La predicción de carga eléctrica se ha convertido en una pieza clave para que las redes eléctricas modernas funcionen con seguridad, eficiencia y sin sustos en la factura. Ya no basta con “ir viendo” cuánta energía se consume: los sistemas eléctricos necesitan anticiparse horas, días e incluso años para planificar generación, como centrales de bombeo, distribución, mantenimiento y nuevas inversiones.
Además, la irrupción masiva de las energías renovables variables, la recarga de vehículos eléctricos y las nuevas formas de consumo obligan a utilizar modelos mucho más sofisticados. Desde métodos estadísticos clásicos hasta algoritmos de machine learning, deep learning y procesos Gaussianos, el pronóstico de carga ha pasado de ser un cálculo relativamente simple a un campo puntero de la analítica de datos.
Qué es la predicción de carga y por qué es tan importante
La predicción o pronóstico de carga consiste en estimar la demanda futura de electricidad en una red o instalación, ya sea una vivienda, un edificio completo, una zona industrial o todo un sistema eléctrico nacional. El horizonte temporal puede ir desde unas horas (corto plazo) hasta varias semanas, meses o años (medio y largo plazo).
Disponer de una buena previsión permite a los operadores decidir qué centrales deben entrar en servicio, cuándo hacerlo y con qué potencia, así como definir el régimen de funcionamiento de las redes de transporte y distribución. Si la estimación es mala, pueden producirse sobrecostes (por tener que comprar energía de urgencia a precios muy altos) o problemas de estabilidad en la red, como en el control de tensión.
En el contexto de las redes eléctricas inteligentes, la predicción de carga combina datos históricos, información en tiempo real, estado de la red y variables externas como la meteorología, el calendario y la actividad económica. De este modo se ajusta mejor a la realidad y facilita una operación más flexible y eficiente.
Para las empresas de servicios públicos, una buena predicción de carga influye directamente en la planificación de activos, el mantenimiento y las finanzas. Como comentan muchos responsables de datos del sector, cuando la demanda se estima mal y se debe recurrir a compras de última hora, el coste se dispara y se reduce la competitividad.
Variables clave en el pronóstico de carga
El comportamiento de la demanda eléctrica está condicionado por muchas variables. Algunas son relativamente fáciles de cuantificar y otras son más impredecibles, pero todas influyen en la calidad de la predicción de carga.
Entre los factores más importantes se encuentran las condiciones meteorológicas: temperatura, humedad, viento o radiación solar tienen un impacto directo tanto en el consumo (climatización, calefacción, refrigeración) como en la producción renovable (eólica, fotovoltaica). Por eso la carga de una red se trata como una serie temporal altamente aleatoria, especialmente en sistemas con mucha generación renovable.
También influyen de manera notable la estacionalidad y el calendario. No se consume lo mismo en verano que en invierno, ni un día laborable que un festivo. Las series de carga suelen mostrar patrones diarios, semanales y anuales que los modelos de previsión deben ser capaces de capturar y explotar.
Existen además factores ligados a la demografía y la actividad económica: densidad de población, tipo de clientes, desarrollo industrial o cambios en los hábitos de consumo. Cuanto más detallada sea la segmentación (por regiones, ciudades, barrios o tipos de usuario), más necesario es contar con procesos sólidos de integración de datos y control de calidad sobre todas las fuentes utilizadas.
Por último, la creciente dependencia de datos externos (meteorología de terceros, indicadores socioeconómicos, etc.) obliga a evaluar su fiabilidad. Un conjunto de datos meteorológicos de baja calidad puede arruinar un modelo muy bien diseñado, por lo que la gestión de las fuentes de información es parte esencial del proyecto de pronóstico.
Métodos clásicos y modernos para la previsión de la demanda
Desde un punto de vista técnico, la carga eléctrica se modela como una serie temporal, es decir, una sucesión de observaciones ordenadas en el tiempo. Históricamente, los primeros métodos de previsión de carga se apoyaron en la estadística clásica, aunque hoy conviven con modelos mucho más avanzados.
Entre los modelos tradicionales están los modelos autorregresivos (AR), los de media móvil (MA) y sus combinaciones integradas (ARMA, ARIMA). Estos modelos suponen que el futuro de la serie puede describirse en función de sus valores pasados y de ciertos términos de ruido, buscando minimizar métricas de error como el error absoluto medio porcentual (MAPE) o el error cuadrático medio.
