⚡ electrical engineering

Customising Electricity Contracts at Scale with Large Language Models

Este artículo presenta un sistema basado en modelos de lenguaje grande (LLM) que permite a los usuarios finales negociar contratos de electricidad personalizados y técnicamente viables a escala, automatizando los estudios de ingeniería necesarios para superar la escasez de mano de obra y optimizar la gestión de la red.

Autores originales: Jochen L. Cremer

Publicado 2026-03-03

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jochen L. Cremer

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que la red eléctrica es como una autopista gigante y muy compleja. Actualmente, si quieres conectar tu casa, tu fábrica o incluso una nueva turbina eólica a esta autopista, el proceso es lento, aburrido y muy burocrático.

Hasta ahora, la empresa de electricidad te dice: "Aquí tienes un contrato estándar. Es como un billete de autobús genérico: vale para todos, no importa si vas a la playa o a la montaña, y no puedes cambiar nada. Si quieres algo especial, tienes que esperar meses a que un ingeniero experto revise tus planos, lo cual es caro y lento."

El problema:

Falta de ingenieros: Hay demasiada gente pidiendo conexión y pocos expertos para revisar los planos.
Contratos rígidos: Como los ingenieros están saturados, solo ofrecen "paquetes estándar". Esto es ineficiente: a veces pagas por capacidad que no usas, o a veces no puedes usar la red al máximo porque el contrato es demasiado estricto.
Desperdicio de energía: La red tiene "flexibilidad oculta". Por ejemplo, si a tu vecino le da igual cargar su coche eléctrico a las 5 de la tarde o a las 10 de la noche, la red podría aprovechar esa diferencia. Pero como no hay un sistema para negociar eso fácilmente, esa oportunidad se pierde.

La solución de este papel: Un "Chatbot Ingeniero" (Inteligencia Artificial)

Los autores proponen usar una Inteligencia Artificial (LLM) que actúa como un asistente personal superpoderoso para negociar tu contrato eléctrico directamente con la red.

Aquí tienes las analogías clave para entenderlo:

1. El "Traductor" entre tú y la Física

Imagina que tú eres un turista que habla un idioma (necesitas energía, quieres cargar tu coche) y la red eléctrica es un guardián que habla otro idioma (voltajes, líneas de transmisión, leyes de la física).

Antes: Tenías que aprender el idioma del guardián o esperar a un traductor humano (el ingeniero) que tardaba semanas en llegar.
Ahora: La IA es un traductor en tiempo real. Tú le dices en lenguaje natural: "Hola, quiero cargar mi coche eléctrico entre las 16:00 y las 18:00". La IA entiende tu deseo, pero no se limita a decir "sí".

2. El "Simulador de Vuelo" (La parte mágica)

Aquí está la clave de seguridad: La IA no es la que decide si es seguro o no. La IA es como un agente de viajes que habla contigo, pero tiene un piloto automático conectado a un simulador de vuelo.

Cuando le pides algo, la IA llama al "piloto automático" (un programa de ingeniería eléctrica real y matemático).
El piloto automático simula: "¿Qué pasa si este coche se conecta a las 17:00? ¿Se rompe la línea? ¿Caerá el voltaje?".
Si el simulador dice "¡Peligro! La línea se sobrecalienta", la IA no te miente. Te dice: "Oye, a las 17:00 no puedo conectarte, pero si lo haces a las 16:00, ¡todo perfecto! ¿Te parece bien?".

