Economía de potencia: anticipar el pico y armar la VPP

≈ 4 min de lectura · actualizado ago. 2026

El sistema eléctrico entero se dimensiona para una sola hora: la más exigente del año. Anticipar ese pico con machine learning, y decidir a tiempo qué desplazar o recortar, vale infraestructura, contratos e inversión.

Economía de potencia · machine learning
El sistema se dimensiona para el pico, y ese pico se puede anticipar
Cómo leerlo: arriba, un día del sistema, dimensionado para la hora más alta; abajo, el modelo que anticipa ese pico con días de margen
00 h 06 h 12 h 18 h 24 h MW capacidad del sistema el pico de la tarde-noche margen que se achica El modelo propuesto aprende del historial y anticipa el pico con días de margen −30 d −15 d hoy +7 d +14 d pico diario alerta: pico alto probable recomendación: desplazar carga flexible
Demanda del día (curva de carga) Capacidad del sistema Pronóstico del pico Picos diarios observados Banda de error del modelo
  • Deep learning · series de tiempo
  • Gradient boosting
  • Detección de anomalías
  • Mantenimiento predictivo
  • RL multiagente · despacho al menor costo
En simple: el pico responde a patrones de hora, temperatura y calendario, y eso es justamente lo que un modelo puede aprender. Anticiparlo con días de margen da lugar a decidir con tiempo, en vez de reaccionar sobre la marcha. Es un esquema del método: los modelos reales se entrenan con los datos operativos de cada sistema.

Energía y potencia no son lo mismo. La energía es lo que consumís a lo largo del tiempo, los kWh de la factura; la potencia es cuánto necesitás al mismo tiempo, y el sistema entero se dimensiona para ese momento: el pico.

Anticipar el pico, decidir a tiempo

En el sistema hidroeléctrico paraguayo, operado por ANDE, el machine learning rinde en cuatro frentes:

  • Demanda pico: series de tiempo por hora y por zona.
  • Hidrología y generación: cuánta agua va a llegar y cuánta energía habrá.
  • Pérdidas: anomalías que separan la pérdida técnica de la no técnica.
  • Mantenimiento predictivo: señales que un equipo da antes de fallar.

Cada pronóstico dispara una decisión horaria. En el diseño que proponemos, el modelo ordena las opciones por costo y la decisión queda en manos de quien opera:

  1. Desplazar la carga flexible propia: frío, bombeo, hornos que pueden esperar.
  2. Recortar lo prescindible de la propia operación mientras dura el pico.
  3. Despachar respaldo o pagar potencia cara, recién al final.

Las centrales virtuales (VPP): responder al pico

Central virtual · VPP
Muchos recursos chicos, una sola central en el momento del pico
Cómo leerlo: a la izquierda, los recursos coordinados por software · a la derecha, lo que le hacen a la curva
techos solares baterías cargas flexibles generadores pronóstico + decisión una central 12 h 19 h · pico 24 h el pico, recortado resultado: menos pico, sin agregar generación nueva
Pico sin VPP Pico con VPP Lo que la VPP evita
  • Esquema conceptual · sin datos
  • Pronóstico + despacho por costo
  • Sin marco regulatorio en Paraguay
En simple: el software despacha los recursos que ya existen en orden de costo, según lo que dice el pronóstico. Es un esquema conceptual.

Lo que sí se puede construir hoy, sin esperar el marco regulatorio que todavía falta, es el cerebro: pronóstico y despacho sobre la carga propia rinden solos.

Los datos: tu curva de carga horaria, el pliego tarifario y la flexibilidad de cada proceso con su costo de oportunidad.

La técnica: deep learning pronostica el pico y el aprendizaje por refuerzo multiagente aprende, primero en simulación, cuándo conviene que cada activo se desplace o despache.

La decisión: un plan de despacho horario para la semana, con el ahorro estimado en potencia.

En ese diseño, los agentes aprenden a ejecutar mejor esa escalera de decisiones; la vara a superar es la optimización clásica (MILP).

Para quién importa y por dónde empezar

El contexto estructural es el fin del excedente eléctrico: mientras la potencia sobra, equivocarse con el pico es barato; cuando deja de sobrar, ese mismo error se paga en contratos y en obras.

