• 4 min de lectura
GridFusionX reduce los costos de reserva de energía hasta en un 66%
GridFusionX mejoró las previsiones de energía hasta en un 56% y redujo los costos de reserva hasta en un 66% en 10 regiones europeas.
Imagen: TechXplore
El laboratorio de simulación del Center for Advanced Power Systems. Crédito: Scott Holstein/FAMU-FSU College of Engineering
Un sistema de predicción desarrollado por investigadores de la FAMU-FSU College of Engineering y del Center for Advanced Power Systems de Florida State University mejoró las previsiones de electricidad hasta en un 56% y redujo los costos de reserva hasta en un 66% en pruebas realizadas en 10 regiones europeas.
Llamado GridFusionX, el sistema está diseñado para ayudar a los operadores de la red a equilibrar la oferta y la demanda de electricidad a medida que la generación renovable introduce incertidumbre en la planificación energética. La investigación se publicó en IEEE Transactions on Network Science and Engineering en 2026.
Cómo GridFusionX pronostica la demanda eléctrica
Los operadores de red deben decidir cuánta electricidad de reserva mantener disponible. Mantener demasiada reserva aumenta los costos operativos, mientras que mantener muy poca puede dejar al sistema expuesto a picos de demanda o caídas bruscas en la generación renovable. GridFusionX pretende reducir esa incertidumbre generando tanto predicciones como intervalos de confianza.
Recomendado
Gemini Spark ahora puede reservar a través de Chrome
El modelo combina múltiples fuentes de datos, entre ellas:
- Demanda eléctrica histórica
- Generación de energía renovable
- Precios del mercado energético
- Otros datos regionales del sistema eléctrico
Su técnica central es una red neuronal de grafos, que representa entidades conectadas como nodos y modela las relaciones entre ellas. En GridFusionX, la red captura cómo las condiciones en una zona pueden afectar a regiones vecinas a través de líneas de transmisión compartidas, patrones meteorológicos y mercados energéticos.
Ese diseño que tiene en cuenta la red distingue al sistema de los enfoques de previsión que tratan las regiones de forma más independiente. El modelo produce predicciones espacialmente conectadas a la vez que indica cuánta incertidumbre acompaña a esas predicciones, proporcionando a los operadores información útil al fijar niveles de reserva.
“Nuestra investigación considera los sistemas inteligentes como un rompecabezas dinámico: cada factor, desde las diferentes fuentes de energía hasta las demandas cambiantes en las ciudades y las variaciones de precios, y cómo encajan entre sí. Lo que sucede en una zona puede afectar a las áreas vecinas porque comparten líneas eléctricas, patrones meteorológicos y mercados energéticos. Al analizar continuamente estas piezas, podemos predecir las necesidades energéticas con mayor precisión y adaptarnos para garantizar tanto la fiabilidad como el ahorro de costos.”
Precisión y resultados sobre costos de reserva
En las pruebas informadas, GridFusionX mejoró la precisión de las previsiones hasta en un 56% y redujo los costos de reserva hasta en un 66%, manteniendo al mismo tiempo un servicio fiable. El sistema está pensado para ayudar a las empresas suministradoras a prepararse de forma más eficiente ante cambios como aumentos repentinos de la demanda o disminuciones en la producción renovable.
Los investigadores describen el enfoque como multimodal porque combina varios tipos de información en lugar de basarse en una única serie histórica. El profesor asociado Olugbenga Moses Anubi, coautor del estudio, afirmó que reducir la incertidumbre puede apoyar decisiones más adaptativas en ámbitos que van desde el uso de electricidad hasta la predicción del tráfico y del clima.
“Ahora mismo, las compañías eléctricas estiman tu consumo para asegurarse de que nunca pagues de menos, lo que casi siempre significa que pagas de más. Con nuestro enfoque, las predicciones se vuelven más precisas, de modo que tu factura se ajuste a lo que realmente usas.”
La fuente no proporciona una fecha de lanzamiento comercial, un calendario de despliegue para las empresas suministradoras ni precios para GridFusionX. También presenta los resultados de rendimiento de las pruebas de los investigadores sin identificar una validación independiente de terceros de las cifras de referencia.
Investigación y formación de estudiantes
El proyecto fue dirigido por el investigador doctorando Quoc Bao Phan e involucró a cuatro miembros de la facultad. El profesorado de FAMU-FSU está incorporando conceptos relacionados en cursos que abarcan sistemas de ciberseguridad para redes eléctricas e inteligencia artificial para sistemas de potencia.
El profesor asociado Ravikumar Gelli describió el objetivo del proyecto como “engineering intelligence” para ayudar a las empresas eléctricas a equilibrar generación y carga mientras reducen los costos para los consumidores. Anubi dijo que la estructura colaborativa también ofrece a los estudiantes la experiencia de trabajar con varios profesores en lugar de con un único tutor.
El estudio completo lleva por título GridFusionX: Network-Aware Probabilistic Forecasting for Multi-Regional Power Systems. Su DOI es 10.1109/tnse.2026.3678493.
Gaby Clark — Máster en Inglés y editora de textos desde 2021, con experiencia en educación superior y contenidos relacionados con la salud.
Robert Egan — licenciatura en biología matemática y máster en escritura creativa.
AI Editor
Ava covers the rapidly evolving world of artificial intelligence, from foundational models and research labs to the real-world economics of intelligence. With a background in computational linguistics, she cuts through the hype to find out what actually works. She firmly believes that benchmarks are just marketing until reproduced in the wild.
vía TechXplore
