⚡ electrical engineering

Cost-Effective Design of Grid-tied Community Microgrid

Este estudio propone un marco de optimización multiobjetivo y rentable, mejorado mediante aprendizaje por refuerzo profundo basado en preferencias, para diseñar una microrred comunitaria conectada a la red que logre una alta fiabilidad, un 91,99% de eficiencia y una reducción del 95% en las emisiones de carbono en comparación con los sistemas convencionales, manteniendo al mismo tiempo un costo nivelado de la energía competitivo de 0,208 $/kWh.

Autores originales: Moslem Uddin, Huadong Mo, Daoyi Dong

Publicado 2026-06-26

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Moslem Uddin, Huadong Mo, Daoyi Dong

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

Imagina un pequeño pueblo que actualmente obtiene su electricidad de una planta de energía gigante y distante. A veces los cables de alta tensión se cortan, a veces el combustible se encarece y, a veces, el aire se ensucia por la forma en que se produce la energía. Los autores de este artículo se preguntaron: "¿Cómo podemos construir un sistema de energía local y autosuficiente para este pueblo que sea barato, fiable, limpio y eficiente, sin sacrificar uno por el otro?"

Aquí explicamos cómo lo resolvieron, desglosado en conceptos sencillos:

1. El gran desafío: El "Tira y afloja de cuatro vías"

Diseñar una red eléctrica local (llamada Microred) es como intentar ganar un juego de tirar de la cuerda donde la cuerda es tirada en cuatro direcciones diferentes al mismo tiempo:

Costo: Queremos que sea barato de construir y operar.
Fiabilidad: Queremos que las luces nunca se apaguen, incluso durante una tormenta.
Eficiencia: Queremos desperdiciar la menor cantidad de energía posible.
Medio ambiente: Queremos contaminar lo menos posible.

Normalmente, si tiras con fuerza de un lado (como hacerlo súper barato), los otros lados sufren (puede volverse poco fiable o sucio). Los autores querían encontrar el "punto ideal" donde los cuatro lados estén contentos.

2. La solución: Un enfoque de "Chef Inteligente" de dos pasos

Los investigadores no solo adivinaron. Construyeron un marco informático que actúa como un Maestro Chef preparando una comida compleja.

Paso 1: La prueba de sabor (Simulación HOMER)
Primero, utilizaron una potente herramienta de simulación (HOMER) para cocinar miles de "recetas" diferentes para la red eléctrica. Cada receta tenía diferentes cantidades de:

Paneles solares (Energía del sol)
Turbinas eólicas (Energía del viento)
Baterías (Almacenamiento)
Generadores diésel (Combustible de respaldo)
La red principal (La conexión de la gran empresa de servicios públicos)

Probaron cada una de las recetas para ver cómo se desempeñaban en los cuatro objetivos (Costo, Fiabilidad, Eficiencia, Contaminación). Esto creó una enorme lista de opciones "viables".

Paso 2: El sumiller (Aprendizaje por Refuerzo Profundo)
Ahora tenían miles de buenas recetas, pero ¿cuál era la mejor? Aquí es donde utilizaron el Aprendizaje por Refuerzo Profundo (DRL). Piensa en esto como un sumiller inteligente (un experto en vinos) que aprende cuál es el "gusto" del pueblo.

El agente de DRL observa todas las recetas.
Aprende a elegir la que ofrece el mejor equilibrio basado en lo que el pueblo valora más.
No elige simplemente la más barata; elige la que ofrece el mejor valor general para la comunidad específica.

3. La prueba del mundo real: Central Tilba, Australia

Probaron este sistema en una comunidad rural real en Australia llamada Central Tilba.

El resultado: Encontraron una "Configuración Dorada".
La receta: Utiliza una mezcla de paneles solares y turbinas eólicas, respaldada por un gran sistema de baterías.
La sorpresa: Descubrieron que podían eliminar por completo el generador diésel (el motor de respaldo sucio y ruidoso) y aun así tener energía 100% fiable.

4. Los números: Por qué es un ganador

Aquí está lo que logró su "Configuración Dorada" en comparación con otras formas de hacerlo:

Fiabilidad: 100%. Las luces permanecen encendidas incluso en mal tiempo.
Eficiencia: 92%. Se desperdicia muy poca energía.
Contaminación: Reduce las emisiones de carbono en aproximadamente un 95% en comparación con el uso de la red eléctrica normal.
Costo: Cuesta alrededor de $0.21 por kilovatio-hora de operar. Es competitivo con otros métodos y mucho más barato que algunos diseños "súper fiables" o "súper verdes" que cuestan una fortuna construir.
Inversión total: Requiere alrededor de $1.42 millones para construirse, con un costo total de vida de $4.83 millones.

