Pronóstico de carga y gestión de la demanda basados en optimización en microrredes de edificios inteligentes con Greylag Goose y modelos de grafo bi-nivel

Por qué los edificios más inteligentes necesitan cerebros energéticos más inteligentes

A medida que viviendas, oficinas y campus incorporan paneles solares, baterías y vehículos eléctricos, gestionar la energía se vuelve sorprendentemente complejo. Los edificios deben decidir constantemente cuándo tomar energía de la red, cuándo cargar o descargar baterías y cómo evitar desperdicios y apagones. Este artículo presenta un nuevo “cerebro energético” para microrredes de edificios inteligentes que predice el consumo eléctrico con alta precisión y planifica el uso de las baterías con tanto cuidado que puede más que duplicar su vida útil.

Mantener las luces encendidas en una mini-red compleja

Una microrred de edificio inteligente es como un pequeño sistema eléctrico centrado en un único emplazamiento. Puede incluir energía solar en tejados, pequeños aerogeneradores, baterías, vehículos eléctricos y una conexión a la red principal. El gestor energético del edificio debe equilibrar oferta y demanda cada pocos minutos, aun cuando la luz solar cambia, las personas entran y salen y las baterías envejecen. Si las predicciones fallan, el edificio puede comprar energía en horas punta a precios elevados, desperdiciar energía renovable o desgastar las baterías más rápido de lo esperado. Los autores se centran en dos objetivos clave: predecir la demanda energética a corto plazo en dichos edificios y usar ese conocimiento para operar las baterías de forma que reduzca tanto costos como desgaste.

Limpiar los datos antes de hacer predicciones

El sistema parte de un año de mediciones detalladas de una microrred real en India. Cada cinco minutos, los sensores registraron corrientes y tensiones de la red, producción solar, comportamiento de la batería y condiciones meteorológicas como temperatura, humedad y velocidad del viento. Los datos del mundo real son desordenados: los sensores fallan, las lecturas se disparan y las magnitudes usan escalas distintas. Para corregirlo, los autores aplican un paso de limpieza especializado llamado Filtrado Iterativo de Remuestreo Rápido, que suaviza el ruido preservando los cambios reales en la demanda. Luego emplean un método de búsqueda inspirado en la naturaleza, Optimización de Perroprietario de la Pradera (Prairie Dog Optimization), para decidir qué lecturas de sensores son realmente las más relevantes para la predicción. Selecciona cinco entradas principales —como tensión solar, potencia de descarga de la batería y hora del día— eliminando señales redundantes que añaden complejidad pero poca información nueva.

Enseñar a una red a leer la red energética

En lugar de tratar cada medición como una serie temporal aislada, los autores modelan sus interacciones como una red. En su Red Convolucional de Grafos de Agregación Bi-Nivel Relacional, cada nodo del grafo representa una de las características clave (por ejemplo, temperatura o potencia de descarga de la batería) y los enlaces representan cuánto se influyen entre sí con el tiempo. El modelo primero aprende patrones locales, como cómo se mueven juntos la tensión solar y la potencia de la batería en una ventana corta, y luego construye patrones globales que capturan ciclos diarios y relaciones más amplias. Al combinar estas capas, el sistema no solo ve cuándo cambia la demanda, sino cómo ese cambio está ligado al sol, la temperatura y el uso de la batería, mejorando su capacidad para predecir las cargas próximas.

Tomando prestado un patrón de vuelo de los gansos

Para ajustar este modelo de grafo, los autores usan otro método bioinspirado: Optimización Greylag Goose. En la naturaleza, los gansos en formación en V ajustan constantemente sus posiciones para ahorrar energía y mantenerse en ruta. En este algoritmo, cada “ganso” representa un posible conjunto de parámetros del modelo, como la tasa de aprendizaje y pesos internos. Durante el entrenamiento, estos gansos virtuales exploran y refinan sus posiciones, buscando combinaciones que produzcan el menor error de pronóstico sin quedar atrapadas en soluciones locales pobres. Este ajuste adaptativo ayuda a que el modelo se mantenga estable incluso cuando las cargas del edificio son muy irregulares, como picos súbitos por la carga de vehículos eléctricos o caídas durante horas sin ocupación.

Predicciones más precisas y baterías que duran más

Probado frente a varios métodos populares de aprendizaje profundo e híbridos, el nuevo marco alcanza alrededor del 98,3% de precisión media en pronósticos, frente a aproximadamente 80–92% para las mejores alternativas. Sus medidas de error son menos de la mitad que las de modelos competidores y sus predicciones son más consistentes entre ejecuciones. Cuando las predicciones resultantes se usan para una programación consciente de la batería, el edificio puede mantener la demanda dentro de un rango eficiente y evitar ciclos profundos y estresantes de carga-descarga. Las simulaciones sugieren que este control más cuidadoso puede más que duplicar el tiempo que una batería permanece por encima del 80% de su capacidad original, traduciendo mejores predicciones en ahorros reales de hardware.

Qué significa esto para los usuarios de energía en su día a día

Para el público general, el mensaje clave es que una mejor “planificación digital” dentro de un edificio puede traducirse directamente en facturas más bajas, menos perturbaciones en la red y baterías y equipos con mayor vida útil. Al limpiar los datos de sensores, centrarse en las señales más informativas, modelar cómo interactúan y ajustar el modelo con inteligencia, el enfoque propuesto ofrece a las microrredes de edificios una visión mucho más clara del futuro cercano. Esa claridad, a su vez, permite decisiones más inteligentes sobre cuándo almacenar, usar o vender electricidad, acercándonos a edificios fiables y de bajas emisiones que gestionan silenciosamente su propia energía tras bambalinas.

Cita: Ahamed, B.S., Dhanya, D., Sivaramkrishnan, M. et al. Optimization based load forecasting and demand management in smart building microgrids with Greylag Goose and Bi level graph models. Sci Rep 16, 6386 (2026). https://doi.org/10.1038/s41598-026-36960-x

Palabras clave: microrredes de edificios inteligentes, pronóstico de carga, degradación de baterías, gestión de la energía, redes neuronales de grafos