Sistema de previsión de la demanda eléctrica a largo plazo mediante aprendizaje automático para inversiones energéticas estratégicas

Por qué importan hoy las necesidades eléctricas de mañana

Mantener la luz encendida en las próximas décadas es mucho más complejo que construir simplemente más centrales eléctricas. La demanda de electricidad aumenta en todo el mundo a medida que crecen las poblaciones, se expanden las ciudades y las olas de calor son más frecuentes. Si los gobiernos subestiman cuánta energía necesitarán las personas, se arriesgan a cortes y a inversiones mal aprovechadas; si sobreestiman, pueden comprometerse con infraestructuras caras y poco usadas. Este artículo presenta una nueva forma de asomarse a ese futuro incierto mediante una combinación de aprendizaje automático moderno y estadísticas nacionales seleccionadas con cuidado, demostrada con un estudio de caso detallado de Egipto.

Conectando la vida cotidiana con la demanda eléctrica

Detrás de cada interruptor hay muchas fuerzas: cuánta gente vive en un país, lo calurosos que son los veranos, la velocidad de crecimiento económico y cuánta capacidad de generación ya se ha construido. Las herramientas tradicionales de previsión suelen fijarse principalmente en el consumo pasado y, en el mejor de los casos, en un pequeño conjunto de indicadores económicos o meteorológicos. Esa visión estrecha puede pasar por alto cambios importantes, como una urbanización acelerada o un creciente endeudamiento que afecta las importaciones de combustible. Los autores sostienen que los planificadores nacionales necesitan una lente más amplia, que rastree simultáneamente la oferta eléctrica, el clima, la economía y las tendencias poblacionales a lo largo de muchos años.

Construyendo un motor de previsión en tres etapas

El estudio presenta un sistema de tres fases diseñado para previsiones a largo plazo a nivel nacional. Primero viene la recopilación y limpieza de datos: el equipo reúne registros mensuales y anuales de 2000 a 2023 sobre capacidad de generación eléctrica, temperaturas, precipitaciones, humedad, salud económica y estructura de la población para Egipto. Dado que estas fuentes vienen en distintos intervalos temporales y ocasionalmente contienen huecos, los autores aplican métodos de interpolación adaptados para rellenar valores faltantes y convertirlo todo a una línea temporal mensual común, preservando patrones estacionales importantes, como veranos más cálidos. A continuación examinan cómo se comporta cada variable a través del tiempo para determinar si son apropiados modelos de series temporales especializados.

Dejando que los algoritmos aprendan del pasado

En la segunda fase, los investigadores comparan herramientas estadísticas familiares con modelos de aprendizaje automático más flexibles. Métodos clásicos como ARIMA y SARIMAX se usan como referencia; capturan tendencias y cierto comportamiento estacional pero asumen relaciones relativamente simples entre variables. Para manejar datos multivariables más ricos, el equipo recurre a un enfoque de aprendizaje profundo llamado Gated Recurrent Unit (GRU), adecuado para aprender patrones que se desarrollan durante meses y años. Ajustan sistemáticamente los parámetros internos del modelo con un marco de optimización y prueban varias profundidades de red, encontrando finalmente que una sola capa GRU bien configurada ofrece el mejor equilibrio entre precisión y fiabilidad para los datos disponibles.

Ver qué factores importan más

La precisión bruta no basta si los planificadores no pueden entender qué impulsa las predicciones del modelo. En la tercera fase, los autores usan una técnica de interpretabilidad conocida como SHAP para medir cuánto cada factor de entrada empuja las previsiones hacia arriba o hacia abajo. Este análisis revela que la población —tanto rural como urbana— y el ingreso por persona son los principales motores del aumento de la demanda, con la capacidad de generación eléctrica y la deuda externa desempeñando papeles de apoyo importantes. Las variables climáticas, especialmente las temperaturas extremas, siguen teniendo importancia, pero a largo plazo contribuyen menos que el crecimiento demográfico y económico. Al eliminar gradualmente las variables menos influyentes y re-evaluar el rendimiento, los autores identifican un conjunto depurado de trece características que ofrecen previsiones sólidas y estables.

Qué significan los resultados para la planificación energética

En numerosas ejecuciones de prueba, el modelo GRU refinado explica más de cuatro quintas partes de la variación del consumo eléctrico de Egipto y mantiene errores medios en algo más del 4 por ciento de la demanda mensual típica. Este nivel de precisión, combinado con una visión clara de qué palancas importan más, convierte al sistema en una herramienta adecuada para explorar futuros “qué pasaría si”, como un crecimiento urbano más rápido, nuevas centrales o cambios en los niveles de deuda, y su impacto en la red. Aunque el estudio de caso se centra en Egipto, el marco se basa en datos que la mayoría de los países ya rastrean y en pasos de procesamiento transparentes, lo que lo hace transferible a nivel mundial. En esencia, el trabajo ofrece a los responsables una herramienta de previsión práctica e interpretable que vincula el cambio social y económico cotidiano con los sistemas eléctricos que deben adaptarse.

Cita: Haggag, M., Abdelhady, K., Guirguis, M. et al. Machine learning long-term electricity demand forecasting system for strategic energy investments. Sci Rep 16, 12471 (2026). https://doi.org/10.1038/s41598-026-45123-x

Palabras clave: previsión de la demanda eléctrica, planificación energética, aprendizaje automático, clima y energía, urbanización