5. Los escenarios "¿Qué pasaría si...?" (Sensibilidad)

Los autores también se preguntaron: "¿Qué pasa si las cosas cambian?"

Si el pueblo usa más energía: El costo y la contaminación suben, pero el sistema sigue funcionando.
Si el sol brilla menos: El sistema lo maneja, pero depende un poco más de las baterías.
Si el viento se detiene: El sistema es en realidad más sensible a los cambios en la energía solar que en la eólica.
Hallazgo clave: El precio de la electricidad de la red principal y el costo de las baterías son los dos factores más importantes que determinan si este sistema es un buen trato.

6. El compromiso: Sin diésel, grandes baterías

Un hallazgo interesante es que para obtener un 100% de fiabilidad sin usar un generador diésel, necesitaron una batería muy grande.

Lo bueno: Sin humo, sin ruido, sin entregas de combustible.
El inconveniente: Las baterías grandes son caras. Si la luz se corta durante un tiempo muy largo (días), la batería podría agotarse antes de que el sol o el viento puedan recargarla. Los generadores diésel son excelentes para apagones largos porque simplemente puedes seguir vertiendo combustible, pero son sucios. Los autores eligieron la ruta de "batería limpia pero cara" para este estudio específico para maximizar los beneficios ambientales.

Resumen

El artículo presenta un método inteligente, impulsado por computadora, para diseñar una red eléctrica local que equilibre el dinero, la fiabilidad, la eficiencia y el medio ambiente. Al utilizar un proceso de "dos pasos" (simulando miles de opciones y luego usando IA para elegir la mejor), demostraron que un pequeño pueblo australiano puede funcionar con energía limpia y renovable con un 100% de fiabilidad, ahorrando dinero y protegiendo al planeta en el proceso.

Resumen Técnico: Diseño Rentable de Microrredes Comunitarias Conectadas a la Red

Planteamiento del Problema
El panorama energético global se está desplazando hacia sistemas de potencia descentralizados y sostenibles. Si bien las microrredes (MG) comunitarias conectadas a la red ofrecen una solución prometedora para mejorar la fiabilidad e integrar recursos renovables, el diseño de sistemas económicamente viables sigue siendo un desafío. Las metodologías existentes suelen centrarse en métricas de desempeño individuales —como la viabilidad económica, la sostenibilidad ambiental, la eficiencia o la fiabilidad— en lugar de integrar sinérgicamente estos cuatro aspectos en un marco unificado. Este enfoque fragmentado limita el potencial de las MG para operar de manera óptima en entornos energéticos dinámicos e inciertos. Además, existe una falta de estudios que aborden simultáneamente la viabilidad económica, la fiabilidad del suministro, la eficiencia operativa y la sostenibilidad ambiental dentro de un contexto de microrred comunitaria, particularmente cuando se utilizan métodos de selección de configuración adaptativa.

Metodología
El estudio propone un marco de diseño integral de dos etapas para microrredes comunitarias conectadas a la red que integra la simulación basada en la física con la optimización de decisiones basada en datos.

Etapa 1: Optimización Multiobjetivo (MO-OPT) y Generación de Configuraciones:
- El marco utiliza HOMER Pro como una plataforma de simulación tecno-económica de alta fidelidad para enumerar y evaluar sistemáticamente un conjunto exhaustivo de configuraciones candidatas de MG.
- Los componentes del sistema incluyen Energía Solar Fotovoltaica (PV), Turbinas Eólicas (WT), Generadores Diesel (DG), Sistemas de Almacenamiento de Energía por Baterías (BESS), convertidores y la red principal.
- Se emplea un procedimiento de optimización libre de derivadas y un mecanismo de búsqueda de cuadrícula exhaustiva para identificar arquitecturas de sistemas factibles dentro de límites de diseño prescritos.
- La optimización considera cuatro objetivos en conflicto: minimizar el Costo Presente Neto (NPC) y las emisiones de carbono ( $\xi$ ), mientras se maximiza la fiabilidad del suministro de energía ( $\mathcal{R}$ ) y la eficiencia del sistema ( $\eta$ ).
- Las configuraciones factibles se filtran según los límites de capacidad de los componentes, los requisitos de penetración de renovables, los márgenes de reserva y las restricciones de interconexión a la red. El resultado es un espacio de soluciones aproximadas de Pareto.
Etapa 2: Aprendizaje por Refuerzo Profundo (DRL) Basado en Preferencias:
- Se aplica un marco de DRL basado en preferencias al espacio de soluciones generado en la Etapa 1.
- A diferencia de los sistemas de control tradicionales, el agente de DRL no controla los componentes individuales ni los esquemas de despacho en tiempo real. En su lugar, funciona como un mecanismo de apoyo a la decisión inteligente.
- El agente aprende a evaluar y clasificar las configuraciones candidatas interactuando con un entorno donde el estado se define mediante vectores de desempeño multiobjetivo normalizados.
- Las señales de recompensa se derivan de una función de utilidad escalarizada que incorpora las prioridades de las partes interesadas mediante compensaciones ponderadas entre los cuatro objetivos.
- La configuración final se selecciona minimizando la función de utilidad escalarizada ponderada por preferencias, asegurando un equilibrio alineado con las preferencias específicas de los interesados.

