La planificación de la expansión de capacidad en sistemas eléctricos requiere un volumen considerable de datos, desde proyecciones de demanda hasta características de generación y precios de combustibles. El proceso de recopilación, organización y preparación de estos insumos suele ser complejo y demandar mucho tiempo. En este contexto, los LLM (Large Language Models) ofrecen una alternativa para acelerar tareas de codificación, estandarización y análisis, permitiendo que los equipos de planificación trabajen con mayor eficiencia. Estos modelos, entrenados para generar texto y código, pueden apoyar en la construcción de flujos de trabajo que transformen datos dispersos en estructuras utilizables por herramientas de expansión de capacidad. Por ejemplo, se aplicaron en la creación de perfiles de disponibilidad de recursos renovables, donde se comparó el procesamiento manual con el asistido por inteligencia artificial. Mientras el trabajo manual permitió comprender mejor la estructura de los datos, el uso de LLM facilitó la generación de código reproducible y su traducción a distintos lenguajes de programación, aunque requirió ajustes y validaciones posteriores.

Asimismo, se exploró la integración de restricciones de uso de suelo mediante sistemas de información geográfica. Con ayuda de los LLM se desarrollaron programas capaces de consultar bases de datos abiertas, procesar capas espaciales y generar mapas de exclusiones para nodos específicos. Este enfoque permitió visualizar áreas factibles para nuevas instalaciones y estimar límites de construcción, mostrando cómo la inteligencia artificial puede acelerar la creación de pipelines complejos. Sin embargo, se evidenció que la obtención directa de datos desde los LLM no siempre es confiable, lo que obliga a verificar fuentes y resultados. Otro ámbito de aplicación fue la preparación de insumos para pronósticos de carga. Se trabajó con registros públicos como el Formulario 714 de la FERC y con repositorios organizados por proyectos de datos abiertos. Los LLM apoyaron en la estructuración de código para acceder a estos conjuntos y en la generación de visualizaciones intermedias. También se intentó consultar información sobre grandes cargas puntuales, como plantas de hidrógeno o centros de datos, aunque los resultados fueron limitados por la dificultad de validar la información devuelta.

De estas experiencias se desprenden varias lecciones. Los LLM son útiles para automatizar tareas repetitivas, generar código base y prototipar flujos de trabajo, pero no sustituyen la supervisión experta. La validación humana sigue siendo indispensable para evitar errores, alucinaciones o supuestos incorrectos. Además, la interacción con estos sistemas requiere precisión en los comandos y contexto suficiente para guiar la generación de resultados adecuados. El futuro de esta línea de investigación apunta hacia el desarrollo de agentes de inteligencia artificial capaces de manejar de manera autónoma la ingestión, limpieza e integración de datos. También se vislumbra la posibilidad de ampliar las aplicaciones hacia insumos adicionales como precios de combustibles, características de generadores o datos meteorológicos. La estandarización de formatos entre distintos modelos de expansión podría beneficiarse de estas herramientas, reduciendo las diferencias entre plataformas y facilitando la comparación de escenarios.

La incorporación de LLM en la preparación de insumos para la expansión de capacidad eléctrica abre oportunidades para mejorar la eficiencia y reducir tiempos de trabajo. Aunque aún existen limitaciones en la confiabilidad de los datos obtenidos directamente, el uso combinado con la experiencia humana permite avanzar hacia procesos más ágiles y flexibles. La investigación muestra que la integración de inteligencia artificial en la planificación energética no solo es posible, sino que puede convertirse en un recurso valioso para enfrentar la creciente complejidad de los sistemas eléctricos modernos.

Para leer más ingrese a:

https://www.epri.com/research/products/000000003002033207