Qué ocurrió el veintiocho de abril de 2025 en España

El veintiocho de abril de 2025, a las doce y treinta y tres del mediodía aproximadamente, la red eléctrica de la Península Ibérica sufrió el apagón más grave de su historia reciente. En cuestión de segundos, millones de hogares y empresas en España y Portugal se quedaron sin electricidad. Semáforos, trenes, metros, hospitales con generadores de emergencia al límite, comunicaciones interrumpidas, aeropuertos paralizados. Un país entero detenido.

El evento expuso la vulnerabilidad de un sistema eléctrico cada vez más complejo, con una penetración creciente de energías renovables variables (solar y eólica) que cambian la dinámica de estabilidad de la red respecto al modelo tradicional de grandes centrales térmicas y nucleares con inercia rotacional.

Más allá del impacto inmediato, el apagón planteó una pregunta fundamental para el sector energético: ¿podría la inteligencia artificial haber detectado los signos de alerta y activado medidas preventivas antes de que el fallo se propagara? La respuesta, según los expertos en redes inteligentes, es que probablemente sí, al menos parcialmente. Para entender el contexto de la IA en el sistema eléctrico español, consulta nuestro análisis sobre IA y energías renovables en España.

Causas técnicas del apagón: la cascada que colapsó el sistema

Un apagón masivo nunca tiene una causa única. Es siempre una cascada de eventos que, individualmente, serían manejables, pero combinados superan la capacidad de respuesta del sistema. El apagón de abril de 2025 siguió este patrón clásico con particularidades propias del sistema ibérico.

Los informes preliminares señalaron que la cadena de eventos comenzó con la desconexión imprevista de varias líneas de transporte de alta tensión en la interconexión con Francia. Esta desconexión provocó un desequilibrio instantáneo entre generación y demanda en la península, causando una caída de frecuencia que los sistemas de regulación intentaron compensar.

En un sistema eléctrico tradicional con muchas centrales térmicas y nucleares, la inercia de los generadores rotativos proporciona un colchón de segundos o minutos para reaccionar ante desequilibrios. Pero en el momento del apagón, una parte significativa de la generación española provenía de fuentes renovables (solar y eólica) que no proporcionan inercia rotacional equivalente.

La combinación de pérdida súbita de interconexión, baja inercia del sistema y reacciones de protección automáticas que desconectaron generadores para autoprotegerse creó un efecto dominó que colapsó la red en segundos. Los operadores humanos no tuvieron tiempo material de reaccionar antes de que el sistema se desplomara.

Cómo la IA predice y previene fallos en redes eléctricas

Los sistemas de IA para redes eléctricas operan en tres horizontes temporales complementarios: predicción a largo plazo (días a semanas), monitorización en tiempo real (segundos a minutos) y respuesta automática (milisegundos).

En el horizonte de predicción, los modelos de machine learning analizan datos meteorológicos, patrones de demanda, estado de las líneas y generadores, y flujos de interconexión para identificar condiciones que históricamente han precedido a eventos de inestabilidad. Estos modelos pueden detectar combinaciones de factores de riesgo como baja inercia del sistema más alta penetración renovable más reducción de interconexión con horas o días de anticipación.

En tiempo real, algoritmos de detección de anomalías monitorizan miles de sensores de la red (PMUs, unidades de medida fasorial) que miden voltaje, corriente, frecuencia y ángulo de fase cincuenta veces por segundo. La IA puede detectar oscilaciones anómalas, degradación de márgenes de estabilidad o patrones precursores de fallo en cascada segundos o minutos antes de que el ojo humano los identifique en las pantallas de control.

En el horizonte de milisegundos, los sistemas de protección adaptativos basados en IA pueden tomar decisiones automáticas como la desconexión controlada de cargas no esenciales (deslastre de carga inteligente) para evitar que un desequilibrio pequeño se convierta en un apagón total.

Sistemas de alerta temprana con machine learning

Los sistemas de alerta temprana basados en machine learning son quizás la aplicación de IA más directamente relevante para prevenir apagones como el de abril de 2025. Estos sistemas aprenden de datos históricos de la red para identificar patrones que preceden a eventos de inestabilidad.

