IBM Research y ETH Zurich publicaron GENCO (GEometric Neural Corrective Optimizer) el 10 de agosto — una arquitectura neuronal única que reemplaza tres solucionadores clásicos para análisis en estado estacionario de redes eléctricas: flujo de potencia (PF), flujo de potencia óptimo (OPF) y estimación de estado (SE). Benchmark: 30x más rápido que Newton-Raphson en PF a gran escala, y 85x más rápido que IPOPT en OPF, mientras devuelve resultados totalmente precisos en AC en lugar de la aproximación DC en la que confían la mayoría de alternativas rápidas.
Los solucionadores clásicos fuerzan una elección. Newton-Raphson resuelve flujo de potencia AC no lineal de forma iterativa pero se vuelve costoso y frágil en redes de transmisión grandes — los pasos de convergencia son costosos y el método falla en topologías estresadas. IPOPT, el solucionador OPF de punto interior estándar, tiene límites de escalado idénticos: maneja planificación offline pero falla en despacho en tiempo real con alta variabilidad de energías renovables. DC-PF evita ambos linealizando ecuaciones y eliminando potencia reactiva, ejecutándose rápidamente — pero el error de aproximación se compone en redes muy cargadas. Los operadores de red hoy eligen entre precisión y velocidad. GENCO afirma ofrecer ambas.
La arquitectura es una red neuronal de grafos con barras como nodos y líneas de transmisión como aristas. La innovación clave: una capa de "optimizador correctivo". La red produce una solución aproximada y luego la proyecta de vuelta a la variedad físicamente factible. Esto bloquea el modo de fallo de solucionadores OPF neurales anteriores, que producen salidas inviables violando las leyes de Kirchhoff o límites de generadores. Para PF, GENCO iguala la convergencia DC-PF mientras recupera magnitudes de voltaje y potencia reactiva — datos que DC-PF descarta. Para OPF, mejora viabilidad y optimalidad sobre DC-OPF. Para SE, se estabiliza bajo mediciones SCADA ruidosas y errores de parámetros de red donde los mínimos cuadrados ponderados clásicos divergen.
Las pruebas en el mundo real refuerzan la afirmación. El equipo validó GENCO en datos SCADA de Hydro-Québec, no solo en benchmarks sintéticos. El artículo también establece los benchmarks PFDelta y OPFData y libera millones de escenarios PF y OPF en diversas topologías de red — un estándar de benchmarking reproducible notablemente ausente en este subcampo, que ha hecho que la comparación lado a lado entre solucionadores neurales sea casi imposible.
El GridFM Development Framework se lanza junto con el modelo, estandarizando generación de datos sintéticos y entrenamiento en un entorno low-code dirigido a ingenieros de sistemas de potencia sin experiencia en ML. Los autores posicionan GENCO como un paso hacia un Grid Foundation Model — análogo a cómo los grandes modelos de lenguaje unificaron tareas de NLP bajo una columna vertebral pre-entrenada única.
Las restricciones permanecen. GENCO se dirige solo al análisis AC en estado estacionario en redes de transmisión. La simulación dinámica — propagación de fallos, estabilidad transitoria, respuesta sub-segundo — no se aborda. Los speedups 30x y 85x se comparan contra solucionadores clásicos single-threaded; los operadores de producción a menudo ejecutan Newton-Raphson paralelizado o IPOPT warm-started, lo que comprime ese margen. La generalización a topologías de red no vistas es una pregunta abierta en un dominio donde los operadores reconfiguren activos regularmente.
Para arquitectos de despacho en tiempo real: si la latencia Newton-Raphson es un cuello de botella y su equipo puede retrenar en su topología usando el framework GridFM de código abierto, GENCO es el solucionador neuronal más completo disponible — tres tareas, precisión AC, garantías de convergencia en SE, y un dataset de un millón de escenarios para bootstrap.