⚡ electrical engineering

BOOST: Microgrid Sizing using Ordinal Optimization

Este artículo presenta BOOST, una técnica de optimización ordinal que combina modelos lineales simples con programación lineal entera mixta para dimensionar de manera eficiente microredes residenciales, logrando reducir el tiempo de cálculo en un 51,8 % y recuperar la solución óptima global en pruebas sintéticas sin sacrificar la precisión.

Autores originales: Mohamad Chehade, Sami Karaki

Publicado 2026-04-09

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Mohamad Chehade, Sami Karaki

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que estás diseñando el sistema de energía perfecto para tu casa, pero en lugar de una sola casa, es para un pequeño vecindario (un "microgrid"). Tienes paneles solares, una batería gigante, un generador de gasolina de respaldo y la red eléctrica normal.

El problema es: ¿Cuánto tamaño deben tener la batería y los paneles solares para que sea lo más barato posible a largo plazo?

Si intentas calcular la respuesta exacta para cada combinación posible (ej. 100 paneles y 500 kWh de batería, luego 101 paneles y 500 kWh, luego 100 paneles y 501 kWh...), tardarías años en encontrar la respuesta. Es como intentar probar cada receta de pastel en el mundo para ver cuál es la mejor, en lugar de probar solo las más prometedoras.

Aquí es donde entra el método BOOST (la técnica de este paper). Es como tener un detective muy inteligente que usa un truco llamado "Optimización Ordinal".

La Analogía: El Concurso de Talentos

Imagina que tienes 100 concursantes (diseños de baterías y paneles) y quieres encontrar al mejor cantante.

El Método Viejo (Exhaustivo): Contratas a un jurado de expertos (un supercomputador muy lento y preciso) para que escuche a cada uno de los 100 concursantes en vivo, con micrófonos de alta fidelidad. Esto es perfecto, pero toma muchísimo tiempo y dinero.
El Método BOOST (Inteligente):
- Fase 1 (El Canto en la ducha): Primero, pides a todos los 100 concursantes que canten una canción rápida en la ducha (un modelo simple y rápido). No es perfecto, el eco de la ducha distorsiona un poco la voz, pero ¡puedes escuchar la melodía general!
- El Truco: La idea es que, aunque la ducha no suene perfecto, el orden de quién canta mejor se mantiene. Si el Sr. A cantó mejor que el Sr. B en la ducha, probablemente también lo hará en el escenario real.
- Fase 2 (El Escenario Real): En lugar de traer a los 100 al escenario, solo traes a los top 18 que ganaron en la ducha. A estos 18, sí los escuchas con el micrófono de alta fidelidad (el modelo preciso y lento).

¿Qué descubrieron en el paper?

Los autores probaron esto con datos simulados (como un "simulador de videojuego" de energía) y descubrieron cosas increíbles:

El truco funciona perfecto: En sus pruebas, el orden que se obtiene en la "ducha" (modelo simple) fue idéntico al orden en el "escenario real" (modelo complejo). ¡El detective no se equivocó ni una vez!
Ahorro de tiempo: Usando este método, ahorraron más del 50% del tiempo de cálculo. En lugar de esperar horas para probar todo, lo hicieron en la mitad de tiempo.
El ganador: En su caso de prueba principal, descubrieron que la combinación ganadora era una batería de 500 kWh (como una batería de coche eléctrico gigante) y paneles solares de 1833 kW. Con esto, la energía les costó muy poco (aprox. 13 centavos por kWh).
Mejor que la intuición: Este método encontró una solución mejor que intentar adivinar paso a paso (algoritmos "codiciosos") o que otros métodos matemáticos más viejos.

En resumen

El paper nos dice: "No necesitas ser un genio matemático para probarlo todo. Solo necesitas ser lo suficientemente bueno para saber quién es 'bueno' y quién es 'malo' rápidamente, y luego solo gastar tu tiempo y dinero en los mejores candidatos."

Es como si fueras a comprar un coche: en lugar de probar a fondo el motor, los frenos y el consumo de combustible de todos los coches del mundo, primero miras las reseñas rápidas y el diseño exterior para filtrar los 10 mejores, y luego solo haces una prueba de manejo real a esos 10. ¡Así llegas a tu coche ideal mucho más rápido!

Resumen Técnico: BOOST (Técnica de Dimensionamiento de Batería-Solar mediante Optimización Ordinal)

1. Planteamiento del Problema

El dimensionamiento eficiente de microrredes residenciales requiere resolver un problema acoplado de diseño y operación. No basta con elegir capacidades de paneles fotovoltaicos (PV) y baterías; estas deben seleccionarse considerando cómo se despachará el sistema a lo largo del tiempo para minimizar costos.

El desafío: La co-optimización exacta mediante Programación Lineal Mixta Entera (MILP) es precisa pero computacionalmente costosa cuando se evalúa en un espacio de diseño grande (combinaciones de tamaños de batería y PV).
Limitaciones de métodos existentes: Los enfoques heurísticos o metaheurísticos escalan mejor pero carecen de garantías. Los métodos de programación dinámica (DP) o voraces (greedy) utilizados en trabajos previos pueden discretizar el estado de carga de la batería, volviéndose intensivos en memoria o degradando la calidad del despacho operativo.

2. Metodología Propuesta: BOOST

El artículo propone BOOST (Battery-solar Ordinal Optimization Sizing Technique), un enfoque híbrido que combina la Optimización Ordinal (OO) con un modelo de Programación Lineal Mixta Entera (MILP) preciso.