Un enfoque particularmente prometedor es el uso de redes neuronales recurrentes (LSTM) entrenadas con datos de PMUs para predecir la evolución de la frecuencia y la estabilidad del sistema. Investigadores de la Universidad Politécnica de Madrid y del Imperial College London han demostrado que estos modelos pueden predecir con más del noventa por ciento de precisión la probabilidad de un evento de subfrecuencia con entre treinta segundos y cinco minutos de anticipación.

Cinco minutos pueden parecer poco, pero en el contexto de una red eléctrica son una eternidad. Con cinco minutos de aviso, los operadores pueden activar reservas de potencia, solicitar reducción de demanda a grandes consumidores industriales, conectar generadores de respaldo, o ejecutar deslastres de carga preventivos que sacrifican el suministro a zonas no esenciales para salvar al sistema completo.

Gemelos digitales de la red eléctrica: simular para prevenir

Los gemelos digitales son réplicas virtuales de la red eléctrica real que permiten simular millones de escenarios en tiempo acelerado para identificar vulnerabilidades y probar respuestas antes de que ocurran problemas reales.

Red Eléctrica de España ha desarrollado modelos digitales de la red de transporte que incluyen todas las líneas de alta tensión, subestaciones, generadores y cargas principales. Estos modelos se alimentan en tiempo real con datos de los sistemas SCADA y PMUs para mantener una imagen actualizada del estado del sistema.

La IA amplifica la utilidad de estos gemelos digitales al permitir la simulación automática de miles de contingencias posibles en tiempo real. En cada momento, el sistema puede evaluar qué pasaría si se pierde una línea específica, si cae un generador, si cambia el viento repentinamente, o si se produce una combinación de varios eventos simultáneos. Si alguna simulación indica riesgo de cascada, el sistema alerta a los operadores antes de que nada ocurra. Para entender la tecnología de gemelos digitales aplicada a otros sectores, consulta nuestro artículo sobre IA para la construcción sostenible.

IA para equilibrar renovables y estabilidad de red

Uno de los desafíos fundamentales que contribuyó al apagón de 2025 es la integración masiva de renovables en un sistema diseñado originalmente para centrales de generación convencional. La IA es clave para resolver esta tensión entre sostenibilidad y estabilidad.

Los algoritmos de predicción de generación renovable utilizan datos meteorológicos satelitales, modelos numéricos del tiempo y datos históricos de producción para predecir con horas de anticipación cuánta energía solar y eólica habrá disponible. Esto permite a los operadores planificar la operación del sistema sabiendo cuánta generación convencional de respaldo necesitarán.

Más avanzados son los sistemas de control de inversores inteligentes que dotan a las plantas solares y eólicas de capacidad de respuesta rápida a cambios de frecuencia, proporcionando una inercia sintética que compensa parcialmente la falta de inercia rotacional. Estos sistemas, controlados por algoritmos de IA, pueden reaccionar en milisegundos inyectando o absorbiendo potencia reactiva para estabilizar la red.

Qué hacía Red Eléctrica con IA antes del apagón

Red Eléctrica de España no partía de cero en el uso de IA antes del apagón. La compañía utilizaba sistemas de predicción de generación renovable, optimización del despacho económico y gestión de la demanda basados en algoritmos de machine learning. Su centro de control en Tres Cantos, Madrid, es uno de los más avanzados de Europa.

Sin embargo, los sistemas de predicción de fallos en cascada y alerta temprana basados en IA estaban en fase piloto y no integrados completamente en la operación en tiempo real. Los sistemas de protección que actuaron durante el apagón seguían siendo predominantemente convencionales, basados en umbrales fijos de frecuencia y voltaje, sin la capacidad adaptativa que la IA proporciona.

Esto no significa que la IA hubiera evitado el apagón con certeza. Los fallos en cascada son eventos caóticos donde pequeñas diferencias en las condiciones iniciales pueden llevar a resultados muy diferentes. Pero los sistemas de IA habrían proporcionado más información, más rápido, dando a los operadores segundos o minutos adicionales que podrían haber sido decisivos.

