia

Estas herramientas de interpretabilidad revelan una historia clara. Para predecir la cuota de renovables destacan dos variables: la dependencia de un país de los combustibles fósiles y la cantidad de carbono que emite. Una alta dependencia de fósiles y unas emisiones elevadas tienden a frenar el crecimiento de las renovables, mientras que los desplazamientos fuera de los combustibles fósiles se asocian fuertemente con mayores cuotas de energía limpia. Para los precios de la energía, el consumo energético total —cuánta energía utiliza un país en fábricas, oficinas y hogares— desempeña un papel principal. Las regiones que consumen mucha energía por persona, o que dependen en gran medida de los combustibles fósiles, están más expuestas a las oscilaciones de precios cuando la oferta es ajustada. El análisis también muestra que las interacciones importan: por ejemplo, el efecto combinado del uso energético industrial y el consumo total puede ser más importante que cualquiera de ellos por separado.

De pronósticos más inteligentes a políticas más inteligentes

Para el público no especializado, la conclusión es directa. Al combinar algoritmos de aprendizaje avanzados con herramientas que aclaran su funcionamiento, esta investigación construye un marco de predicción que es a la vez preciso y comprensible. Muestra que reducir la dependencia de los combustibles fósiles y las emisiones de carbono no solo es beneficioso para el clima; también está estrechamente vinculado a la velocidad de crecimiento de las renovables y a la estabilidad de los precios energéticos. Los responsables políticos, las compañías eléctricas y los inversores pueden usar modelos así para probar cómo distintas decisiones —como un precio al carbono, programas de eficiencia o incentivos a las renovables— podrían remodelar las facturas y las emisiones futuras. En esencia, el estudio ofrece una brújula basada en datos para navegar la transición hacia un sistema energético global más asequible y sostenible.

Cita: Tang, T. Predicting energy prices and renewable energy adoption through an optimized tree-based learning framework with explainable artificial intelligence. Sci Rep 16, 6771 (2026). https://doi.org/10.1038/s41598-026-35706-z

Palabras clave: precios de la energía, energía renovable, aprendizaje automático, emisiones de carbono, combustibles fósiles