No todas las inversiones en red eléctrica generan el mismo impacto. Por eso se trabaja con metodologías basadas en predicción estadística inversa para identificar dónde invertir primero y maximizar la mejora de calidad y eficiencia de red.

Cómo priorizar inversiones en la red eléctrica para mejorar la calidad

En la planificación técnica de redes eléctricas no basta con identificar problemas: hay que decidir dónde invertir primero.
Cuando el presupuesto es limitado, cada actuación debe justificarse por su impacto real en la calidad del suministro.
La metodología que se suele utilizar combinaba datos históricos, indicadores como TIEPI y NIEPI, coste de inversión, mejora esperada y robustez estadística.
El objetivo era evitar decisiones basadas solo en intuición o presión territorial.
Cada proyecto debía poder explicarse ante dirección, reguladores o auditorías con criterios transparentes.
La clave era transformar una lista de posibles actuaciones en una priorización técnica defendible.
Y, sobre todo, cerrar el ciclo comparando lo planificado con lo realmente ejecutado.

El reto: invertir donde el impacto sea mayor

Hoy quiero compartir mi experiencia en planificación técnica y optimización de soluciones, concretamente en cómo abordábamos la priorización de inversiones para mejorar la calidad del suministro eléctrico.

En este tipo de decisiones no basta con decir “esta actuación parece necesaria”. Hay que justificar por qué se invierte en un punto de la red y no en otro, qué mejora se espera obtener, qué impacto tendrá sobre la calidad del servicio y cómo se puede defender esa decisión ante dirección, reguladores o auditorías.

Además, todo esto debe hacerse teniendo presentes exigencias normativas como las del Real Decreto 1955/2000, especialmente en lo relativo a indicadores de continuidad del suministro como el TIEPI y el NIEPI.

En cualquier red eléctrica hay más necesidades que presupuesto disponible. Siempre hay líneas, tramos, centros, automatismos o refuerzos que podrían mejorarse. Pero la planificación técnica no consiste en hacer una lista de deseos, sino en ordenar prioridades.

La pregunta clave era siempre la misma:

¿Dónde conviene invertir primero para obtener la mayor mejora posible en la calidad del suministro?

Para responder a esto desarrollamos una metodología robusta y trazable, a la que internamente llamábamos, con cierta ironía, “el algoritmo”.

La idea era sencilla: cuando alguien preguntaba “¿por qué esta inversión y no otra?”, la respuesta no debía ser una opinión personal, sino una justificación técnica basada en datos, impacto esperado y criterios de optimización.

Dicho de forma más clara: no era “porque lo dice el algoritmo” como si fuese una caja negra, sino porque el modelo priorizaba esa actuación según su coste, su mejora esperada, su efecto sobre los indicadores de calidad y la fiabilidad de la predicción.

Datos necesarios para priorizar inversiones

Para que la metodología funcionara, necesitábamos una base de datos suficientemente ordenada. Entre los datos principales estaban:

Incidentes registrados: fecha, duración, potencia afectada, tipología MAE —Muy Alta Energía— y tramo afectado.

Soluciones propuestas: tramo, descripción de la actuación, coste estimado, mejora esperada en TIEPI y NIEPI, y Valor Actual Neto —VAN—.

Umbrales normativos: valores máximos de TIEPI y NIEPI según la tipología de zona: urbana, semiurbana, rural, etc.

De forma resumida:

TIEPI = Σ(kVA · h) / Σ(kVA) mide el tiempo equivalente de interrupción ponderado por la potencia instalada.

NIEPI ≈ número de interrupciones registradas

También se empleaban otros parámetros complementarios que no detallare mas afondo aquí para simplificar la explicación. (por regulación española, se habla en clave TIEPI, NIEPI y pérdidas, y en clave internacional: SAIDI, SAIFI, CAIDI, pérdidas, smart meters y automatización, pero las palancas reales son también refuerzo de red, telecontrol, digitalización, contadores inteligentes y reducción de perdidas).

Del dato a la decisión

Con esos datos se construía un modelo que relacionaba la inversión prevista con la mejora esperada en la calidad del suministro. Por ejemplo, se podía ajustar un modelo empírico que relacionara inversión y reducción esperada del TIEPI.

La clave no era solo saber cuánto mejoraba una inversión concreta, sino calcular qué inversión era aconsejable para alcanzar un determinado objetivo de calidad sin pasarse de la raya.

