Macro Micro News Global Pulse. Local Truth.

Investigadores saudíes resuelven la volatilidad de las redes renovables con IA guiada por física

06 November 2026 · 2 min read

We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.

Article image by Kathrine Coonjohn
Image by Kathrine Coonjohn

Jeddah, Arabia Saudita. Fuente:

El panorama energético global cambia rápidamente hacia fuentes eólicas y fotovoltaicas. Esta transición trae un nuevo desafío: la volatilidad inherente de la generación renovable puede amenazar la estabilidad de la red. Los métodos tradicionales de predicción a menudo tienen dificultades para tener en cuenta las complejas restricciones físicas. Pueden producir escenarios que parecen estadísticamente plausibles pero que son inviables operativamente. Un estudio publicado en noviembre de 2026 por investigadores de la Universidad Rey Abdulaziz ofrece una solución convincente. Su enfoque combina el aprendizaje profundo con la física de los sistemas eléctricos para crear escenarios de energía renovable altamente confiables de 24 horas.

El equipo de investigación utilizó el conjunto de datos EMHIRES. Esta colección contiene más de 262.968 valores horarios de factores de capacidad eólica y solar alemanas que abarcan desde 1986 hasta 2015. Al acoplar estos datos extensos con una versión simplificada del estándar IEEE 14 buses DC, entrenaron un modelo de difusión condicional. Este modelo aprende límites operativos como tasas de rampa, capacidades de flujo de rama y límites de generadores. Va más allá de los patrones estadísticos simples para entender las reglas físicas de la red.

Los Modelos Probabilísticos de Difusión de Eliminación Estándar a menudo producen salidas físicamente poco realistas. Estas pueden incluir generación fotovoltaica durante horas oscuras o violaciones de voltaje. El nuevo marco aborda estos problemas mediante una función de pérdida compuesta y muestreo guiado por gradientes. Este método aplica las reglas físicas durante el propio proceso de generación. Los resultados muestran un salto significativo en la confiabilidad operativa. Mientras que los modelos estándar alcanzaron solo una tasa de viabilidad del 14,61% para trayectorias completas de 24 horas, la variante guiada por física logró un impresionante 91,80%.

Las líneas base simples de persistencia ocasionalmente superaron al modelo de IA en precisión bruta de pronóstico puntual. Sin embargo, el nuevo modelo destaca en la generación de escenarios coherentes de múltiples pasos. Estos escenarios son esenciales para la optimización estocástica en la gestión de la red. El estudio destaca un intercambio práctico. La guía física aumenta ligeramente la latencia computacional de 2,76 ms a 22,29 ms por ventana. Este aumento reduce drásticamente la necesidad de reparaciones posteriores al procesamiento. El resultado es una herramienta mucho más adecuada para el despacho en tiempo real y la asignación de reservas.

Este avance marca un cambio crucial de la IA puramente basada en datos al aprendizaje automático híbrido informado por física. Garantizar que los pronósticos generados respeten las leyes fundamentales de la ingeniería eléctrica permite a los operadores de la red gestionar mejor la congestión. También ayuda a optimizar el despacho de almacenamiento y mantener márgenes de seguridad. A medida que la penetración de energías renovables sigue aumentando, estas herramientas de pronóstico robustas y conscientes de las restricciones serán indispensables. Proporcionan la confiabilidad y sostenibilidad necesarias para las redes eléctricas modernas.