Contribuciones Clave

Marco Integrado: Desarrollo de un marco de diseño multiobjetivo basado en preferencias que integra la generación de configuraciones mediante HOMER con la selección de soluciones asistida por DRL para explorar sistemáticamente las compensaciones entre costo, fiabilidad, eficiencia y emisiones.
Modelado Matemático: Presentación de un modelo matemático riguroso para mejorar la comprensión de los sistemas complejos de MG, incorporando restricciones operativas prácticas y vinculando las decisiones de arquitectura discretas con las decisiones de dimensionamiento continuo.
Evaluación Exhaustiva: Ejecución de un análisis detallado de costo-beneficio utilizando el Costo Presente Neto (NPC), el Costo Nivelado de la Energía (LCOE) y métricas de fiabilidad para evaluar el desempeño del sistema.
Validación: Validación del enfoque propuesto utilizando datos del mundo real y simulaciones, demostrando su efectividad para reducir los costos operativos asegurando al mismo tiempo la fiabilidad energética para aplicaciones a escala comunitaria.

Resultados
El marco se aplicó a un caso de estudio de la comunidad rural de Central Tilba, Nueva Gales del Sur, Australia.

Configuración Óptima: El diseño propuesto (Configuración A5) logra un Costo Presente Neto (NPC) de $4.83 millones con un Costo Nivelado de la Energía (LCOE) de $0.208/kWh.
Métricas de Desempeño: El sistema logra una fiabilidad del 100% (satisfaciendo el 100% de la carga) y una eficiencia del 91.99%.
Impacto Ambiental: La configuración mantiene una huella de carbono de 302,747 kg/año, lo cual es aproximadamente un 95% menor que las emisiones anuales asociadas con un sistema de energía convencional suministrado por la red.
Dimensionamiento de Componentes: La configuración óptima comprende 418 kW de capacidad fotovoltaica, 123 kW de energía eólica y 704 kWh de almacenamiento por batería. Notablemente, esta configuración elimina por completo la dependencia de generadores diesel (DG), con una inversión de capital de $1.42 millones y costos de operación anuales de $201,473.
Análisis Comparativo: En comparación con los diseños optimizados para un solo objetivo (por ejemplo, optimizados para costo o para emisiones), el diseño propuesto ofrece un equilibrio superior. Por ejemplo, el diseño optimizado para emisiones requirió una inversión de capital significativamente mayor ($3.57M) y resultó en una eficiencia menor (79.96%), mientras que el diseño optimizado para costos comprometió la fiabilidad.
Análisis de Sensibilidad:
- Variaciones de Carga: Las fluctuaciones de la carga ejercen la influencia más sustancial en las emisiones y el costo del sistema. Un aumento del 10% en la carga eleva el NPC en un 5.87% y las emisiones en un 18.06%.
- Variaciones de Renovables: Las fluctuaciones en la producción fotovoltaica impactan el desempeño económico y ambiental de manera más significativa que las variaciones eólicas.
- Parámetros Económicos: El LCOE es más sensible a los precios de compra de electricidad y a los costos de capital de las baterías. Un aumento del 20% en los costos de las baterías resulta en un incremento aproximado del 5% en el LCOE.

Significación y Reivindicaciones
El artículo afirma que el marco propuesto proporciona una metodología de diseño pragmática y escalable para operaciones de microrredes sostenibles y económicamente viables. Al desacoplar la evaluación de la factibilidad física de la selección basada en preferencias, el enfoque preserva el rigor de la ingeniería al tiempo que introduce adaptabilidad en la capa de decisión. El estudio sostiene que este trabajo es valioso para identificar soluciones efectivas para suministrar energía confiable y rentable a áreas regionales y remotas. Sirve como un referente para responsables de políticas y planificadores energéticos, demostrando que se puede lograr una alta fiabilidad y control de emisiones sin incrementos desproporcionados de costos mediante un enfoque de optimización estratégicamente equilibrado. Los autores señalan que, si bien el marco actual se centra en la selección de la configuración, el trabajo futuro podría extenderse a la gestión de la energía en tiempo real.