🔬 physics

Modeling medium and low voltage grids using population density

Este estudio presenta un modelo que utiliza la densidad de población y el algoritmo de Kruskal para generar redes eléctricas realistas y predecir con precisión la longitud total de la infraestructura de distribución a escala nacional, revelando que las características de la red siguen leyes de potencia multivariadas vinculadas a la población y el área.

Autores originales: Emile Emery, Joseph Le Bihan, José Halloy

Publicado 2026-02-17

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Emile Emery, Joseph Le Bihan, José Halloy

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

¡Claro que sí! Imagina que este paper es como un recetario secreto para entender cómo se construye la "red de venas" que lleva electricidad a nuestras casas, sin necesidad de tener los planos originales de cada país.

Aquí tienes la explicación en español, sencilla y con analogías:

🌍 La Gran Idea: "Donde hay gente, hay cables"

Imagina que la electricidad es como el agua en una ciudad. Para que el agua llegue a cada grifo, necesitas tuberías. Pero, ¿dónde pones las tuberías?

Los autores de este estudio (Emile, Joseph y José) se dieron cuenta de algo muy simple pero poderoso: La red eléctrica sigue a la gente. Si hay mucha gente en un lugar, hay muchos cables. Si hay pocos, hay pocos cables.

El problema es que en muchos países no sabemos exactamente dónde están todos los cables o transformadores (es información confidencial o simplemente no se ha medido). Entonces, ellos crearon un modelo de "adivinanza inteligente".

🛠️ ¿Cómo funciona su "Máquina Mágica"?

Ellos usaron dos ingredientes principales para construir una red eléctrica virtual:

El Mapa de la Multitud (Densidad de Población): Usaron datos muy detallados que dicen cuántas personas viven en cada cuadra del mundo. Es como tener un mapa de calor donde el rojo es "mucha gente" y el azul es "desierto".
El Algoritmo de "Conexión Eficiente" (Kruskal): Imagina que tienes que conectar todas las casas de un pueblo con cables, pero quieres gastar la menor cantidad de cable posible (porque el cable cuesta dinero y pesa). Usaron un método matemático que conecta los puntos más cercanos primero, creando una estructura parecida a un árbol (sin círculos innecesarios).

La analogía del "Árbol de Navidad":
Piensa en la red eléctrica como un árbol de Navidad.

Las ramas grandes son los cables de media tensión que van por las carreteras.
Las puntas son los cables que llegan a tu casa.
El modelo dice: "Si sé dónde están las luces (la gente), puedo predecir dónde deben ir las ramas del árbol para que lleguen a todas, usando la menor cantidad de madera posible".

🇫🇷 El Caso de Francia: La Prueba de Fuego

Primero, probaron su receta en Francia, donde sí tenían los planos reales de la red eléctrica.

Resultado: ¡Funcionó! Su modelo, que solo usaba la densidad de gente, creó una red virtual que se parecía muchísimo a la real.
Lo sorprendente: Aunque el modelo no sabía dónde estaban exactamente los cables (si pasaban por la calle A o la B), calculó la longitud total de los cables con un 94% de precisión. Es como si adivinaras la longitud total de las venas de un cuerpo humano solo mirando dónde está la carne, sin ver las venas.

🌎 ¿Funciona en todo el mundo?

Luego, aplicaron esta "receta francesa" a otros 35 países (como EE. UU., India, China, etc.).

El hallazgo: La longitud total de los cables de media tensión (los que alimentan los barrios) se puede predecir muy bien solo con saber cuánta gente hay y cuánto mide el país.
La sorpresa: No necesitaban saber cuánto consume la gente de electricidad. El simple hecho de que la gente esté distribuida en un territorio es lo que dicta cuánto cable se necesita. Es como decir que el tamaño de la red de carreteras de un país depende más de dónde vive la gente que de cuántos coches circulan por ellas.

💡 ¿Por qué es esto importante? (El "Para qué sirve")

Imagina que el mundo quiere electrificar todo (poner luz en todas las casas) o que necesitamos reciclar el cobre de los cables viejos.