Con la expansión de la potencia de cálculo y de la disponibilidad de datos, el machine learning (ML) ha ganado mucho protagonismo, especialmente en predicción a corto plazo. Se utilizan algoritmos como máquinas de vectores soporte (SVM), procesos Gaussianos, redes neuronales de todo tipo o combinaciones híbridas entre modelos estadísticos y de ML.
Las SVM para regresión suelen complementarse con modelos ARIMA y utilizar kernels no lineales y cíclicos que captan mejor los patrones diarios o estacionales. Los procesos Gaussianos adaptados a series temporales aportan, además, una estimación probabilística de la carga, proporcionando no solo un valor esperado, sino también una medida de incertidumbre.
En cuanto a redes neuronales, los perceptrones multicapa dieron paso a arquitecturas más complejas como redes LSTM y GRU (recurrentes), redes convolucionales profundas (CNN) y otros modelos de deep learning capaces de extraer automáticamente características relevantes, a costa de una mayor necesidad de datos y de potencia computacional.
Modelos probabilísticos e interpretabilidad de la carga
Una línea de trabajo muy interesante en predicción de carga combina potencia predictiva con interpretabilidad. Es decir, no solo se busca acertar en la estimación, sino también entender qué patrones y relaciones explican esas predicciones. Para ello se recurre a modelos probabilísticos que describen explícitamente la estructura subyacente de los datos.
Estos modelos permiten obtener, de manera natural, una varianza predictiva asociada a cada estimación, que indica hasta qué punto podemos confiar en el resultado. Al mismo tiempo, sus parámetros suelen tener una interpretación clara (por ejemplo, matrices de covarianza que reflejan correlaciones entre horas del día o entre regiones).
Un ejemplo destacado es el enfoque de perfilado de carga: se utilizan algoritmos de ML para identificar perfiles o grupos de comportamiento en las series de demanda. Estos perfiles sirven para simplificar la comprensión del sistema y para entrenar modelos especializados por tipo de perfil, mejorando las prestaciones.
En lugar de tratar la predicción y el perfilado como pasos independientes (primero agrupar, luego ajustar regresores), algunos modelos integran ambas fases en una sola formulación probabilística. Un caso representativo es el clusterwise linear model (CWLM), basado en una mezcla de Gaussianas pero ampliado con una componente de regresión lineal en cada clúster.
En el CWLM, el algoritmo de maximización de la esperanza (EM) ajusta simultáneamente los parámetros de clústering y de regresión, de modo que los grupos encontrados están directamente optimizados para la tarea de predicción. Esto permite captar perfiles como patrones estacionales (verano/invierno) o diferencias entre días laborables y fines de semana, a la vez que se mejora la precisión.
Predicción multi-tarea y procesos Gaussianos avanzados
Otra idea potente en este ámbito es tratar la predicción de carga como un problema multi-tarea. Por ejemplo, estimar de golpe las 24 horas del día siguiente o las cargas de varias regiones vecinas. En estos casos, las salidas están claramente correlacionadas entre sí, y aprovechar esas relaciones puede mejorar sustancialmente el rendimiento.
Los procesos Gaussianos multi-tarea son una extensión natural de los procesos Gaussianos clásicos en la que se modela explícitamente la covarianza entre tareas. Esta aproximación proporciona no solo predicciones más precisas, sino también matrices de covarianza inter-tarea interpretables que permiten visualizar qué horas del día o qué zonas están más relacionadas.
Una formulación reciente es el denominado Cool-MTGP (conditional one-output likelihood multi-task Gaussian process). Su estrategia consiste en asociar cada tarea a un proceso Gaussiano mono-salida condicionado en las tareas anteriores, reduciendo la complejidad y el número de parámetros con respecto a formulaciones multi-tarea estándar.
El Cool-MTGP evita problemas típicos como tener que estimar matrices de covarianza inter-tarea de alto tamaño mediante aproximaciones de bajo rango, lo que suele introducir hiperparámetros adicionales. En su lugar, mantiene la interpretabilidad de las covarianzas con un coste computacional más controlado.
Aplicado a un escenario real de predicción a 24 horas con datos agregados de un operador regional (como ISO New England), este tipo de proceso Gaussiano multi-tarea puede superar a otros modelos de referencia y ofrecer una estimación muy precisa de las correlaciones horarias, sin necesidad de validaciones cruzadas excesivamente complejas.