Ahí entraba la lógica de la predicción inversa: no partir únicamente de “si invierto esto, qué mejora obtengo”, sino también de “si quiero llegar a este nivel de calidad, dónde tiene más sentido aplicarla y qué inversión voy a necesitar”.

Este enfoque permitía comparar actuaciones diferentes bajo un criterio común y responder de forma homogénea a dos preguntas clave: “Si dispongo de un presupuesto limitado, ¿dónde debo invertirlo para maximizar la mejora obtenida sin penalizar la rentabilidad ni el VAN?” y/o “Si la red presenta estos problemas, ¿qué inversión sería necesaria para corregirlos?”

Dos formas de decidir: proteger el peor caso o mejorar el promedio

En la práctica, no todas las estrategias de inversión persiguen exactamente lo mismo.

A veces interesa proteger el peor escenario, es decir, actuar donde el riesgo o la desviación es mayor. En ese caso se puede usar un enfoque tipo G-óptimo.

Otras veces interesa minimizar el error promedio y mejorar el comportamiento global del conjunto de la red. En ese caso puede tener más sentido un enfoque tipo V-óptimo.

Dicho en lenguaje sencillo:

G-óptimo: prioriza reducir el peor caso.

V-óptimo: prioriza mejorar el resultado medio.

Esta distinción es importante porque no todas las políticas de inversión tienen el mismo objetivo. No es lo mismo corregir puntos críticos que optimizar el conjunto del sistema.

La “sábana”: trazabilidad y control de las inversiones

Una vez completado el análisis, los resultados se consolidaban en una gran hoja de cálculo Excel. Por su tamaño y nivel de detalle, la llamábamos cariñosamente “la sábana”.

Allí quedaban recogidas las propuestas, los tramos afectados, los costes, las mejoras esperadas, los indicadores de calidad, el VAN y la justificación de cada actuación.

Esa hoja no era solo un documento administrativo. Era una herramienta central de gestión. Permitía consultar, comparar, cruzar datos y hacer seguimiento de las inversiones desde una visión global (es decir el equivalente a una IA aplicada)

En planificación técnica, esta trazabilidad es clave. Si no puedes explicar por qué una actuación está en la lista y otra no, la planificación pierde fuerza.

Ejemplo simplificado con datos sintéticos

Para ilustrarlo, imaginemos un caso sintético:

28 tramos analizados.
42 soluciones candidatas.
Presupuesto disponible: 1,5 millones de euros.

Aplicando un diseño G-óptimo con cuatro puntos de TIEPI —1, 2, 4 y 6 horas—, la peor varianza estimada de la inversión necesaria se redujo de 0,35 M€² a 0,12 M€².

La función de sensibilidad fue válida en todo el rango analizado, de 0 a 8 horas.

Después, mediante un optimizador de proyectos tipo “algoritmo de la mochila”, se seleccionaron 11 proyectos. El resultado fue una reducción del TIEPI global hasta 2,8 horas y un VAN estimado de 9,4 millones de euros.

No hay que quedarse solo con los números. Lo importante es el concepto: elegir inversiones no por intuición aislada, sino por impacto, coste, robustez y mejora esperada.

Del plan a la ejecución: la brecha territorial

Pero una cosa es planificar y otra ejecutar.

Una vez generado el listado de inversiones priorizadas, este se trasladaba a la dirección y después a los territorios para su ejecución. Y ahí aparecía una de las grandes dificultades de cualquier organización técnica: la distancia entre el plan centralizado y la realidad operativa.

Los equipos territoriales podían interpretar las directrices a su manera, adaptar prioridades o incluso actuar según su propio criterio y conveniencia.

Esto no siempre era mala fe. A veces respondía a urgencias, restricciones locales, disponibilidad de contratas, permisos, materiales o conocimiento del terreno. Pero si no existía un buen mecanismo de seguimiento, esa desconexión podía diluir el efecto de la planificación inicial.

Closing, pre-closing y aprendizaje posterior

Después llegaba la fase de seguimiento o monitoring : pre-closing, closing y análisis post-ejecución.

El monitoring del proyecto se estructuraba en varias fases: un pre-closing para detectar desviaciones antes del cierre, un closing para validar el cierre técnico, económico y administrativo de la actuación, y un análisis post-ejecución para extraer aprendizajes, actualizar ratios y mejorar la planificación de futuros proyectos.

Esta fase era crítica porque permitía comprobar qué se había ejecutado realmente, qué desviaciones habían aparecido y hasta qué punto las inversiones habían producido la mejora esperada.

