Mi Experiencia en Planificación Técnica: Optimizando Inversiones en la Red Eléctrica

Diseño Óptimo de Inversiones para Mejorar la Calidad del Suministro Eléctrico: Transparencia y Eficiencia

Hoy quiero compartirles mi experiencia en la planificación técnica y la optimización de soluciones, específicamente cómo abordamos la optimización de inversiones para mejorar la calidad del servicio eléctrico. Para los que están inmersos en el sector, saben que esto no es solo una cuestión de números, sino de cumplir con normativas exigentes como el Real Decreto 1955/2000 y, a la vez, ser transparentes y justificables ante reguladores y auditores.

En mi departamento, desarrollamos una metodología robusta y clara, a la que cariñosamente llamábamos "El Algoritmo". La esencia era simple: cuando nos preguntaban "¿Por qué esta inversión y no otra?", la respuesta era "Porque el algoritmo así lo indica". Y si había más dudas, la pelota pasaba a los expertos en su diseño.

A efectos prácticos la metodología que usabamos se basa en estadística de predicción inversa para priorizar dónde invertir con el mayor impacto. Para los que les interese el detalle técnico, les ofrezco un resumen de cómo funciona. Para el resto, pueden saltar directamente a las conclusiones y ver el panorama general.

1. Propósito y Alcance de la Metodología

La metodología se basa en:

• Formular la matriz de información de Fisher del modelo inverso aplicando el Teorema de la Función Inversa.
• Construir diseños G-óptimos o V-óptimos, según si se quiere proteger el peor escenario o minimizar el error promedio, respectivamente.
• Validar los resultados mediante la función de sensibilidad ϕ(y).

2. Datos de Partida Necesarios

Para aplicar este método, se requieren los siguientes datos:

• Incidentes: Fecha, duración, potencia afectada, tipología MAE (Muy Alta Energía) y tramo.
• Soluciones Propuestas: Tramo, descripción, coste (€), mejora esperada en el TIEPI (Tiempo de Interrupción Equivalente a la Potencia Instalada) y NIEPI (Número de Interrupciones Equivalentes a la Potencia Instalada), y Valor Actual Neto (VAN) en k€.
• Umbrales del RD 1955/2000: TIEPI_max y NIEPI_max por tipología de zona (urbana, rural, etc.).

Recordemos:

• TIEPI=Σ(kVA⋅h)/Σ(kVA)
• NIEPI≈número de interrupciones registradas
• Otros≈Otros parámetros utilizados que no describo aquí para simplificar la explicación.

3. Modelo de Mejora e Inversión

Se ajusta un modelo empírico (por ejemplo, exponencial) que relaciona la inversión con la mejora. La clave radica en calcular la inversión necesaria (función inversa) para alcanzar un TIEPI objetivo. Dado que no existe una forma cerrada para esta función, se aplica el Teorema de la Función Inversa.

4. Matriz de Información de Fisher del Inverso

La matriz de Fisher (M(ξ,θ)) se construye a partir del diseño (ξ, que incluye los puntos TIEPI yi​ y sus pesos pi​) y la varianza del residuo (σ2).

5. Criterios de Optimalidad

Para decidir qué estrategia de inversión seguir, se pueden aplicar dos criterios de optimalidad:

• Criterio G-óptimo: El objetivo es minimizar la peor varianza de la inversión necesaria.
• Criterio V-óptimo: El objetivo es minimizar la varianza promedio en el rango de trabajo.

6. Validación con la Función de Sensibilidad

La validación se realiza con la función de sensibilidad ϕ(y)=v(y,ξ)−v, donde v es la cota óptima (peor caso o media).
Si ϕ(y) ≤ 0 en todo el dominio, el diseño es óptimo; si existe algún y con ϕ(y) > 0, conviene añadir más mediciones o reevaluar ese tramo para afinar la precisión.

