En un sistema eléctrico, la red de transmisión es la vía por donde circula la energía desde las centrales generadoras hasta las ciudades, industrias y hogares. A medida que crece la población y se electrifican más actividades, el consumo de electricidad también aumenta. En Ecuador, por ejemplo, el consumo anual ya supera los 25.000 GWh, mientras que hace una década —en 2015— no alcanzaba los 20.000 GWh, según datos oficiales del sector eléctrico. Esta tendencia, sumada a la transición energética que impulsa el uso de fuentes renovables como la solar o la eólica —que no siempre están cerca de los centros de consumo—, hace indispensable planificar cómo y dónde ampliar la red para garantizar un suministro confiable y sostenible.
Esta tarea se conoce como planificación de la expansión del sistema de transmisión y consiste en un problema de optimización cuyo resultado permite decidir qué nuevas infraestructuras construir y en qué momento. Tradicionalmente, se ha abordado con métodos de optimización matemática y algoritmos metaheurísticos inspirados en la naturaleza (como las colonias de hormigas o la evolución). Aunque han dado buenos resultados, la complejidad del problema —debido a la gran cantidad de combinaciones posibles— hace que se busquen nuevas estrategias más flexibles.
Aquí es donde entra la inteligencia artificial. En particular, el aprendizaje por refuerzo, una técnica en la que un agente (una especie de aprendiz virtual) explora diferentes formas de expandir la red y aprende con cada intento. Si toma una buena decisión, recibe una recompensa; si no, ajusta su estrategia. Así, con el tiempo, mejora su capacidad para tomar decisiones más eficientes, con el objetivo de encontrar la mejor infraestructura que reduzca el costo total y cumpla con los requisitos operativos
Además, dado que la red de transmisión puede representarse como una red compleja —donde las subestaciones son nodos y las líneas de transmisión, enlaces—, es posible aplicar herramientas de teoría de grafos. Mediante indicadores como las centralidades, se evalúa la importancia estructural de cada nodo, lo que permite identificar puntos críticos que podrían orientar las decisiones de expansión de forma más estratégica.
En conjunto, estas herramientas permiten abordar el problema de forma más integral: el aprendizaje por refuerzo proporciona un marco dinámico que mejora progresivamente la toma de decisiones, mientras que la teoría de redes complejas aporta información estructural clave que permite identificar vulnerabilidades y oportunidades de mejora en la red. La combinación de enfoques adaptativos e información topológica permite el diseño de sistemas eléctricos eficientes, confiables y mejor preparados para el futuro energético.
Autor: Mateo David Llivisaca Mejía