Ese fin tiene fecha estimada y está cerca. La potencia disponible para Paraguay entre Itaipú, Yacyretá y Acaray ronda los 8.670 MW (ABC Color, 2025), el pico del sistema ya tocó 5.752 MW en enero de 2026 (ABC Color, 2026) y el consumo viene de crecer 12,5% en 2025 (ANDE, 2026) y 18,3% en el primer semestre de 2026 (Agencia IP, 2026). Con la demanda al 9% anual, gremios industriales y analistas ubican el cruce entre 2030 y 2032 (La Nación, 2026).

Proyección · fin del excedente
El año del cruce: cuándo la demanda alcanza la potencia disponible
Cómo leerlo: la línea verde es el pico anual del sistema, la celeste es la potencia disponible hoy · donde se cruzan, el mix nuevo empieza a cerrar la brecha
2025 2027 2029 2031 2033 MW 10.000 8.000 6.000 solar + baterías PCH biomasa Itaipú + Yacyretá + Acaray: 8.670 MW pico real: 5.752 MW · ene 2026 proyección al 9% anual el excedente se agota: 2030-2032
Pico anual (observado y proyectado al 9%) Potencia disponible: Itaipú + Yacyretá + Acaray Mix propuesto: solar + baterías, PCH, biomasa
  • Proyección ilustrativa sobre fuentes citadas
  • Cruce 2030-2032 · ABC Color 2025, La Nación 2026
  • El mix es propuesta de estudio, no plan aprobado
En simple: el pico ya tocó 5.752 MW en enero de 2026 y la potencia disponible ronda los 8.670 MW. Al 9% anual el cruce cae entre 2030 y 2032, según las fuentes citadas. Las capas de colores muestran qué aportaría cada fuente del mix que proponemos estudiar: la proporción exacta se calcula con la curva de carga real.

La brecha que se abre después del cruce se cierra con un mix, y cada fuente aporta algo distinto: la solar con baterías genera de día y desplaza energía almacenada al pico de la tarde-noche; las pequeñas centrales hidroeléctricas (PCH) suman potencia firme chica y cerca del consumo, con 22 puntos ya identificados por el Parque Tecnológico Itaipú (La Nación, 2025); y la biomasa es la única de las tres despachable a cualquier hora. Qué proporción conviene de cada una es exactamente la pregunta que el modelo que proponemos está diseñado para responder con la curva de carga real de cada zona.

  • Industrial: el pico define la potencia contratada; modelar tu curva de carga es plata en el contrato.
  • Inversor en generación: el pronóstico de demanda e hidrología sostiene el caso de negocio (marco legal en BACN).
  • Operador de redes o grandes consumos: pronóstico, alertas y mantenimiento, en el orden que tus propios datos marcan como más caro de ignorar.

Dos trabajos concretos, a partir de tus datos y un diagnóstico:

  • Modelos de pronóstico sobre los cuatro frentes de arriba, como tablero con alertas.
  • Análisis de economía de potencia: dónde conectar una carga grande o un proyecto, y con qué riesgo.

Cómo medirlo: un tablero que compara cada semana el pico pronosticado contra el real, y lo que ese error cuesta en potencia contratada.

Este estudio está publicado para discutirse. Si leés distinto el fin del excedente, si tenés una curva de carga que te está costando plata en potencia, o si estás decidiendo dónde conectar una carga grande o un proyecto de generación, escribinos y lo ponemos a prueba con tus datos reales.

Abstract (EN)

Power systems are sized for their single most demanding hour, the peak, not for the average. That makes peak anticipation an economic problem: every megawatt of peak growth commits infrastructure, and every peak-hour decision moves money. This study explains power economics in plain terms (energy versus power) and maps where machine learning earns its keep in a hydroelectric system like Paraguay's: short-term peak demand forecasting, inflow and generation forecasting, loss detection through anomaly models, and predictive maintenance of grid assets. All four applications rest on the same economic logic: anticipating the system's stress hours turns reactive spending into planned investment. The next step is virtual power plants (VPPs), where hundreds of small resources, rooftop solar, batteries, flexible loads, are coordinated by software to act as a single plant precisely at peak hours, with the forecasting layer acting as their brain. The structural clock frames everything: public projections place the crossing between Paraguay's demand and its available capacity around 2030-2032, and the study adds a projection of that crossing plus the renewable mix, solar with batteries, small hydro, biomass, that we propose to size with each zone's real load curve. In practice, this means forecasting models built on the system's own operational data, plus power-economics analysis for load and generation siting decisions.

Evaluá el riesgo de tu conexión →

Diagnóstico inicial sin costo · respondemos dentro de 24 h hábiles