El riesgo era caer en el “a lo hecho, pecho”: justificar lo ejecutado aunque no coincidiera del todo con el plan inicial.

Por eso el ciclo de control no debe entenderse como una simple rendición de cuentas, sino como una herramienta de aprendizaje. La planificación técnica solo mejora si compara previsión y realidad, identifica desviaciones y ajusta los criterios para futuras inversiones.

Conclusión: invertir mejor es decidir con datos

Esta metodología buscaba transformar la planificación de inversiones en un proceso transparente, defendible y eficiente.

Cada actuación debía poder justificarse con datos: mejora esperada de TIEPI y NIEPI, coste, VAN, variabilidad estimada y prioridad técnica.

La planificación no elimina la incertidumbre, pero ayuda a gestionarla mejor. Y en una red eléctrica, donde los recursos siempre son limitados, invertir bien no significa gastar más, sino elegir mejor.

Viéndolo con perspectiva, toda esta metodología seguía en el fondo la lógica clásica del ciclo PDCA:

• Planificar las inversiones mediante datos y modelos predictivos.
• Ejecutar las actuaciones en campo.
• Verificar posteriormente si el resultado coincidía con lo previsto.
• Y aprender de las desviaciones para mejorar futuras decisiones.

Porque en planificación técnica, igual que en calidad, el verdadero valor no está solo en diseñar un buen plan, sino en cerrar el ciclo y aprender de la realidad

---

Anexo técnico: base estadística de la metodología

Este anexo es el elemento que diferencia el artículo de una reflexión genérica. Aquí no se habla solo de “decidir con datos”, sino de cómo una metodología estadística puede ayudar a priorizar inversiones de forma trazable y defendible.

Para quienes quieran entrar en el detalle técnico, la metodología se apoyaba en una lógica de predicción inversa aplicada a la priorización de inversiones.

1. Propósito y alcance

La metodología se basaba en tres elementos principales:

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 el objetivo de inversión.

Validar los resultados mediante la función de sensibilidad ϕ(y).

2. Modelo de mejora e inversión

Se ajustaba un modelo empírico, por ejemplo de tipo exponencial, que relacionaba inversión y mejora esperada.

La clave estaba en calcular la inversión necesaria para alcanzar un TIEPI objetivo. Como no siempre existe una forma cerrada para esa función inversa, se aplicaba el Teorema de la Función Inversa para derivar la función y sus gradientes.

3. Matriz de información de Fisher del inverso

La matriz de Fisher, M(ξ, θ), se construía a partir del diseño ξ, formado por los puntos TIEPI yi y sus pesos pi, junto con la varianza del residuo σ².

Esta matriz permitía cuantificar la fiabilidad de la predicción y estimar la incertidumbre asociada a la inversión necesaria.

4. Criterios de optimalidad

Se aplicaban dos posibles criterios:

Criterio G-óptimo: minimizar la peor varianza de la inversión necesaria.

Criterio V-óptimo: minimizar la varianza promedio en el rango de trabajo.

El primero protege frente al peor escenario. El segundo optimiza el comportamiento medio.

5. Función de sensibilidad

La validación se realizaba mediante la función:

ϕ(y) = v(y, ξ) − v

donde v representa la cota óptima, ya sea del peor caso o de la media.

Si ϕ(y) ≤ 0 en todo el dominio, el diseño se considera óptimo.

Si existe algún punto y donde ϕ(y) > 0, conviene añadir más mediciones o reevaluar ese tramo para mejorar la precisión.

6. Procedimiento paso a paso (muy de IA)

1. Calcular los índices base TIEPI y NIEPI por tramo o circuito.
2. Listar soluciones candidatas con coste y mejora estimada.
3. Ajustar el modelo TIEPI → inversión con datos históricos.
4. Derivar la función inversa y sus gradientes.
5. Construir la matriz de Fisher.
6. Elegir el diseño mediante un algoritmo de intercambio.
7. Seleccionar criterio G-óptimo o V-óptimo.
8. Validar mediante la función de sensibilidad.
9. Ejecutar un optimizador de proyectos tipo mochila.
10. Justificar cada actuación con ΔTIEPI, ΔNIEPI, VAN y variabilidad estimada.

7. Valor técnico del método

La matriz de Fisher cuantifica la fiabilidad de la predicción.

El criterio G/V-óptimo define claramente el objetivo de optimización.

La función de sensibilidad permite comprobar si el modelo es suficientemente robusto en el rango analizado.

En conjunto, la metodología convierte una lista de posibles inversiones en una priorización técnica, trazable y defendible.