3. Los tres escenarios que probaron

Para tu casa (El vecino con el coche eléctrico):
Imagina un barrio donde todos quieren cargar sus coches a la misma hora. La red se colapsa. Con el sistema nuevo, la IA negocia con cada vecino individualmente. "Tú puedes cargar a las 17:00, pero tú, vecino, si esperas 30 minutos más, te damos un precio mejor y no saturamos la red".
- Resultado: Consiguieron conectar 7 veces más coches eléctricos en la misma red, simplemente organizando mejor los horarios gracias a la negociación automática.
Para las empresas (La fábrica pequeña):
Antes, una pequeña empresa que quería abrir un nuevo local tenía que esperar meses para que le dijeran si podían conectar 2 megavatios de potencia.
- Con la IA: El dueño habla con el chat, describe su negocio y su consumo. La IA revisa la red al instante y dice: "En esa calle no puedes poner 2MW a las 8 de la noche, pero si abres las tiendas a las 6 de la tarde, ¡sí puedes!". Se pasa de meses de espera a minutos.
Para la red de alta tensión (El mantenimiento de la autopista):
Cuando hay que reparar una torre de alta tensión, hay que planificar cuándo cerrar la carretera (la línea eléctrica) sin causar un apagón.
- Con la IA: El dueño de la turbina eólica pide: "Quiero reparar mi máquina la semana 3". La IA revisa si hay otra reparación cerca que cause problemas. Si es peligroso, le dice: "No puedes la semana 3, pero la semana 8 está libre. ¿Te va bien?". Todo esto se hace en tiempo real, evitando que las solicitudes se acumulen durante meses.

¿Por qué es seguro?

El papel explica que la IA es "tonta" en cuanto a la física, pero "inteligente" en el lenguaje.

La IA nunca toma la decisión final de seguridad por sí sola.
Siempre consulta a un "juez matemático" (el programa de ingeniería) que es infalible.
Si la IA intenta engañar o malinterpretar algo, el programa matemático le dice: "Error, eso no es posible físicamente". La IA entonces se corrige y le explica al usuario otra opción.

En resumen

Este trabajo propone cambiar la forma en que negociamos la electricidad. En lugar de un proceso de "toma o déjalo" con contratos genéricos y lentos, creamos un diálogo inteligente y rápido.

Es como pasar de comprar ropa en una tienda donde solo tienes tallas S, M y L (y a veces no te queda ninguna) a tener un sastre con IA que te mide al instante, te dice qué tela usar y te confecciona un traje a medida en segundos, asegurándose de que la tela no se rompa.

Esto hace que la transición hacia energías renovables sea más rápida, más barata y aproveche mejor la energía que ya tenemos.

Título: Personalización de Contratos Eléctricos a Gran Escala con Modelos de Lenguaje Grande (LLM)

1. Problema

El sistema eléctrico está volviéndose cada vez más complejo debido a la conexión masiva de usuarios finales y generadores distribuidos. Actualmente, el proceso de conectar nuevos dispositivos o modificar conexiones existentes enfrenta dos barreras principales:

Ineficiencia por estandarización: Debido a la escasez de ingenieros y la complejidad de los estudios técnicos, los operadores de red (DSO/TSO) solo pueden ofrecer contratos estandarizados (bloques fijos). Esto ignora la heterogeneidad de los perfiles de carga y la flexibilidad oculta de los dispositivos, lo que lleva a una infrautilización de la capacidad de la red o al rechazo de nuevas conexiones en zonas congestionadas.
Barreras de personalización: Los contratos personalizados requieren estudios expertos manuales que pueden tardar meses. La interacción entre usuarios no expertos (hogares, PYMES) y los sistemas técnicos es laboriosa, costosa y a menudo inviable económicamente para casos individuales, limitando la adopción de tarifas dinámicas y la gestión de la demanda.

2. Metodología

El artículo propone un sistema de chat impulsado por Modelos de Lenguaje Grande (LLM) que actúa como una capa de interacción entre los usuarios y las herramientas de análisis de sistemas de potencia. La arquitectura clave se basa en la separación estricta entre la interacción natural y la validación técnica:

Arquitectura Híbrida (Chat + Funciones): El LLM no realiza los cálculos de ingeniería directamente. En su lugar, actúa como un orquestador que:
1. Interpreta la entrada del usuario en lenguaje natural.
2. Extrae parámetros y selecciona programas funcionales deterministas (APIs) predefinidos.
3. Ejecuta estos programas (que contienen modelos de red, flujos de carga AC, optimización SCOPF, etc.) para validar la viabilidad física.
4. Recibe los resultados ( $\beta$ ) y genera una respuesta coherente para el usuario.
Mecanismo de Validación: La seguridad y la viabilidad física se garantizan exclusivamente mediante los programas funcionales deterministas. El LLM solo gestiona el diálogo y la extracción de parámetros; si un contrato no cumple con las restricciones físicas (voltaje, carga de líneas, seguridad N-1), el sistema lo rechaza o sugiere alternativas basadas en los resultados del solver, independientemente de la "opinión" del LLM.
Casos de Uso Analizados:
- Baja Tensión (Hogares): Negociación de contratos dinámicos y horarios de carga de vehículos eléctricos (VE) mediante chat.
- Media Tensión (PYMES): Evaluación de viabilidad de conexión para nuevas cargas industriales, iterando sobre perfiles de demanda.
- Alta Tensión (Gestión de Mantenimiento): Planificación de salidas de mantenimiento de generadores utilizando optimización de flujo de potencia con restricciones de seguridad (SCOPF) en tiempo casi real.

