El mercado eléctrico español no tiene un solo régimen de precios. Tiene cuatro.

Hay una tentación muy cómoda cuando se construye un modelo de mercado: coger veinte años de datos históricos, ajustar una curva, y confiar en que el pasado se parece lo suficiente al futuro como para que la extrapolación funcione. El problema es que esa comodidad presupone algo que ya no es cierto: que el mundo en el que se generó ese dato de hace veinte años se parece, aunque sea remotamente, al mundo de hoy.

Veinte años no sirven de guía

No se parece. En 2005 España quemaba carbón como quien no tiene otra opción, el gas ruso llegaba a Europa sin que casi nadie se planteara en serio qué pasaría si dejara de llegar, y una placa solar era casi un capricho de nicho, no una tecnología capaz de llevar el precio del mercado diario a cero en pleno mediodía. Veinte años después, la geopolítica ha hecho en meses lo que ninguna tendencia estructural habría hecho en una década: una guerra multiplicó por siete el precio mayorista de la electricidad en cuestión de semanas, y la fotovoltaica se ha vuelto tan barata y masiva que ahora genera el 19% de horas con precio negativo en el mercado español.

La parte más peligrosa de un modelo no es que falle en una previsión puntual. Es que falle con confianza, arrastrando veinte años de inercia estadística hacia un presente que ya cambió de régimen. Ese es exactamente el tipo de problema que nos propusimos atacar con el primer eslabón de nuestra cadena de modelos.

Estos dos gráficos cuentan, con datos verificables, la misma historia, y la sitúan en su contexto europeo. España pasó de un 44,5% de electricidad renovable en 2020 a un 56% en 2024, muy por delante de la media de la UE-27, que en esos mismos años pasó del 37% al 46,9%: la distancia entre España y la media europea se ha ampliado, no reducido. Y cuando en 2022 la guerra en Ucrania disparó el precio del gas y con él el de la electricidad en toda Europa, España, gracias a la intervención regulatoria conocida como "excepción ibérica", cerró el año con un precio medio de 210 €/MWh, frente a 234 €/MWh en Alemania y 275 €/MWh en Francia. Ni el ritmo de la transición ni el impacto de la crisis energética fueron iguales en todas partes, y ninguno de los dos se explica extrapolando lo que pasaba hace veinte años.

La escala física del consumo

Y esto no va solo de mix energético. Va de volumen bruto: cuánta energía mueve, en total, la humanidad. En poco más de tres décadas, el consumo mundial de energía primaria ha pasado de 356 a 620 exajulios, un 74% más. No es un mundo que consume igual y ha cambiado de fuente; es un mundo que, además de cambiar de fuente, consume muchísimo más que hace veinte o treinta años.

Ese es el terreno de juego real: no solo cambian las reglas del mercado, cambia la escala física del propio consumo. Un modelo que se ancla en los datos de hace veinte años no solo está mirando otro régimen de precios, está mirando un mundo que consumía casi la mitad de la energía que consume hoy.

Y dentro de ese total, la parte renovable no ha crecido al mismo ritmo que el resto: ha crecido mucho más rápido. El consumo mundial de energía renovable moderna pasó de 24 a 86 exajulios entre 1990 y 2023, se multiplicó por 3,5, mientras el consumo total de energía solo creció un 74% en el mismo periodo. Como resultado, la cuota renovable sobre el total mundial se ha duplicado largamente, del 6,8% al 13,9%.

No es solo que el mundo consuma mucha más energía que hace treinta años. Es que la composición de esa energía está cambiando de forma acelerada, y el ritmo de ese cambio, no solo su dirección, es precisamente lo que un modelo anclado en promedios históricos no puede capturar.

El primer eslabón de nuestra cadena de modelos es el enrutador de régimen, al que llamamos RIMA, Regime Identification & Model Allocation. El nombre describe lo que hace: identifica el régimen de mercado activo y asigna cada hora al modelo de previsión mejor calibrado para esas condiciones. Técnicamente, RIMA se apoya en el Quantum Approximate Optimization Algorithm (QAOA), un algoritmo de computación cuántica real.