Previsión de cargas según el REBT: edificios y baja tensión
Más allá de las grandes redes, la previsión de cargas en baja tensión es el punto de partida para dimensionar secciones de conductores, protecciones (IGA, magnetotérmicos) y transformadores en instalaciones de edificios y locales. En España, todo esto está regulado por el Reglamento Electrotécnico de Baja Tensión (REBT), especialmente por la ITC-BT-10.
La ITC-BT-10 indica cómo estimar la potencia prevista en distintas tipologías: edificios destinados principalmente a viviendas, edificios comerciales o de oficinas, edificios industriales, concentraciones de industrias y aparcamientos con recarga de vehículo eléctrico.
En líneas generales, la potencia de cálculo se obtiene sumando las contribuciones de cada zona o uso (viviendas, servicios generales, locales, garajes, recarga de VE) y aplicando, cuando corresponde, coeficientes de simultaneidad que tienen en cuenta que no todas las cargas funcionarán a la vez a máxima potencia.
Además, el REBT diferencia entre suministros monofásicos y trifásicos. Las empresas distribuidoras están obligadas a garantizar el funcionamiento de cualquier receptor monofásico de hasta 5.750 W a 230 V, siendo la potencia máxima monofásica habitual de 14.490 W (63 A a 230 V). Por encima de ese valor, lo normal es pasar a suministro trifásico para no desequilibrar la red.
La previsión de cargas también tiene efectos en la potencia contratada por el usuario. Aunque la potencia prevista sirve sobre todo para dimensionar la instalación, el cliente puede contratar un valor menor, dependiendo de sus hábitos reales de uso, siempre dentro de los límites marcados por el IGA y la distribuidora.
Coeficiente de simultaneidad y cálculo de potencia total
En diseño eléctrico, casi nunca se dimensiona una instalación sumando de forma directa todas las potencias nominales de los equipos. Si se hiciera, la infraestructura quedaría sobredimensionada en la mayoría de los casos, ya que es muy poco probable que todos los receptores funcionen a plena carga al mismo tiempo.
Para resolverlo se usa el coeficiente de simultaneidad (CS), que representa la fracción de la potencia instalada que se espera que pueda demandarse simultáneamente. Matemáticamente es la relación entre la potencia máxima simultánea previsible y la potencia total instalada del conjunto o parte de la instalación.
En instalaciones colectivas (bloques de viviendas, centros comerciales, polígonos industriales, centros de recarga de VE, etc.) el CS es especialmente relevante, porque el efecto estadístico de muchos usuarios hace que la probabilidad de coincidencia plena sea baja. A medida que aumenta el número de unidades consumidoras, el coeficiente de simultaneidad tiende a bajar.
Para la mayor parte de los casos prácticos, el CS no se calcula desde cero con fórmulas generales, sino que se toman valores tabulados en la normativa o en criterios de las propias distribuidoras, basados en experiencia y estudios históricos. Cuando no existe tabla específica, se recurre a la experiencia profesional, análisis de curvas de carga reales u otros métodos de auditoría energética.
Una vez determinado el CS adecuado para un grupo de cargas, la potencia simultánea de cálculo se obtiene de forma muy directa: basta multiplicar la potencia instalada total por el coeficiente de simultaneidad, lo que da la potencia de diseño sobre la que se dimensionan conductores y protecciones.
Viviendas, servicios generales, locales y garajes
En edificios destinados principalmente a viviendas, la potencia total prevista PT se compone de la suma de cuatro bloques principales: conjunto de viviendas (PV), servicios generales (PSG), locales comerciales y oficinas (PLC) y garajes (PG). Cada uno tiene sus propias reglas de cálculo.
En el caso de las viviendas, la potencia a prever se vincula a la intensidad asignada del IGA. Para nuevas construcciones, la potencia mínima es de 5.750 W a 230 V (grado de electrificación básica), subiendo a 9.200 W para viviendas con electrificación elevada (más superficie, climatización eléctrica, automatización, muchos puntos de uso, recarga de VE en unifamiliares, etc.).
El total de viviendas del edificio se agrupa aplicando un coeficiente de simultaneidad específico según el número de viviendas y su grado de electrificación. La ITC-BT-10 proporciona una tabla donde, por ejemplo, para 15 viviendas se considera un valor 11,9 que representa cuántas viviendas equivalentes se estima que podrían demandar simultáneamente su potencia máxima.