Lecciones del apagón: qué ha cambiado desde entonces

El apagón de abril de 2025 aceleró drásticamente la inversión en resiliencia de la red eléctrica española. El Programa Nacional de Algoritmos Verdes (PNAV) incorporó un eje específico de estabilidad de red con IA, y los fondos europeos NextGenerationEU destinaron partidas adicionales a la digitalización de la red de transporte y distribución.

Red Eléctrica anunció una inversión de más de quinientos millones de euros en sistemas de gestión inteligente de la red, incluyendo la expansión de la red de PMUs para aumentar la granularidad de la monitorización en tiempo real, el despliegue de sistemas de alerta temprana basados en IA, la implementación de gemelos digitales con capacidad de simulación en tiempo real, y la actualización de los sistemas de protección con algoritmos adaptativos.

A nivel regulatorio, la Comisión Nacional de los Mercados y la Competencia (CNMC) endureció los requisitos de estabilidad para nuevas instalaciones renovables, exigiendo capacidades de respuesta de frecuencia y aportación de inercia sintética como condición para la conexión a red.

País / Evento	Año	Causa principal	IA aplicada post-evento	Resultado
España (Península Ibérica)	2025	Fallo en cascada, baja inercia renovable	Gemelos digitales, alerta temprana ML, PMUs expandidos	Inversión de quinientos millones € en resiliencia con IA
Texas (ERCOT)	2021	Tormenta invernal, congelación de infraestructura	Predicción meteorológica con deep learning, winterización inteligente	Reducción del sesenta por ciento en vulnerabilidad invernal
Australia (AEMO)	2016-2022	Alta penetración solar, inestabilidad de frecuencia	AEMO Forecasting con ML, predicción renovable cinco minutos	Precisión superior al noventa y cinco por ciento
Reino Unido (ODIN)	2019-2025	Eventos de subfrecuencia por variabilidad eólica	Sistema ODIN de National Grid con IA en tiempo real	Reducción del cuarenta por ciento en eventos de subfrecuencia
India	2023-2025	Picos de demanda por olas de calor extremas	Predicción de demanda con redes LSTM, deslastre inteligente	Cero apagones masivos durante ola de calor 2025

Datos recopilados de informes de operadores de red y publicaciones académicas. Febrero de 2026.

Casos internacionales de IA previniendo apagones

Otros países han experimentado eventos similares y sus respuestas con IA ofrecen lecciones valiosas para España. El apagón de Texas de febrero de 2021, causado por una tormenta invernal, impulsó inversiones masivas en sistemas de predicción meteorológica con IA para el operador de la red ERCOT. Australia, que ha sufrido múltiples eventos de inestabilidad por alta penetración solar, desarrolló el programa AEMO Forecasting con modelos de IA que predicen generación renovable con cinco minutos de anticipación y una precisión superior al noventa y cinco por ciento.

Reino Unido implementó un sistema de IA llamado ODIN desarrollado por National Grid ESO que monitoriza la estabilidad del sistema en tiempo real y sugiere acciones correctivas a los operadores. Desde su implementación, el número de eventos de subfrecuencia significativos se ha reducido en más de un cuarenta por ciento.

España tras el apagón: inversiones en resiliencia con IA

España está posicionada para convertirse en un referente europeo en resiliencia de red con IA, impulsada por la combinación de una necesidad urgente demostrada por el apagón, una alta penetración de renovables que exige soluciones tecnológicas avanzadas, un ecosistema de centros de datos de IA en crecimiento, y fondos europeos disponibles para la transición digital.

El reto es ejecutar estas inversiones a tiempo. La transición energética española necesita duplicar la capacidad renovable para 2030, lo que aumentará la complejidad del sistema y la necesidad de IA para gestionarlo. Sin la IA adecuada, más renovables significan más riesgo de inestabilidad. Con la IA adecuada, más renovables pueden coexistir con un sistema más resiliente que nunca.

El apagón de abril de 2025 fue una llamada de atención dolorosa pero necesaria. La respuesta tecnológica está en marcha. La pregunta ya no es si la IA puede ayudar a prevenir el próximo apagón, sino si las inversiones y la implementación llegarán a tiempo.