FSNet revoluciona la gestión de redes eléctricas con soluciones rápidas y efectivas

La gestión de una red eléctrica se asemeja a resolver un enorme rompecabezas. Los operadores deben asegurar que la cantidad adecuada de energía fluya hacia las áreas correctas en el momento preciso, minimizando costos y evitando sobrecargas en la infraestructura física. Además, deben resolver este complicado problema de manera repetida y rápida para satisfacer la demanda en constante cambio.

Para abordar este desafío, investigadores del Instituto Tecnológico de Massachusetts (MIT) desarrollaron una herramienta de resolución de problemas que encuentra soluciones óptimas mucho más rápido que los enfoques tradicionales, asegurando al mismo tiempo que las soluciones no violen ninguna de las restricciones del sistema. En el contexto de una red eléctrica, las restricciones pueden incluir la capacidad de generadores y líneas.

Esta nueva herramienta incorpora un paso de búsqueda de viabilidad en un potente modelo de aprendizaje automático entrenado para resolver el problema. Este paso utiliza la predicción del modelo como punto de partida, refinando iterativamente la solución hasta encontrar la mejor respuesta alcanzable.

El sistema del MIT puede desentrañar problemas complejos varias veces más rápido que los solucionadores tradicionales, proporcionando fuertes garantías de éxito. Para algunos problemas extremadamente complejos, podría encontrar mejores soluciones que las herramientas probadas. La técnica también superó enfoques de aprendizaje automático puro, que son rápidos pero no siempre pueden encontrar soluciones viables.

Además de ayudar a programar la producción de energía en una red eléctrica, esta nueva herramienta podría aplicarse a muchos tipos de problemas complicados, como el diseño de nuevos productos, la gestión de carteras de inversión o la planificación de la producción para satisfacer la demanda del consumidor.

"Resolver estos problemas especialmente difíciles requiere combinar herramientas de aprendizaje automático, optimización e ingeniería eléctrica para desarrollar métodos que logren los equilibrios correctos en términos de proporcionar valor al dominio, mientras cumplen con sus requisitos", afirmó Priya Donti, profesora del Departamento de Ingeniería Eléctrica y Ciencias de la Computación (EECS) y principal investigadora en el Laboratorio de Sistemas de Información y Decisión (LIDS).

Donti, autora principal de un artículo de acceso abierto sobre esta nueva herramienta, llamada FSNet, fue acompañada por el autor principal Hoang Nguyen, un estudiante de posgrado de EECS. El artículo será presentado en la Conferencia sobre Sistemas de Procesamiento de Información Neural (NeurIPS 2025), que se llevará a cabo del 2 al 7 de diciembre en San Diego. Actualmente está disponible en el servidor de preprints arXiv.

Combinando enfoques

Asegurar un flujo de energía óptimo en una red eléctrica es un problema extremadamente difícil que se vuelve más complicado para los operadores resolver rápidamente.

"A medida que intentamos integrar más energías renovables en la red, los operadores deben lidiar con el hecho de que la cantidad de generación de energía variará de un momento a otro. Al mismo tiempo, hay muchos más dispositivos distribuidos que coordinar", explicó Donti.

Los operadores de la red a menudo dependen de solucionadores tradicionales, que proporcionan garantías matemáticas de que la solución óptima no viola ninguna restricción del problema. Sin embargo, estas herramientas pueden tardar horas o incluso días en llegar a esa solución si el problema es especialmente complicado.

Por otro lado, los modelos de aprendizaje profundo pueden resolver incluso problemas muy difíciles en una fracción del tiempo, pero la solución podría ignorar algunas restricciones importantes. Para un operador de red eléctrica, esto podría resultar en problemas como niveles de voltaje inseguros o incluso cortes de energía.

"Los modelos de aprendizaje automático luchan por satisfacer todas las restricciones debido a los muchos errores que ocurren durante el proceso de entrenamiento", explicó Nguyen.

Para FSNet, los investigadores combinaron lo mejor de ambos enfoques en un marco de resolución de problemas de dos pasos.

Enfocándose en la viabilidad

En el primer paso, una red neuronal predice una solución al problema de optimización. Muy vagamente inspiradas en neuronas del cerebro humano, las redes neuronales son modelos de aprendizaje profundo que sobresalen en el reconocimiento de patrones en datos.

A continuación, un solucionador tradicional que ha sido incorporado en FSNet realiza un paso de búsqueda de viabilidad. Este algoritmo de optimización refina iterativamente la predicción inicial mientras asegura que la solución no viole ninguna restricción.

Debido a que el paso de búsqueda de viabilidad se basa en un modelo matemático del problema, puede garantizar que la solución sea implementable.

"Este paso es muy importante. En FSNet, podemos tener las garantías rigurosas que necesitamos en la práctica", dijo Hoang.

Los investigadores diseñaron FSNet para abordar ambos tipos principales de restricciones (igualdad y desigualdad) al mismo tiempo. Esto lo hace más fácil de usar que otros enfoques que pueden requerir personalizar la red neuronal o resolver cada tipo de restricción por separado.

"Aquí, simplemente puedes conectar y usar diferentes solucionadores de optimización", agregó Donti.

Al pensar de manera diferente sobre cómo la red neuronal resuelve problemas complejos de optimización, los investigadores pudieron desbloquear una nueva técnica que funciona mejor, añadió.

Compararon FSNet con solucionadores tradicionales y enfoques de aprendizaje automático puro en una variedad de problemas desafiantes, incluida la optimización de la red eléctrica. Su sistema redujo los tiempos de resolución en órdenes de magnitud en comparación con los enfoques de referencia, mientras respetaba todas las restricciones del problema.

FSNet también encontró mejores soluciones para algunos de los problemas más difíciles.

"Si bien esto nos sorprendió, tiene sentido. Nuestra red neuronal puede descubrir por sí misma alguna estructura adicional en los datos que el solucionador de optimización original no estaba diseñado para explotar", explicó Donti.

En el futuro, los investigadores desean hacer que FSNet sea menos intensivo en memoria, incorporar algoritmos de optimización más eficientes y escalarlo para abordar problemas más realistas.

"Encontrar soluciones a problemas de optimización desafiantes que sean viables es fundamental para encontrar soluciones que estén cerca de lo óptimo. Especialmente para sistemas físicos como las redes eléctricas, estar cerca de lo óptimo no significa nada sin viabilidad", concluyó.