Las máquinas zumban dentro de la presa de hormigón, funcionando en vacío. Tres de las diez turbinas permanecen en silencio. El nivel del agua en el mayor embalse del sureste de Brasil ha caído tanto que las palas están a punto de empezar a girar en el aire. Las 160 centrales hidroeléctricas del país, que generan más de la mitad de la electricidad, están interconectadas en una única red hídrica donde cada gota cuenta. Pero un espejismo invisible de un embalse lleno llevó durante años a los operadores a gastar el agua como si mañana fueran a volver las lluvias. No es casualidad: los modelos oficiales sobreestimaban sistemáticamente los caudales futuros.

La gestión se basa en el algoritmo de programación dinámica dual estocástica (SDDP), que calcula el "valor del agua": cuántos costes futuros ahorra un metro cúbico almacenado en el embalse. Este valor no es una abstracción, sino la sombra matemática de los gastos de mañana: w = -∂Q/∂v. Si el modelo predice lluvias abundantes, la derivada de los costes futuros respecto al volumen disminuye, el agua parece barata y se turbina hoy. Pero cuando las previsiones de caudal están sistemáticamente infladas —y eso es lo que ocurría en Brasil desde hace más de una década—, el espejismo de ríos caudalosos socava la lógica del almacenamiento.

Los investigadores verificaron el mecanismo en tres etapas. Primero, con un modelo analítico estilizado, mostraron cómo incluso un pequeño sesgo positivo en el caudal esperado reduce ligeramente el valor del agua e incentiva una mayor liberación. Luego, con datos operativos reales de 2014-2026, hallaron una relación estadística: los meses con previsiones infladas coinciden con niveles planificados de embalses también inflados. Por último, mediante simulación numérica, dos políticas —una entrenada con previsiones sesgadas y otra con previsiones corregidas— se pusieron a prueba con 2000 realizaciones de caudal modelizadas como un proceso estocástico con transiciones de Markov, nombradas en honor a Andréi Márkov.

Los resultados revelan el drama. Con previsiones optimistas, el nivel medio de los embalses al final de la estación seca cae en 29 gigavatios, un tercio de la demanda media del país. La generación térmica se pospone durante meses y luego, en el pico de la sequía, se activan las centrales más caras. Resultado: la probabilidad de apagones selectivos alcanza el 10,3% frente al 0,9% con una política sin sesgo. Los precios medios en el mercado spot durante cinco años son un 34% más altos, y la volatilidad se dispara en la estación seca. Los costes operativos totales, incluidos los cargos por desconexión, se multiplican por siete.

El espejismo se disipó. Cuando las previsiones eliminan el sesgo sistemático, el agua de los embalses recupera su verdadero valor. Pero la transición no es indolora: los precios spot se disparan incluso en las estaciones húmedas y el mercado sufre un shock. Este trabajo pone al descubierto un círculo vicioso familiar para cualquier sistema gestionado por costes marginales de existencias, desde los puramente hidráulicos hasta los futuros híbridos con baterías e hidrógeno. El siguiente paso es incorporar correcciones estadísticas directamente en el algoritmo SDDP, tener en cuenta las restricciones de red y aplicar corrección bayesiana de las previsiones, para ampliar el análisis a otros países donde el agua fluye entre turbinas y espejismos.