Antes de explicar por qué lo usamos, conviene decir con la misma claridad lo que no hacemos: no ejecutamos RIMA en un ordenador cuántico. Lo simulamos en hardware clásico, con PennyLane como simulador. RIMA produce las asignaciones de régimen que alimentan a PEKA, nuestro modelo de precios, y a AXAR, el modelo híbrido de despacho que usamos en producción. Si alguien espera un artículo sobre qubits físicos en producción, mejor que pare de leer aquí.

Lo que sigue es la explicación de por qué esa aproximación, aun siendo simulada, produce mejoras reales y verificables frente a los métodos clásicos de clustering, y dónde están sus límites honestos.

¿Qué problema resuelve, exactamente?

Antes de predecir un precio, cualquier modelo de mercado necesita responder una pregunta previa: ¿en qué tipo de mercado estamos ahora mismo? Un mercado dominado por hidráulica no se comporta igual que uno saturado de renovables, ni uno con margen ajustado se comporta igual que uno con exceso de oferta. Cada hora de negociación pertenece a un régimen, y ese régimen determina qué modelo de previsión conviene usar a continuación.

El punto importante es que esto no es un problema de regresión continua. No estamos ajustando una curva a un número que varía suavemente. Estamos asignando cada hora a una categoría discreta, entre un número muy grande de combinaciones posibles de condiciones de mercado, y esas combinaciones cambian de forma no lineal. Es, en el sentido estricto del término, un problema de optimización combinatoria: encontrar la mejor asignación discreta entre un espacio de posibilidades que crece muy rápido.

Ese tipo de problema es exactamente para el que se diseñó QAOA.

¿Qué es QAOA en realidad?

El Quantum Approximate Optimization Algorithm lo propusieron Farhi, Goldstone y Gutmann en 2014 como una forma de abordar problemas de optimización combinatoria, el ejemplo clásico es el problema de Max-Cut, usando circuitos cuánticos variacionales. La lógica del algoritmo alterna dos tipos de operadores, uno que codifica la función de coste del problema y otro que explora el espacio de soluciones, y ese proceso se repite en capas hasta converger hacia una asignación de buena calidad, no necesariamente óptima, pero buena.

Es, según la literatura reciente, uno de los candidatos más discutidos para demostrar ventaja cuántica en problemas de optimización, aunque los propios estudios sobre su rendimiento reconocen que superar a los mejores algoritmos clásicos de aproximación en problemas como Max-Cut, hoy por hoy, exigiría cientos de qubits con una coherencia y conectividad que el hardware actual todavía no ofrece de forma fiable.

Y ese último punto es la clave de todo lo que viene después.

¿Por qué "quantum-inspired" y no cuántico de verdad?

Clasificar 23.685 horas de negociación en cuatro regímenes requiere, en nuestra implementación actual, 16 qubits (4 horas de demostración × 4 regímenes) con profundidad de circuito p=3. A esa escala, la simulación clásica de PennyLane completa el cálculo en unos 280 segundos, con cinco reinicios aleatorios para evitar mínimos locales. No hay hardware cuántico real disponible hoy que aporte una ventaja práctica para este tamaño de problema: los mejores procesadores cuánticos actuales ofrecen coherencia suficiente para circuitos de esta profundidad solo en condiciones de laboratorio controladas, no en producción continua.

Así que tomamos la lógica del algoritmo, su forma de recorrer un espacio combinatorio de asignaciones discretas alternando un operador de coste y un operador mixer, y la ejecutamos simulada, en hardware clásico. El término "quantum-inspired" refleja exactamente eso: la lógica es cuántica, el hardware es clásico, y somos explícitos al respecto.

El esquema es deliberadamente simétrico: los cinco pasos son, conceptualmente, los mismos en ambos casos. Lo único que cambia es el paso central, dónde y cómo se ejecuta la lógica de coste y mixer, y esa es exactamente la diferencia que estamos siendo explícitos en comunicar.

La razón concreta por la que usamos esta familia de algoritmos en lugar del clustering clásico (k-means, DBSCAN) es la naturaleza del espacio de soluciones. El clustering clásico busca mínimos locales en un espacio continuo. RIMA busca la asignación binaria óptima en un espacio combinatorio donde la función de coste tiene muchos mínimos locales de calidad similar. En las horas de transición entre regímenes, las que estadísticamente son más difíciles de asignar a un clúster limpio, la exploración del espacio que hace el algoritmo QAOA encuentra asignaciones que el clustering clásico no encuentra. Que esas horas de transición coincidan con las horas de mayor volatilidad del mercado no es coincidencia: ambas cosas son síntomas del mismo fenómeno, que el mercado está en un estado frontera entre dos regímenes.

