Abordando los rayos y la incertidumbre del mercado en la auto-programación: un enfoque difuso-Markov para redes inteligentes

Por qué mantener las luces encendidas se está volviendo más difícil

La electricidad ya no fluye en una sola dirección desde grandes centrales hacia los hogares. Las modernas “redes inteligentes” coordinan paneles solares en azoteas, parques eólicos, baterías y necesidades cambiantes de los clientes, mientras los mercados y el tiempo varían hora a hora. Este artículo explora una nueva forma de ayudar a los operadores de red a planificar con antelación cuando tanto los precios de la energía como las tormentas violentas —especialmente los rayos— nublan el futuro, empleando una visión combinada difusa y probabilística de lo que podría ocurrir.

Redes eléctricas en un mundo de tormentas y precios salvajes

Las redes inteligentes prometen energía más limpia y mayor eficiencia, pero deben tomar decisiones constantes sobre cuándo comprar, vender o generar electricidad. Las condiciones del mercado —como los precios, la demanda y los ingresos— pueden cambiar rápidamente con noticias económicas, regulaciones o comportamientos de los consumidores. Al mismo tiempo, los impactos de los rayos y el tiempo severo pueden dañar líneas, causar apagones o obligar a los usuarios a reducir su consumo. Las herramientas de planificación tradicionales suelen gestionar o bien el aspecto numérico (como los precios) o bien el aspecto vago y basado en eventos (como el riesgo por rayos), pero raramente ambos a la vez. Los autores sostienen que esta visión fragmentada deja a los operadores expuestos cuando choques físicos y fluctuaciones financieras coinciden.

Mezclar el juicio humano con las matemáticas

Para cerrar esta brecha, el estudio presenta un marco híbrido que combina lógica difusa con cadenas de Markov. La lógica difusa imita la forma en que las personas describen cantidades inciertas —usando términos como “precio bajo”, “ventas medias” o “ingresos altos” en lugar de cortes rígidos. El método toma tres medidas financieras clave —precio, ingresos y ventas— y convierte cada valor horario en esas categorías cualitativas. Un instante del tiempo se describe entonces mediante un triple simple como (precio alto, ingresos bajos, ventas bajas), capturando el estado general del mercado con etiquetas de lenguaje llano que las máquinas aún pueden procesar.

Seguir los vaivenes del ánimo de la red a lo largo del tiempo

Una vez que cada hora está etiquetada de esta forma, el enfoque considera la red inteligente como si se moviese a través de un conjunto finito de “estados” difusos. Aquí intervienen las cadenas de Markov: estiman qué probabilidad hay de que el sistema salte de un estado a otro en la próxima hora. Contando con qué frecuencia, por ejemplo, un estado tranquilo pasa a uno estresado, de precio alto y ventas bajas —especialmente en días con rayos simulados—, el modelo construye una matriz de transición, una especie de mapa de recorridos típicos del mercado. Los investigadores también calculan estadísticas móviles, como medias deslizantes y volatilidad de precio e ingresos, para resaltar periodos en que las condiciones son inusualmente calmadas o turbulentas.

Probar la idea en un entorno seguro

Dado que es difícil obtener datos reales detallados que mezclen registros de mercado y descargas de rayos, los autores crean un conjunto de datos sintético de un año. Simulan precios horarios, ingresos y ventas con tendencias y ruido realistas, y luego introducen eventos de rayos artificiales que hacen subir los precios y deprimen las ventas para imitar daños por tormenta y paradas preventivas. Los primeros nueve meses de datos sirven para entrenar las categorías difusas y las probabilidades de transición; los últimos tres meses prueban qué tan bien el modelo puede predecir el siguiente estado difuso a partir del actual. El marco predice correctamente el siguiente estado en aproximadamente un 56% de los casos —muy por encima del azar para seis estados posibles— y además revela qué patrones tienden a persistir y cuáles cambian rápidamente.

De las predicciones a medidas prácticas

Los autores muestran cómo esta herramienta de pronóstico puede orientar decisiones concretas para una microred urbana hipotética de 100 MW. Si el modelo sugiere que un estado normal probablemente pase a una situación de precio alto y ventas bajas durante una tarde tormentosa, los operadores pueden comprar energía de reserva con anticipación, mover preventivamente cargas sensibles a fuentes de respaldo o ajustar estrategias de oferta en el mercado eléctrico. Indicadores de riesgo móviles les ayudan a calibrar cuánto confiar en una predicción y con qué agresividad responder, convirtiendo probabilidades abstractas en acciones financieras y técnicas dirigidas.

Qué significa esto para los sistemas eléctricos del futuro

En términos sencillos, el mensaje del artículo es que tratar el futuro de la red como algo en parte borroso y en parte gobernado por reglas produce orientaciones más útiles que confiar en uno u otro enfoque por separado. Al combinar categorías de sentido común con matemáticas que rastrean cómo evolucionan los estados, el marco Difuso-Markov ofrece a los operadores una imagen más clara, aunque no perfecta, de cómo podría ser la mezcla de precios, demanda e impactos de las tormentas mañana. Incluso con una precisión moderada, esta perspectiva les ayuda a prepararse ante combinaciones adversas —como precios altos y ventas bajas— antes de que ocurran. A medida que las redes inteligentes se vuelvan más complejas y los extremos meteorológicos se intensifiquen, herramientas híbridas como esta pueden convertirse en imprescindibles para mantener la electricidad fiable, asequible y resiliente.

Cita: Benistan, I.S., Shahbazzadeh, M.J. & Eslami, M. Addressing lightning and market uncertainties in self-scheduling: A fuzzy-markov approach for smart grids. Sci Rep 16, 12904 (2026). https://doi.org/10.1038/s41598-026-42588-8

Palabras clave: redes inteligentes, mercados energéticos, gestión de riesgos, energías renovables, fiabilidad del sistema eléctrico