Ahorro de Materiales: Sabemos que los cables están hechos de cobre y aluminio. Si podemos predecir cuántos kilómetros de cable necesita un país solo mirando su mapa de población, podemos calcular cuánto cobre se necesita para construir la red del futuro. ¡Es como hacer una lista de compras gigante antes de empezar a construir!
Planificación: Ayuda a los gobiernos a saber dónde poner los cables en países pobres o en desarrollo donde no tienen mapas detallados.
Reciclaje: Si sabemos dónde están los cables "virtuales", sabemos dónde está el cobre "real" enterrado o en postes, listo para ser reciclado cuando sea necesario.

🚀 En resumen

Este estudio nos dice que la geografía humana es el arquitecto de la red eléctrica. No hace falta ser un ingeniero eléctrico con planos secretos para entender la red; solo necesitas saber dónde vive la gente.

Es como si la red eléctrica fuera un espejo de la población: si la gente se mueve o crece, la red se adapta automáticamente siguiendo una ley matemática simple. Esto nos da una herramienta poderosa para planificar el futuro energético del planeta sin tener que adivinar.

1. Planteamiento del Problema

La expansión global de los sistemas de distribución eléctrica requiere una infraestructura masiva, lo que implica un aumento significativo en el uso de materiales como cobre y aluminio. Caracterizar la longitud y configuración de estas redes es crítico para:

Estimar refinadamente los materiales necesarios para la futura expansión.
Evaluar las existencias actuales de materiales desde una perspectiva de reciclaje.

Sin embargo, existe una brecha de datos significativa:

Las redes de transmisión están bien documentadas, pero las de distribución (Media Tensión - MT y Baja Tensión - BT) son operadas por múltiples entidades locales, lo que dificulta la recopilación y armonización de datos.
La información sobre la ubicación exacta de cables y subestaciones a menudo es sensible o inexistente en muchos países.
Los métodos existentes basados en imágenes satelitales (luz nocturna, detección de techos) tienen limitaciones, especialmente en zonas rurales, y requieren un procesamiento intensivo.

El objetivo es desarrollar un modelo capaz de estimar la disposición espacial de la red de MT y la magnitud de la longitud total de cableado utilizando únicamente densidad de población como variable de entrada, aprovechando que estos datos son más accesibles y granulares que los datos de infraestructura eléctrica.

2. Metodología

Los autores proponen un enfoque de modelado basado en la hipótesis de que la demanda eléctrica se correlaciona fuertemente con la densidad de población en el espacio. El modelo se desarrolla en dos etapas principales:

A. Calibración en Francia (Caso de Estudio Local)

Datos de Entrada: Se utiliza la base de datos WorldPop (densidad de población por celda de cuadrícula de 30 arcosegundos, ~0.59 km²).
Muestreo de Nodos (Subestaciones):
- Se establece una relación no lineal entre la densidad de subestaciones ( $n_{stat}$ ) y la densidad de población ( $\rho$ ).
- Se identifican dos regímenes con un punto de inflexión crítico alrededor de 8 habitantes/km²:
  - Zonas dispersas ( $\rho < 8$ ): Relación lineal ( $n_{stat} \propto \rho$ ).
  - Zonas densas ( $\rho \ge 8$ ): Relación sublineal ( $n_{stat} \propto \rho^{0.5}$ ), reflejando economías de escala.
- Para capturar la aleatoriedad y las celdas vacías, se aplica una distribución de Poisson para determinar el número de subestaciones en cada celda.
Construcción de la Red:
- Una vez generadas las posiciones de las subestaciones, se conecta la red utilizando el algoritmo de Árbol de Expansión Mínima (MST) mediante el algoritmo de Kruskal.
- Se asume una estructura de árbol como primera aproximación, ya que las redes reales de distribución son predominantemente arbóreas, aunque con algunos bucles (puentes) para redundancia.
Correcciones (Apéndice B):
- Se aplican factores de corrección para transformar la distancia euclidiana (línea recta) a distancia de ruta (siguiendo carreteras, factor $\gamma_1 \approx 4/\pi$ ).
- Se ajusta la diferencia entre longitud de ruta y longitud de cable real (factor $\gamma_2$ ).
- Se estima el impacto de los bucles adicionales no presentes en un MST puro (factor $\gamma_3$ ). El factor de corrección total es $\gamma \approx 1.537$ .