Es una apuesta de investigación aplicada, no una promesa de ventaja cuántica. La puerta a migrar a hardware cuántico real queda abierta para cuando la relación coste-beneficio lo justifique, probablemente cuando el tamaño del problema crezca con el modelo de largo plazo que tenemos en diseño.

¿Por qué debería importarle esto a un inversor o a un analista?

Porque RIMA no es un adorno técnico aislado: es la puerta de entrada de toda la cadena. La cadena funciona así: RIMA identifica el régimen de cada hora del mercado y la asigna al modelo de previsión correspondiente; PEKA (nuestro modelo de precios, basado en un stack de costes calibrado en datos españoles) predice el precio usando el modelo calibrado para ese régimen específico; AXAR (el modelo híbrido de despacho, en producción) toma esa previsión de precio y la convierte en una decisión de carga o descarga para el activo.

Si la identificación de régimen de RIMA es imprecisa en las horas de mayor volatilidad, el error se propaga a PEKA y a AXAR, precisamente en las horas donde más ingreso, o más riesgo, hay en juego para un activo de almacenamiento. Es una decisión de arquitectura, no un adorno técnico.

Los cuatro regímenes, y un resultado real

Antes de entrar en el dato, vale la pena ver qué significa "régimen" en la práctica. RIMA clasifica cada hora del mercado español en uno de cuatro tipos, calibrados sobre 23.685 eventos históricos del periodo 2024-2025:

Una vez identificado el régimen de una hora concreta, PEKA predice el precio con el modelo calibrado para esas condiciones específicas, en lugar de aplicar un único modelo genérico a todas las situaciones de mercado.

Por qué esto importa frente a los modelos tradicionales

El enfoque convencional en análisis energético aplica una única lógica de formación de precios a todas las horas del día: un modelo de despacho que ordena los generadores por coste marginal, los compromete según la demanda y deriva el precio de la unidad más cara en producción. En un mercado estable y gas-marginal, esa aproximación es razonablemente precisa. El problema es que el mercado español no es estable ni gas-marginal la mayor parte del tiempo.

En España, la formación de precios cambia estructuralmente varias veces al día: de excedente hidráulico al mediodía, donde el precio lo fija el coste de oportunidad del agua, no el gas, a pico de tensión al atardecer, donde la escasez de capacidad disponible y el RECORE son los factores determinantes. Un modelo que aplica la misma lógica de despacho a ambas situaciones sistematiza un error que en las horas más volátiles, las que concentran la mayor parte del valor para un activo de almacenamiento, tiene consecuencias directas sobre la decisión de carga o descarga.

RIMA no sustituye a esos modelos de despacho. Añade una capa de decisión que ellos no tienen: antes de que cualquier modelo de precios genere una previsión, RIMA identifica qué régimen está activo y enruta esa hora al modelo mejor calibrado para esas condiciones. La diferencia no es incremental. Es de arquitectura. Y en un mercado como el español, donde el régimen cambia con tanta frecuencia y tanta consecuencia, esa diferencia de arquitectura es la que separa una previsión que funciona en promedio de una que funciona cuando más importa.

La validación es interna, sobre datos de Q1 2026 no vistos durante el entrenamiento. La mejora se concentra en el 10% de horas de mayor volatilidad, exactamente las horas donde se toman las decisiones de mayor valor para un operador de almacenamiento.

Fuentes, por sección

Cómo se ha usado la IA en este artículo

Por coherencia con el resto de este texto, una nota de transparencia sobre su propio proceso de producción: se ha utilizado Claude Sonnet 4.6 (Anthropic) como asistente de redacción, para:

• Buscar y verificar los datos públicos citados arriba.
• Generar los gráficos interactivos y el diagrama que acompañan al texto.
• Revisar la gramática.
• Proponer el titular.

Las decisiones editoriales, qué contar, qué cifras incluir y cómo enmarcarlas, son del equipo de Almena.