Un marco híbrido de conjunto e inteligencia artificial explicable (XAI) para la detección de islanding sin falsos positivos en redes de distribución

Por qué proteger el suministro eléctrico importa de verdad

A medida que hogares y poblaciones incorporan más paneles solares en cubiertas, pequeños aerogeneradores y otras fuentes locales, nuestra red eléctrica se vuelve más limpia pero también más compleja. Uno de los peligros más serios en este nuevo panorama es el “islanding”, una situación en la que un vecindario sigue produciendo electricidad aun después de haber quedado desconectado de la red principal. Este artículo presenta un sistema inteligente de dos pasos basado en inteligencia artificial que pretende detectar el islanding de forma rápida y fiable, evitando además desconexiones innecesarias que molestan a los usuarios y tensionan la red.

Cuando un barrio se convierte en una isla

Imagínese una calle cuyo suministro principal ha sido desconectado por mantenimiento o tras una avería, pero los sistemas solares en las cubiertas continúan inyectando energía en las líneas locales. Los trabajadores pueden creer que la línea está muerta cuando en realidad sigue viva, y el equipo puede dañarse si la red se reconecta fuera de sincronía. Debido a estos riesgos de seguridad, las normas internacionales exigen que los generadores locales dejen de alimentar una sección islandada en un plazo de dos segundos. Los dispositivos de protección tradicionales vigilan cambios en tensión o frecuencia, o perturban deliberadamente la red para observar la respuesta, pero estos métodos o bien fallan en detectar algunos casos de islanding o bien se disparan con demasiada frecuencia durante eventos inocuos como arranques de motores o conmutación de condensadores. Las utilities se ven obligadas a elegir entre pasar por alto islands peligrosos o provocar disparos molestos.

Por qué hacen falta herramientas de aprendizaje más inteligentes

Los investigadores se han vuelto hacia el aprendizaje automático para distinguir el islanding de otras perturbaciones aprendiendo patrones directamente de los datos. Estudios previos usaron modelos únicos como redes neuronales o árboles de decisión que responden a una pregunta simple de sí o no: «¿esto es islanding o no?». El problema es que la categoría «no» abarca muchas situaciones distintas —averías, operaciones de conmutación, comportamiento normal de la red— que pueden parecer muy similares en medidas tomadas en un solo punto de la red. Ajustar un modelo único para que sea más sensible reduce las probabilidades de perder un islanding, pero normalmente aumenta el número de falsas alarmas. De modo similar, afinarlo para evitar disparos molestos hace que sea más probable pasar por alto un islanding real. Muchos de estos modelos también son difíciles de interpretar, lo que genera recelo entre los ingenieros de red a la hora de confiarles funciones críticas de protección.

Un vigilante en dos etapas para la red

Los autores proponen una estrategia diferente: dividir la tarea de protección en dos etapas dedicadas que trabajen conjuntamente. En la primera etapa, un algoritmo «Isolation Forest» actúa como un vigilante siempre activo entrenado únicamente con el comportamiento normal de la red. Su función es muy simple: levantar una alarma cuando las medidas entrantes parezcan inusuales. Esta etapa se ajusta para ser extremadamente sensible de modo que casi cualquier desviación, incluidos casos sutiles de islanding, se detecte temprano. Solo cuando se detecta tal anomalía despierta la segunda etapa. Aquí, un potente modelo «XGBoost» realiza una comprobación más refinada, no limitándose a decidir si el evento es islanding o no, sino clasificándolo en varias categorías como islanding, averías, conmutación de condensadores, arranques de motores y variaciones rutinarias de carga. Al enseñar al modelo a reconocer estas firmas distintas por separado, el sistema mejora considerablemente en evitar falsos disparos sin relajar su vigilancia.

Ver dentro de la caja negra con explicaciones

Para generar confianza en este decisor automatizado, el marco también utiliza una herramienta de explicación llamada SHAP. Para cada evento, SHAP calcula cuánto contribuyen diferentes características —por ejemplo, la rapidez del cambio de frecuencia, la velocidad de variación de la potencia o el grado de distorsión de la tensión— a empujar la decisión hacia o lejos del islanding. En tiempo real, el sistema registra los pocos factores más importantes para que los operadores vean por qué se ordenó abrir o mantener cerrado un interruptor. Durante las pruebas y el ajuste, diagramas SHAP más detallados ayudan a los investigadores a detectar dónde el modelo se confunde, por ejemplo cuando un evento de conmutación de condensadores imita al islanding. Estos hallazgos guiaron el diseño de un umbral de confianza adaptable: el sistema exige pruebas más sólidas antes de disparar cuando los patrones son ambiguos, y puede relajarse ligeramente cuando la evidencia es clara y consistente.

Qué tan bien funciona el nuevo sistema

El equipo probó su enfoque con un conjunto de datos de microred simulado de acceso público que incluye cientos de ejemplos de eventos de islanding y no-islanding bajo muchas condiciones operativas. Tras extraer siete características físicamente significativas de ventanas cortas de datos de tensión y corriente, entrenaron y ajustaron ambas etapas y luego evaluaron el rendimiento en casos no vistos previamente. El sistema en cascada detectó el 96 por ciento de los eventos de islanding, lo que significa que muy pocas islas pasaron desapercibidas en la prueba, manteniendo la tasa de falsas alarmas en alrededor del 2,7 por ciento. La precisión global alcanzó el 96,8 por ciento, y el método superó a modelos de aprendizaje automático de modelo único y a un esquema híbrido tradicional basado en umbrales. Incluso cuando se añadió ruido de medición realista, el rendimiento cayó de forma gradual en lugar de colapsar, y el tiempo de procesamiento se mantuvo por debajo de diez milisegundos —muy por debajo de lo exigido por las normas de la red.

Qué significa esto para la fiabilidad cotidiana

Para el público general, el mensaje clave es que el artículo presenta una forma práctica de conseguir «lo mejor de ambos mundos» en la protección de una red moderna rica en renovables. Al preguntar primero «¿ocurre algo extraño?» y solo después «¿qué es exactamente lo que ocurre?», el sistema evita la habitual disyuntiva entre detectar todas las islas peligrosas y evitar desconexiones innecesarias. La capa adicional de explicaciones permite a los ingenieros ver la lógica detrás de cada orden de disparo, transformando un algoritmo de caja negra en una herramienta que pueden inspeccionar y perfeccionar. Aunque el estudio se basa en datos simulados y deberá demostrarse con mediciones del mundo real, apunta hacia una integración más segura y fiable de paneles solares en cubiertas, pequeños parques eólicos y otros generadores distribuidos en los sistemas eléctricos cotidianos de los que dependemos.

Cita: Shahade, S.K., Jawadekar, A.U. & Shahade, A.K. An ensemble hybrid and explainable AI (XAI) framework for zero false-positive islanding detection in distribution networks. Sci Rep 16, 13460 (2026). https://doi.org/10.1038/s41598-026-43913-x

Palabras clave: detección de islanding, generación distribuida, aprendizaje automático, protección del sistema eléctrico, inteligencia artificial explicable