7. Procedimiento Paso a Paso

1. Calcular los índices base (TIEPI, NIEPI) por cada tramo/circuito.
2. Listar las soluciones de inversión candidatas con sus costos y mejoras estimadas.
3. Ajustar el modelo TIEPI → INV con datos históricos.
4. Derivar la función inversa g(y;θ) y sus gradientes.
5. Construir la matriz de Fisher y elegir el diseño ξ mediante un algoritmo de intercambio.
6. Seleccionar el criterio G-óptimo o V-óptimo según la política de inversión (proteger el peor caso vs. optimizar el promedio).
7. Validar la función de sensibilidad ϕ(y) para asegurar la robustez del diseño.
8. Lanzar un optimizador de proyectos (algoritmo de la mochila) con las soluciones seleccionadas.
9. Justificar cada actuación con: ΔTIEPI, ΔNIEPI, VAN y la variabilidad estimada de la mejora.

8. De los Datos a "La Sábana": Centralizando la Información

Una vez completado el análisis y la priorización de inversiones, todos los resultados y detalles de cada propuesta se consolidan en una única hoja de cálculo Excel. Este documento, que por su extensión y minuciosidad nosotros llamábamos cariñosamente "La Sábana", se convierte en la herramienta central para una gestión y seguimiento eficiente de todas las inversiones en calidad del suministro. Facilita la consulta, el cruce de datos y la toma de decisiones basada en una visión global y detallada de los proyectos.

9. Ejemplo Rápido (Datos Sintéticos)

En un ejemplo con datos sintéticos:

• 28 tramos → 42 soluciones candidatas.
• Presupuesto de 1,5 M€.
• Un diseño G-óptimo con 4 puntos TIEPI (1, 2, 4, 6 h) redujo la peor varianza de la inversión de 0,35 M€² a 0,12 M€².
• La función de sensibilidad ϕ(y) fue ≤0 en todo el rango de [0, 8] h.
• El solver seleccionó 11 proyectos que disminuyeron el TIEPI global a 2,8 h y generaron un VAN de 9,4 M€.

10. Conclusión: Transparencia e Inteligencia en la Inversión

Esta metodología transforma la "IA" ("El Algoritmo") de una caja negra en una herramienta transparente y justificable. Cada decisión de inversión está firmemente respaldada por:

• La matriz de Fisher, que cuantifica la fiabilidad de la predicción.
• El criterio G/V-óptimo, que define claramente el objetivo de optimización.
• La función de sensibilidad, que explica si el modelo ya es suficientemente preciso en ese rango

Reflexiones Finales sobre la Planificación de la Inversión en Calidad del Suministro Eléctrico

La metodología para optimizar las inversiones en la calidad del suministro eléctrico, basada en datos, análisis y una estrategia clara, busca maximizar la eficiencia y la defensabilidad de cada actuación. Sin embargo, la implementación de estas decisiones en el terreno a menudo se enfrenta a desafíos inherentes a la operativa y la estructura organizativa.

Del Plan a la Ejecución: La Brecha Territorial

Una vez que el proceso de análisis ha culminado y se ha generado un listado de inversiones priorizadas, este se traslada a la Dirección. De ahí, el plan se comunica a los territorios para su ejecución. Es en este punto donde la teoría se encuentra con la práctica: los equipos territoriales pueden interpretar las directrices a su manera o, directamente, proceder según su propio criterio y conveniencia. Esta desconexión puede diluir la efectividad de la planificación inicial y comprometer los objetivos óptimos establecidos.

Del Plan a la Ejecución: El Ciclo de Control y Aprendizaje

El Cierre del Ciclo: Más Allá del "A lo Hecho, Pecho"

Lo que sigue a la ejecución es el ciclo de "closing", "pre-closing" y "análisis post-ejecución". En esencia, esta fase se traduce en justificar lo realizado, a menudo bajo la premisa de que "lo que habeis hecho, hecho está", es decir, asumiendo lo ejecutado y buscando la mejor manera de argumentar su idoneidad, aunque no se alinee estrictamente con el plan original.

Esta fase, crítica para el aprendizaje y la mejora continua, es un tema que, por su complejidad y matices, requeriría una explicación más detallada en otro momento. Destaca la necesidad de mecanismos robustos de seguimiento y control (monitoring) que aseguren la alineación entre la planificación estratégica centralizada y la ejecución operativa en los territorios, garantizando que las inversiones realmente cumplan su propósito de mejorar la calidad del suministro de manera óptima.