3. Contribuciones Clave

El trabajo presenta cuatro contribuciones principales:

Integración LLM-Programas Funcionales: Demostración de alta precisión en la llamada a funciones de análisis de sistemas de potencia a través de un chat, utilizando LLMs para la gestión del diálogo y la extracción de parámetros.
Contratos Personalizados a Gran Escala: Validación de que el sistema es robusto ante variaciones en la entrada del usuario (errores tipográficos, parafraseo), permitiendo ofrecer contratos personalizados a miles de hogares.
Autoevaluación por PYMES: Un sistema donde las empresas pueden solicitar y verificar la viabilidad física de sus conexiones eléctricas directamente, reduciendo la carga administrativa.
Planificación de Mantenimiento Habilitada por Chat: Un enfoque para la planificación de salidas de mantenimiento en redes de transmisión que incluye mecanismos de seguridad contra intentos de extracción de información sensible (ataques de fuerza bruta).

4. Resultados

Los estudios de caso, realizados sobre los sistemas IEEE 118-bus y el sistema Oberrhein de 179-buses, arrojaron los siguientes hallazgos:

Eficiencia de la Red: En el caso de hogares con vehículos eléctricos, la personalización de contratos basada en la heterogeneidad de preferencias de carga permitió conectar 7 veces más vehículos eléctricos con la misma capacidad de red en comparación con contratos estandarizados.
Precisión y Robustez: El sistema mostró una alta precisión en la extracción de parámetros. Se identificó que una temperatura ( $\tau$ ) de 0.7 ofrece el mejor equilibrio entre flexibilidad y consistencia. El sistema es tolerante a errores tipográficos, aunque tasas de error superiores al 1-2% pueden afectar la interacción.
Velocidad de Procesamiento:
- La planificación de mantenimiento para un horizonte de un año (365 días) con 50% de generadores en mantenimiento se resolvió en aproximadamente 1 minuto (incluyendo la comunicación con el solver GUROBI), en comparación con los meses que toma el proceso manual actual.
- Las solicitudes de conexión de PYMES se resolvieron en minutos en lugar de semanas o meses.
Seguridad: El sistema demostró resistencia a intentos de inferir datos sensibles de la red mediante consultas de fuerza bruta, ya que el LLM solo devuelve resultados de viabilidad binaria o sugerencias de alternativas, sin exponer datos internos de la red.

5. Significado e Impacto

Este trabajo representa un avance significativo hacia la digitalización y automatización de la transición energética:

Reducción de Costos Transaccionales: Hace rentable la personalización de contratos para usuarios individuales, eliminando la necesidad de intervención humana experta para cada solicitud.
Aprovechamiento de la Flexibilidad: Permite explotar la heterogeneidad de los dispositivos y preferencias de los usuarios para optimizar el uso de la infraestructura existente, retrasando la necesidad de nuevas inversiones en red.
Escalabilidad: Ofrece una solución viable para la escasez de ingenieros, permitiendo que los operadores de red gestionen un volumen masivo de solicitudes de conexión y mantenimiento de manera eficiente.
Marco de Seguridad: Establece un paradigma donde la inteligencia artificial se utiliza para la interfaz de usuario, mientras que la seguridad física y técnica se mantiene bajo control de algoritmos deterministas, mitigando los riesgos inherentes de confiar ciegamente en los LLMs para decisiones críticas.

En conclusión, el paper demuestra que la combinación de LLMs con herramientas de ingeniería eléctrica tradicionales puede transformar la gestión de la red, pasando de un modelo rígido y estandarizado a uno flexible, eficiente y centrado en el usuario.