El futuro de la previsión energética: inteligencia híbrida neuromórfica-axolote que revoluciona la operación de redes mediante el dominio bioinspirado de datos faltantes

Mantener las luces encendidas en un mundo ruidoso

Nuestras redes eléctricas dependen cada vez más de previsiones precisas sobre cuánta electricidad usarán en las próximas horas y días hogares, fábricas, centros de datos y vehículos eléctricos. Sin embargo, los datos que sustentan esas previsiones están llenos de huecos y fallos por sensores averiados, mal tiempo y problemas de comunicación. Este artículo presenta una mezcla inusual de ideas procedentes de la lógica, la biología de las salamandras y el comportamiento de primates que, combinadas, crean una nueva manera de reparar datos dañados y afinar de forma drástica las predicciones de demanda eléctrica.

Por qué los números perdidos amenazan a la red

Los sistemas eléctricos modernos gestionan paneles solares en tejados, parques eólicos, recarga de vehículos eléctricos y centros de datos con gran consumo. Para equilibrar oferta y demanda de forma segura y económica, los operadores de red se basan en flujos de mediciones: temperaturas, niveles de irradiación y flujos de potencia en distintas zonas. En la práctica, muchos de esos valores simplemente no llegan. Los sensores fallan, los enlaces de comunicación se caen y las tormentas pueden dejar fuera de servicio secciones enteras de la red. Si los modelos de previsión reciben estas series temporales dañadas “tal cual”, sus errores aumentan y los operadores se ven obligados a mantener potencia de reserva adicional en espera, elevando costes y emisiones.

Una nueva forma de pensar los datos inciertos

La mayoría de métodos actuales para completar valores faltantes tratan los números como conocidos o desconocidos e intentan adivinar los huecos observando valores vecinos. Los autores emplean en su lugar una descripción tripartita de cada punto de datos: cuán probable es que sea correcto, cuánta incertidumbre tiene y cuán probable es que esté equivocado. Este enfoque, extraído de una idea matemática llamada conjuntos neutrosóficos, permite al sistema representar sensores ruidosos, valores atípicos sospechosos y lecturas genuinamente fiables lado a lado. Estos tres “grados” fluyen después a través de un modelo tipo Markov que rastrea cómo evolucionan certidumbre e incertidumbre a lo largo del tiempo en la curva de consumo eléctrico.

Tomando trucos de reparación de una salamandra inusual

Para reconstruir tramos faltantes de demanda eléctrica, el marco se inspira en el axolote, una salamandra famosa por regenerar miembros perdidos. En el modelo, los fragmentos de datos ausentes se comportan como tejido dañado. Un módulo regenerativo examina patrones locales, ciclos estacionales y señales contextuales como temperatura y hora del día, y luego “crece” valores plausibles en los huecos. Opera a múltiples escalas temporales a la vez: detalles finos para cortes cortos y tendencias más amplias para averías prolongadas. Con el tiempo, el sistema regenerativo también “recuerda” qué estrategias de reparación funcionaron mejor en situaciones similares, de modo que mejora su comportamiento a medida que ve más datos.

Dejar que monos virtuales organicen la información

Incluso con los valores faltantes reparados, los modelos de previsión pueden verse desbordados por señales solapadas en exceso. Para abordar esto, los autores introducen un nuevo algoritmo de optimización modelado en el comportamiento territorial y social del mono uakari calvo. En el contexto de la red, cada “territorio” representa un subconjunto candidato de características, como determinadas variables meteorológicas o zonas. Estos territorios se expanden, contraen y compiten por recursos, mientras las interacciones sociales ayudan a la población de candidatos a explorar muchas combinaciones. Este proceso converge de forma sostenida hacia un conjunto compacto de características que, en conjunto, ofrecen las mejores previsiones sin desperdiciar potencia de cálculo.

De las matemáticas complejas a beneficios prácticos para la red

Cuando el sistema híbrido completo se probó en siete grandes conjuntos de datos reales —desde hogares a plantas industriales, microrredes y recarga de vehículos eléctricos— superó de forma consistente a una amplia gama de técnicas tradicionales y modernas. La reparación conjunta de datos faltantes y la selección de características condujo a aproximadamente un 31% de mejora en la precisión de las previsiones y casi un 24% de reducción en el error de reconstrucción, incluso cuando hasta un 40% de los datos faltaban. El enfoque se transfirió bien a nuevas regiones y tipos de red con poco entrenamiento adicional y funcionó lo suficientemente rápido para dispositivos en el borde dentro de subestaciones. Para un lector no especializado, la conclusión es que este “sanador” bioinspirado de datos rotos puede ayudar a que las redes operen más cerca del límite con mayor confianza, integrando más renovables y nuevas cargas eléctricas mientras reduce desperdicio, coste y riesgo de fallo.

Cita: Alhag, S.K., Elbaz, M., Moghanm, F.S. et al. The future of power forecasting: neuromorphic-axolotl hybrid intelligence revolutionizing grid operations through bio-inspired missing data mastery. Sci Rep 16, 11655 (2026). https://doi.org/10.1038/s41598-026-46498-7

Palabras clave: predicción de demanda eléctrica, datos faltantes, red inteligente, algoritmos bioinspirados, integración de renovables