Gestión del consumo eléctrico pico y factores influyentes de la red inteligente a partir de un modelo de redes neuronales recurrentes y aprendizaje profundo

Por qué importa un uso más inteligente de la energía en el campus

Los campus universitarios están activos las 24 horas: clases, laboratorios, vida en las residencias, sesiones de estudio nocturnas y el zumbido constante de servidores y luces. Todo esto se traduce en grandes oscilaciones en la demanda eléctrica: picos pronunciados cuando muchos dispositivos funcionan a la vez y valles profundos cuando los edificios están poco usados. Esos picos son costosos para la red y derrochadores para el planeta. Este estudio explora cómo la combinación de herramientas modernas de IA con almacenamiento energético basado en hidrógeno puede ayudar a los campus a predecir cuándo necesitarán energía, suavizar esos picos y usar la electricidad con mayor eficiencia sin apagar la luz del aprendizaje.

Ver patrones en la vida diaria del campus

En el núcleo del trabajo está la idea de que el consumo eléctrico en un campus no es aleatorio: sigue de cerca las rutinas humanas. Los investigadores recopilaron datos detallados de consumo de 15 edificios de una universidad china durante aproximadamente año y medio, junto con registros meteorológicos y horarios de clase. Luego usaron mapas de calor para mostrar cómo sube y baja el consumo hora a hora en distintos lugares: residencias, aulas, oficinas, comedores y sistemas de iluminación. A partir de estas visualizaciones definieron seis patrones cotidianos, como residencias con dos picos marcados al mediodía y a altas horas de la noche, aulas que alcanzan su máximo solo durante las horas de clase y alumbrado público que funciona de forma constante durante la noche. Estos patrones constituyen la base para tácticas de ahorro de energía adaptadas a cada tipo de edificio.

Enseñar a una red neuronal a pronosticar la demanda

Para actuar sobre esos patrones, primero hay que saber cómo será el día siguiente. El equipo entrenó un tipo de inteligencia artificial llamada red neuronal recurrente (RNN) para pronosticar cuánto electricidad usaría cada edificio de una hora a la siguiente. Las RNN están diseñadas para trabajar con secuencias, lo que las hace adecuadas para seguir cómo evoluciona la demanda eléctrica en el tiempo. El modelo procesó 24 horas de historial reciente de una vez: consumo pasado, temperatura, humedad, hora del día, día laborable o fin de semana e incluso si había clases programadas, y luego predijo el consumo de la siguiente hora. Los autores cuidaron la limpieza de los datos: rellenaron lecturas faltantes buscando días similares con clima y horarios parecidos, y dividieron los datos cronológicamente en conjuntos de entrenamiento, validación y prueba para evitar sobreajuste.

Superando otros métodos de predicción

El rendimiento de la RNN se comparó con varias herramientas de predicción comunes, incluidas regresión lineal simple, regresión no lineal más flexible, modelos estadísticos tradicionales como ARIMA y modelos Grises, y otro método de aprendizaje profundo llamado LSTM. En los datos del campus y en tres conjuntos públicos de electricidad, la RNN produjo sistemáticamente errores menores. En pruebas reales en el campus, el error cuadrático medio de la RNN —una medida que penaliza fuertemente los grandes fallos— fue drásticamente menor que el de la regresión lineal, y su error porcentual medio se mantuvo en una sola cifra. Las distribuciones de error mostraron que los fallos de la RNN estaban fuertemente concentrados y que sus curvas predichas casi coincidían con la carga real, lo que indica tanto precisión como estabilidad. Aunque los autores señalan que esto no implica que las RNN siempre superen a las LSTM en general, demuestra que una red relativamente simple puede funcionar muy bien en este contexto específico.

Aplanar la curva de consumo con almacenamiento de hidrógeno

La predicción por sí sola no reduce la factura; también hace falta una forma de remodelar la demanda. Aquí, el estudio introduce un sistema virtual de almacenamiento de energía mediante hidrógeno que actúa como un gran amortiguador recargable. Cuando la predicción de la RNN señala horas de baja demanda, el sistema «carga» convirtiendo electricidad en hidrógeno; cuando se acercan los picos, «descarga» y devuelve la energía almacenada al campus. Una rutina de programación dinámica decide, hora a hora, si el almacenamiento debe cargar, descargar o permanecer inactivo, respetando límites de capacidad, potencia y eficiencia. En un ejemplo representativo de 24 horas, esta estrategia redujo la carga máxima diaria de unos 46 kilovatios-hora a aproximadamente 33, disminuyó la diferencia entre el pico y el uso medio, y eliminó todos los periodos en los que la demanda superaba una cuota preestablecida. El coste fue un pequeño aumento en el consumo energético diario total —menos del uno por ciento— debido a pérdidas en el ciclo de almacenamiento.

Qué significa esto para los usuarios diarios de energía

En términos sencillos, el estudio muestra que los campus —y por extensión, parques empresariales, complejos hospitalarios o distritos residenciales— pueden usar IA no solo para prever su futuro energético sino también para moldearlo. Al predecir cuándo y dónde se necesitará electricidad y al acoplar esas predicciones con almacenamiento flexible como tanques de hidrógeno o baterías, los gestores pueden reducir picos costosos, aprovechar mejor la energía en horas valle y disminuir la tensión sobre la red general. Los autores advierten que sus resultados proceden de un solo campus y de una unidad de almacenamiento simulada, y que las implementaciones reales deben tener en cuenta precios, carbono y confort. Aun así, el marco ofrece un plan realista para un uso de la electricidad más inteligente y limpio en lugares donde los hábitos energéticos del mañana se están formando hoy.

Cita: Wang, F., Huang, D. & Lu, W. The peak shifting electricity consumption management and influencing factors of smart grid from recurrent neural network model and deep learning. Sci Rep 16, 5569 (2026). https://doi.org/10.1038/s41598-026-35754-5

Palabras clave: red inteligente, energía en campus, predicción de carga, almacenamiento de hidrógeno, aprendizaje profundo