Artificial intelligence for universal energy access

Abstract

Este proyecto mejora de forma significativa la escalabilidad y eficiencia del Reference Electrification Model (REM), una herramienta avanzada para la planificación del acceso universal a la energía. Tradicionalmente, REM utiliza un enfoque por fuerza bruta en su fase de agrupamiento, evaluando todas las posibles combinaciones de clientes para encontrar la más eficiente. Este proceso, aunque preciso, resulta extremadamente costoso computacionalmente y poco escalable. El nuevo enfoque propuesto sustituye este método por un algoritmo heurístico que fusiona clústeres de usuarios de manera iterativa, basándose en criterios de proximidad geográfica, viabilidad eléctrica y reducción de costes. Para cada posible fusión, se valida que la demanda total pueda ser atendida sin superar los límites de caída de tensión, utilizando catálogos reales de transformadores y cables. La arquitectura interna de cada clúster se construye mediante el algoritmo de Prim, que genera una red eficiente minimizando la longitud total del cableado necesario para conectar todos los usuarios a un transformador común. Este diseño reduce tanto el coste como la complejidad de la infraestructura. El algoritmo fue validado con dos conjuntos de datos reales: uno con 10,000 clientes, que permitió ajustar parámetros y confirmar la viabilidad técnica, y otro con más de 250,000 usuarios a nivel nacional que sirvió para probar la efectividad del algoritmo. En ambos casos se logró una cobertura total, respetando las restricciones técnicas y reduciendo el tiempo de ejecución más de un 50% en comparación con REM. Además, el coste medio por cliente disminuyó gracias a una agrupación más densa y optimizada de los usuarios.

This project significantly improves the scalability and efficiency of the Reference Electrification Model (REM), an advanced tool for planning universal energy access. Traditionally, REM relies on a brute-force approach in its clustering phase, evaluating all possible combinations of customers to identify the most efficient configuration. While accurate, this process is extremely computationally expensive and lacks scalability. The proposed approach replaces this method with a heuristic algorithm that iteratively merges user clusters based on geographic proximity, electrical feasibility, and cost reduction. For each potential merge, the algorithm verifies that the total demand can be supplied without exceeding voltage drop limits, using real-world transformer and cable catalogs to ensure technical and economic validity. The internal layout of each cluster is built using Prim’s algorithm, which constructs an efficient network by minimizing the total cable length required to connect all users to a shared transformer. This design reduces both the cost and complexity of the infrastructure. The algorithm was validated using two real datasets: one with 10,000 customers, used to fine-tune parameters and confirm technical feasibility, and another with more than 250,000 users at a national scale, used to test the algorithm’s effectiveness. In both cases, full coverage was achieved while respecting technical constraints and reducing execution time by over 50% compared to the original REM. In addition, the average cost per customer decreased thanks to denser and more optimized cluster formation.