Hacia una producción de energía sostenible: un marco comparativo de aprendizaje automático para predecir el coste del hidrógeno verde en el continente africano

Por qué importa el precio del hidrógeno verde

Mientras el mundo busca formas de reducir la contaminación por carbono de barcos, fábricas y transporte de larga distancia, el hidrógeno verde ha surgido como un combustible limpio prometedor. Pero si realmente puede despegar depende de una pregunta simple y persistente: ¿cuánto costará producir cada kilogramo? Este artículo aborda esa pregunta para África, un continente con vastos recursos solares y eólicos pero con pocos datos sólidos sobre cuál podría ser el coste del hidrógeno verde en distintos países.

Panorama general: un mapa continental de costes

Los investigadores se propusieron construir una imagen continental, basada en datos, de los costes del hidrógeno verde. En lugar de centrarse en una planta o país, recopilaron 54 escenarios que cubren muchos países africanos, cada uno describiendo un posible proyecto de hidrógeno. Para cada escenario, registraron el coste medio de por vida de producir hidrógeno y otros 14 factores, como el tamaño de las plantas solares y eólicas, la capacidad de los equipos de hidrógeno, cuánta infraestructura de almacenamiento y tuberías sería necesaria, cuán seguro y fiable es el sistema energético local, la fase de desarrollo del proyecto y cuánta agua podría consumir. Al reunir todas estas piezas en una tabla común y cuidadosamente armonizada, crearon una base para comparar países de forma coherente.

Cómo funciona la herramienta de cribado inteligente

En lugar de calcular manualmente los costes para cada caso, el equipo entrenó una serie de modelos de aprendizaje automático para aprender los vínculos entre las características del proyecto y el coste final del hidrógeno. Dividieron los datos de modo que la mayoría de los escenarios se utilizaran para entrenamiento y el resto se reservara como prueba independiente. Se probaron once métodos distintos, desde fórmulas lineales simples hasta enfoques basados en árboles más flexibles y redes neuronales profundas. Para evitar engañarse con sobreajuste —modelos que memorizan en lugar de generalizar— emplearon validación cruzada anidada, barajando y dividiendo repetidamente los datos para ver cuán estables eran las predicciones a lo largo de múltiples ejecuciones.

Qué empuja los costes hacia arriba o hacia abajo

El modelo con mejor rendimiento fue un sistema de gradient boosting afinado, que apila muchos árboles de decisión simples para captar patrones complejos. Reprodujo los costes observados del hidrógeno con una precisión notable, dejando solo unos pocos céntimos de error medio por kilogramo. Utilizando una técnica llamada SHAP, los autores «abrieron la caja negra» para ver qué factores influían más en las decisiones del modelo. Plantas renovables más grandes y sistemas de electrolizadores de mayor tamaño se asociaron fuertemente con costes predichos más bajos, reflejando economías de escala. Los países con mayor seguridad energética —sistemas eléctricos más fiables y diversificados— también tendieron a mostrar costes menores en el modelo. Por otro lado, una mayor demanda de agua y largas tuberías de distribución empujaron los costes previstos al alza, lo que apunta a la importancia de los límites de los recursos locales y las necesidades de infraestructura.

Patrones entre países y fases de proyecto

Al observar los 54 escenarios africanos, el coste típico del hidrógeno verde se situó en torno a 4,9 euros por kilogramo, con valores que iban aproximadamente de 3,75 a 5,60 euros. Pero estos números no eran aleatorios. Los proyectos que habían avanzado a fases de diseño detallado o construcción tendían a agruparse en el extremo inferior de la horquilla de costes, mientras que las ideas tempranas solo conceptuales eran notablemente más caras. Esto sugiere que a medida que los proyectos maduran —aclarando su diseño, infraestructura y financiación— el coste esperado del hidrógeno disminuye. El análisis también mostró que los costes bajos generalmente coincidían con sistemas bien integrados y a gran escala que combinan grandes plantas renovables con almacenamiento robusto, tuberías y una gobernanza energética sólida, más que con algún ingrediente mágico aislado o un único país destacado.

Vínculos con objetivos de sostenibilidad más amplios

Puesto que los mismos indicadores usados para predecir el coste también están vinculados a cuestiones sociales y ambientales, los autores examinaron cómo sus hallazgos se relacionan con los Objetivos de Desarrollo Sostenible globales. Una mayor capacidad renovable y mejor seguridad energética conectan la expansión del hidrógeno verde con energía limpia y asequible e infraestructura moderna. Al mismo tiempo, indicadores como la reducción de dióxido de carbono, la demanda de agua y los niveles de inversión revelan compensaciones y sinergias con la acción climática y el estrés hídrico. El marco no pretende medir los impactos reales completos en el mundo, pero ofrece un punto de partida transparente para sopesar conjuntamente coste, beneficios climáticos, infraestructura y recursos.

Qué significa esto para los responsables de la toma de decisiones

En términos prácticos, este estudio ofrece una herramienta de cribado rápida para gobiernos, inversores y planificadores que deben decidir dónde centrar la escasa atención y el capital. Muestra que, en los escenarios examinados, los costes del hidrógeno verde en África son competitivos solo cuando los proyectos son grandes, están bien integrados con sistemas eléctricos fiables y se planifican cuidadosamente en torno a las limitaciones de agua e infraestructura. El marco de aprendizaje automático no puede reemplazar estudios de ingeniería y financieros detallados, pero puede resaltar rápidamente qué países y diseños de proyectos parecen más prometedores —y cuáles merecen una investigación más profunda— mucho antes de que se vierta el hormigón o se instalen tuberías.

Cita: Elewa, A.M.T., Snousy, M.G., Saqr, A.M. et al. Toward sustainable energy production: a comparative machine learning framework for predicting green hydrogen cost across the african continent. Sci Rep 16, 12855 (2026). https://doi.org/10.1038/s41598-026-47726-w

Palabras clave: hidrógeno verde, energía en África, aprendizaje automático, energía renovable, infraestructura sostenible