B. Validación y Escalado Global

El modelo calibrado en Francia se aplica a 35 países con electrificación casi universal (100% de acceso).
Se comparan los resultados del modelo (longitud total de MT, número de subestaciones) con datos de literatura "blanca" y "gris".
Se realizan regresiones de leyes de potencia multivariadas a escala macro para relacionar la longitud de la red con variables agregadas: Población ($Pop$), Área territorial ($Area$) y Consumo eléctrico ($Conso$).

3. Contribuciones Clave

Modelo Generativo Basado en Población: Demostración de que es posible generar una representación espacial realista de una red de distribución de MT utilizando únicamente datos de densidad de población de alta resolución.
Relación No Lineal Descubierta: Identificación de una relación de ruptura de pendiente en la densidad de subestaciones respecto a la población, diferenciando claramente entre entornos rurales y urbanos.
Herramientas Multi-escala: Desarrollo de un marco que funciona tanto a nivel local (visualización de nodos y topología) como global (estimación de longitudes totales y stocks de materiales).
Descubrimiento de Invariantes: Evidencia de que la longitud total de la red de MT sigue leyes de escala predecibles con la población y el área, independientemente de la complejidad local de la red.

4. Resultados

Validación en Francia

Topología y Ubicación: El modelo reproduce con alta fidelidad la distribución espacial de las subestaciones y la topología general de la red (estructura arbórea).
Precisión Cuantitativa:
- Número total de subestaciones estimado: 88% del valor real.
- Longitud total de cableado de MT estimada: 94% del valor real (tras correcciones).
Observación: Las discrepancias locales en el enrutamiento de cables se compensan mutuamente a escala nacional, resultando en estimaciones agregadas muy precisas.

Aplicación Internacional

Número de Subestaciones: El modelo tiende a sobreestimar el número de subestaciones en países con arquitecturas diferentes (ej. EE. UU. vs. Europa). Esto se debe a diferencias en el diseño de transformadores (sistemas europeos con menos transformadores de mayor capacidad vs. sistemas americanos con muchos transformadores pequeños cerca del usuario).
Longitud de la Red (MT): A pesar de las diferencias en el número de subestaciones, el modelo estima la longitud total de la red de MT con gran precisión en la mayoría de los países. Esto sugiere que la longitud de la red está determinada principalmente por la distribución espacial de la población y el área, más que por la arquitectura específica de los transformadores.

Leyes de Escala Macro

Se derivaron ecuaciones de ley de potencia que describen con alta precisión ( $R^2 > 0.9$ ) la longitud de la red:

Longitud de MT ( $L_{MV}$ ): Depende fuertemente de la Población y el Área. Sorprendentemente, el consumo eléctrico tiene un impacto insignificante en la longitud de la red de MT a escala nacional.
- Ecuación simplificada: $L_{MV} \approx 0.17 \cdot Pop^{0.59} \cdot Area^{0.36}$ .
Longitud de BT ( $L_{LV}$ ): Depende más de la población y menos del área total, y el consumo eléctrico sí es un factor relevante, ya que la BT es la "última milla" cerca de los consumidores.
Relación BT/MT: La longitud de la red de BT es aproximadamente 1.63 veces la longitud de la red de MT, lo que implica que la BT representa el 62% de la longitud total de cableado de distribución.

5. Significado e Impacto

Planificación de Infraestructura y Materiales: El modelo permite estimar la demanda futura de materiales (especialmente cobre) para la electrificación en países en desarrollo donde los datos de redes son inexistentes.
Análisis de Stocks de Materiales: Facilita la localización de stocks de cobre en uso a escala de kilómetro cuadrado, crucial para estrategias de economía circular y reciclaje.
Generalización: La metodología puede extenderse a otras infraestructuras (agua, gas, telecomunicaciones) que también dependen de la distribución espacial de la demanda.
Perspectiva Temporal: Aunque el modelo asume una madurez de la red, puede adaptarse a series temporales de población para proyectar la evolución de la infraestructura ante la expansión de energías renovables y la descentralización.

En conclusión, el estudio demuestra que la distribución espacial de la población es el determinante principal de la extensión y configuración de las redes de distribución eléctrica, permitiendo modelos robustos y de bajo costo para la planificación energética global.