La carga de servicios generales se calcula sumando las potencias de ascensores, aparatos elevadores, grupos de presión, centrales de calor y frío, alumbrado de portal, cajas de escalera y zonas comunes, sin aplicar simultaneidad (CS = 1). Eso sí, en motores y lámparas de descarga hay que considerar coeficientes de corrección según la ITC-BT-47 y la ITC-BT-44.
Para los locales comerciales y oficinas, la norma establece un mínimo de 100 W/m² por planta y una potencia mínima por local de 3.450 W a 230 V, con coeficiente de simultaneidad 1. Si el cálculo real de la carga prevista es mayor, se toma el real; si es menor, se aplica el mínimo normativo para garantizar capacidad suficiente.
En el caso de los garajes, se considera la ventilación: 10 W/m² para ventilación natural y 20 W/m² para ventilación forzada, siempre con un mínimo de 3.450 W a 230 V y CS = 1. Además, si existe recarga de vehículo eléctrico, se suma la potencia específica de los puntos de carga siguiendo las reglas de la ITC-BT-52.
Receptores especiales: motores y lámparas de descarga
Algunos equipos, por su naturaleza, exigen una previsión de carga superior a su potencia nominal en placa. Ocurre principalmente con los motores eléctricos (por el pico de arranque) y con las lámparas de descarga (por la potencia aparente que manejan).
En lámparas de descarga (fluorescentes, vapor de mercurio, vapor de sodio, halogenuros metálicos, etc.), la carga mínima de cálculo en VA se toma como 1,8 veces la potencia en vatios de las lámparas, según ITC-BT-44. Esta corrección busca reflejar mejor la realidad de la potencia aparente que circula por los conductores.
Para motores en general, la ITC-BT-47 indica que los conductores que alimentan a un solo motor deben dimensionarse para el 125 % de la intensidad a plena carga, y que cuando se alimentan varios motores, se toma el 125 % del motor mayor más el 100 % de los demás. En términos de potencia prevista, equivale a multiplicar por 1,25 el mayor motor y sumar sin factor el resto.
Los motores de ascensores, grúas y aparatos de elevación tienen todavía un margen mayor: a efectos de previsión se multiplica la potencia nominal por 1,3. Cuando no se conoce la potencia exacta del motor de un ascensor, la ITC-BT-10 ofrece tablas con valores típicos según carga, velocidad y tipo de aparato.
En instalaciones mixtas con motores y otros receptores, la intensidad o potencia de cálculo se obtiene sumando la parte corregida de los motores y la potencia prevista del resto de cargas, aplicando simultaneidades solo cuando procede y según el uso específico de cada grupo.
Vehículo eléctrico y Sistemas de Protección de la LGA (SPL)
La recarga de vehículos eléctricos (VE) introduce un nuevo bloque de consumo que puede llegar a ser muy relevante. La ITC-BT-52 establece que la previsión de carga para VE en aparcamientos colectivos se calcule multiplicando 3.680 W por el 10 % de las plazas de aparcamiento construidas.
La potencia resultante se integra con el resto de cargas del edificio, pero se le puede aplicar un factor de simultaneidad distinto en función de si se dispone de un Sistema de Protección de la Línea General de Alimentación (SPL). Con SPL se suele usar un CS de 0,3; sin SPL, se toma CS = 1.
El SPL actúa como una especie de “ICP inteligente” sobre la LGA del edificio. En lugar de cortar bruscamente el suministro si se supera un umbral, el sistema monitoriza la corriente, reduce temporalmente la potencia destinada a la recarga de VE, desconecta cargas no prioritarias o regula la intensidad de carga para evitar sobrecargas.
Este sistema se compone de medidores de corriente, controladores electrónicos y actuadores que deciden qué cargas se desconectan o se limitan. Gracias a las tecnologías de IoT y a la posible integración de algoritmos de inteligencia artificial, los SPL irán ganando capacidad para tomar decisiones de forma proactiva basándose en patrones de carga previstos.
Aunque hoy no siempre sea obligatorio, todo apunta a que, a medida que crezca el parque de vehículos eléctricos, disponer de SPL será casi imprescindible para no sobredimensionar las infraestructuras y gestionar los picos de demanda sin comprometer la red.
Visto en conjunto, la predicción de carga combina normativa, diseño eléctrico clásico y algoritmos avanzados de modelización de datos para anticiparse a la demanda, dimensionar correctamente las instalaciones y explotar las redes de la forma más segura y económica posible, tanto en las grandes infraestructuras de transporte como en los edificios de uso cotidiano.
