Protocolo de enrutamiento adaptativo para el internet de las cosas energético a gran escala basado en computación en el borde y aprendizaje federado

Redes eléctricas más inteligentes para la vida cotidiana

Las redes eléctricas modernas se están transformando en enormes sistemas digitales llenos de contadores inteligentes, sensores, coches eléctricos y paneles solares en tejados. Mantener la comunicación fluida entre todos estos dispositivos y al mismo tiempo consumir la menor energía posible es un reto enorme. Este artículo presenta una nueva forma para que estos dispositivos decidan cómo enviar información a través de la red, de modo que los datos se muevan más rápido, consuman menos energía y se preserve la privacidad de la información sensible.

El reto de la gran diversidad de dispositivos

Las redes eléctricas actuales contienen millones de aparatos distintos: contadores domésticos inteligentes, sensores de temperatura y tensión a lo largo de las líneas, controladores en subestaciones y relés de protección que deben reaccionar en milisegundos. Cada uno emplea tecnologías de comunicación diferentes y tiene sus propios requisitos de sincronización y energía. Algunos están conectados a la red y pueden consumir bastante energía; otros funcionan con baterías diminutas y deben durar meses o años. Los métodos de enrutamiento tradicionales, que se limitan a buscar la ruta más corta, ignoran estas diferencias. Como resultado, desperdician energía, generan retrasos y empiezan a fallar cuando la red supera unos pocos miles de dispositivos.

Pensar localmente en el borde

Para afrontar esta complejidad, los autores diseñan un sistema por capas que distribuye la inteligencia a lo largo de la red. En la base están los numerosos dispositivos de campo; sobre ellos se ubican pequeños ordenadores llamados nodos de borde, después nodos regionales de “niebla” y, finalmente, la nube. Los nodos de borde están cerca del lugar donde se genera la información y pueden decidir rápidamente cómo deben viajar los mensajes cercanos, sin esperar a un servidor central lejano. Detectan qué dispositivos hay, aprenden qué tan ocupados o consumidores de energía son, y eligen rutas que equilibran velocidad, fiabilidad y duración de batería. Esta toma de decisiones local reduce drásticamente el tiempo de reacción ante cambios en la red.

Aprender juntos sin compartir los datos en bruto

Una idea clave de este trabajo es el uso del aprendizaje federado, un método que permite a muchos nodos de borde entrenar un modelo predictivo compartido sin enviar nunca sus datos en bruto a un lugar central. Cada nodo observa el tráfico local, la calidad de los enlaces y los niveles de energía de los dispositivos, y entrena su propia copia de un modelo de aprendizaje automático que predice cómo se comportará la red en el siguiente instante. De vez en cuando, los nodos envían únicamente los parámetros del modelo—no las medidas subyacentes—a nodos de nivel superior, que los promedian y devuelven un modelo mejorado. Técnicas adicionales de privacidad añaden ruido a estas actualizaciones para que no sea posible reconstruir información sobre un dispositivo concreto, ayudando a las empresas eléctricas a cumplir normas estrictas de protección de datos.

Enrutamiento que se adapta en tiempo real

Con estas predicciones, el sistema de enrutamiento puede actuar antes de que aparezcan los problemas. Si el modelo prevé que un enlace estará pronto sobrecargado, el protocolo desplaza el tráfico hacia rutas alternativas. Si la batería de un dispositivo está baja, se le asignan tareas más ligeras o se le pone en un modo de sueño más profundo mientras otros nodos se hacen cargo. Las decisiones de enrutamiento se guían por varios objetivos a la vez: mantener bajos los retardos para mensajes críticos en tiempo, preservar la vida de las baterías cuando es necesario y evitar enlaces poco fiables. Tras bambalinas, un algoritmo de aprendizaje sofisticado ajusta continuamente la importancia de estos objetivos en función del rendimiento de la red, permitiendo que el sistema mejore de forma sostenida.

Ganancias demostradas en velocidad y ahorro energético

Los investigadores prueban su enfoque mediante simulaciones por ordenador detalladas de redes de la red eléctrica con hasta 10.000 dispositivos, canales inalámbricos realistas y requisitos de tiempo estrictos. En comparación con métodos de enrutamiento conocidos e incluso con una potente solución centralizada de aprendizaje automático, su diseño adaptativo y federado ofrece un 35–50% más de rendimiento de datos, reduce los retardos de extremo a extremo entre un 40–60% y disminuye el consumo total de energía entre un 45–65%. Los sensores alimentados por batería duran entre dos y casi cuatro veces más, y el sistema se mantiene estable incluso cuando fallan dispositivos o se interrumpen enlaces de comunicación. Es importante destacar que estos beneficios se mantienen a medida que la red crece, mientras que los métodos tradicionales se deterioran rápidamente más allá de aproximadamente 1.000 dispositivos.

Qué significa esto para los sistemas energéticos del futuro

En términos cotidianos, este trabajo demuestra cómo una red eléctrica llena de dispositivos inteligentes puede seguir siendo rápida, fiable y eficiente sin renunciar a la privacidad. Al permitir que los ordenadores locales en el borde aprendan de la experiencia y compartan solo lo aprendido—no los datos en bruto—crean un sistema de comunicación que escala a despliegues a nivel de ciudad o de país. Esto facilita la integración de paneles solares en tejados, vehículos eléctricos y otras tecnologías nuevas, todo mientras se reduce el desperdicio energético y se prolonga la vida del equipo de campo.

Cita: Zhang, Y., Zhang, S., Li, S. et al. Adaptive routing protocol for large-scale power internet of things based on edge computing and federated learning. Sci Rep 16, 12246 (2026). https://doi.org/10.1038/s41598-026-41074-5

Palabras clave: red inteligente, internet de las cosas, computación en el borde, aprendizaje federado, enrutamiento eficiente energéticamente