La metodología se basa en la premisa de que, aunque los valores exactos de costo sean difíciles de calcular para todos los candidatos, el orden de los diseños prometedores suele ser robusto incluso con modelos de evaluación aproximados. El proceso consta de dos fases:

Fase 1: Screening con Modelo Simple (LP)
- Se evalúa un gran conjunto de diseños candidatos ( $N$ ) utilizando un modelo de Programación Lineal (LP) simplificado.
- Este modelo ignora la lógica de compromiso (commitment) del generador diésel (umbral mínimo de potencia) para reducir el tiempo de cálculo.
- Se calcula el costo total (costo operativo + costo de inversión anualizado) y se clasifican los diseños.
- Se selecciona un subconjunto de los diseños mejor clasificados ( $s$ ) para una reevaluación.
Fase 2: Reevaluación con Modelo Preciso (MILP)
- Los $s$ diseños seleccionados se evalúan nuevamente utilizando un modelo MILP preciso.
- Este modelo incluye variables binarias para modelar la lógica del generador diésel (si se usa, debe superar un umbral mínimo $P^{min}_D$ ), optimizando explícitamente la carga, descarga, compra de red y uso de diésel.
- El diseño con el menor costo en esta fase se considera la solución óptima aproximada.

Parámetros Clave:

$N$ : Número de diseños evaluados con el modelo simple (calculado para asegurar una probabilidad $P$ de encontrar al menos un diseño en el top $\alpha\%$ ).
$s$ : Número de diseños reevaluados con el modelo preciso (calculado para maximizar la probabilidad de alineación con la solución global óptima).

3. Contribuciones Clave

Algoritmo Híbrido: Propone una técnica de dimensionamiento que integra OO con MILP, superando las limitaciones de los métodos DP o voraces en la resolución del problema operativo interno.
Nueva Validación Cuantitativa: Actualiza el estudio numérico utilizando un conjunto de datos sintéticos de referencia (suite de 5 casos anuales) generado a partir de una reimplementación limpia, en lugar de depender únicamente de los datos del artículo original.
Validación de Robustez: Demuestra empíricamente que el modelado LP preserva el orden de clasificación preciso de los diseños prometedores y que la selección muestral de BOOST recupera el óptimo global.
Análisis de Sensibilidad: Cuantifica cómo cambian las decisiones de diseño ante variaciones en los costos de baterías, PV, diésel y tarifas eléctricas.

4. Resultados Experimentales

Los experimentos se realizaron sobre una rejilla de diseño de $10 \times 10$ (batería vs. PV) utilizando cinco escenarios sintéticos: base, batería barata, PV barato, diésel caro y tarifa pico alta.

Rendimiento en el Caso Base:
- Diseño Óptimo: 500 kWh de batería y 1833.3 kW de PV.
- Costo Nivelado de Energía (LCOE): 13.169 ¢/kWh.
- Correlación de Rangos: La correlación de Spearman ( $\rho$ ) entre las clasificaciones del modelo LP y el MILP fue 1.000 (idénticas).
- Recuperación del Óptimo: Con $N=90$ y $s=18$ , el método BOOST recuperó el óptimo global exacto y el 100% del top-10 de diseños.
Eficiencia Computacional:
- La evaluación exhaustiva con MILP de 100 diseños tomó 169.9 segundos.
- El flujo de trabajo BOOST (90 evaluaciones LP + 18 MILP) tomó 82.0 segundos.
- Reducción de tiempo: 51.8% en comparación con la evaluación exhaustiva.
Comparación de Estrategias Operativas:
- El solucionador MILP interno de BOOST superó ligeramente a la Programación Dinámica (DP) y significativamente a la estrategia Voraz (Greedy) en términos de LCOE.
Sensibilidad:
- En el escenario de batería barata, el tamaño óptimo de la batería aumentó a 5000 kWh.
- En el escenario de PV barato, el tamaño óptimo de PV aumentó a 2500 kW.
- Los escenarios de diésel caro y tarifas altas mantuvieron el diseño base pero alteraron el LCOE alcanzado.

5. Significado e Impacto

El trabajo de BOOST demuestra que es posible lograr una optimización de diseño de microrredes de alta fidelidad sin incurrir en el costo computacional prohibitivo de evaluar exhaustivamente cada combinación posible con modelos complejos.

Validación Metodológica: Al utilizar datos sintéticos controlados, el estudio aísla la robustez del algoritmo de las variaciones específicas de los datos reales, confirmando que la lógica de "ordenar primero, calcular con precisión después" es efectiva.
Aplicabilidad Práctica: Ofrece una herramienta viable para ingenieros y planificadores que necesitan dimensionar sistemas híbridos (PV-Batería-Diésel-Red) de manera óptima, equilibrando la precisión del modelo operativo con la viabilidad computacional.
Escalabilidad: Al reducir el tiempo de cálculo a la mitad sin sacrificar la calidad de la solución, el método permite explorar espacios de diseño más grandes o realizar análisis de sensibilidad más profundos en escenarios futuros.

En conclusión, BOOST establece un nuevo estándar para el dimensionamiento de microrredes, demostrando que la combinación de optimización ordinal con modelos MILP precisos es una estrategia superior a los métodos heurísticos tradicionales o a la evaluación exhaustiva pura.