⚡ electrical engineering

Human-on-the-loop Resilient Control of InverterBased Resources Under Actuator Degradation

Este artículo propone una arquitectura de control resiliente con humano en el bucle para recursos basados en inversores que integra el juicio supervisorio humano con un novedoso controlador adaptativo $\mu$ -mod y nuevas métricas (GRC y CPD) para gestionar eficazmente la degradación del actuador, prevenir la inestabilidad y superar las estrategias convencionales de control adaptativo y de tolerancia a fallos.

Autores originales: Majid Dehghani, Taha Saeed Khan, Hamidreza Nazaripouya

Publicado 2026-07-23

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Majid Dehghani, Taha Saeed Khan, Hamidreza Nazaripouya

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 la red eléctrica como un gigantesco e invisible sistema nervioso que alimenta nuestro mundo moderno, enviando energía desde paneles solares y turbinas eólicas hacia nuestros hogares y escuelas. Durante mucho tiempo, este sistema dependió de máquinas masivas y pesadas como las centrales eléctricas tradicionales. Pero hoy, estamos cambiando esas máquinas pesadas por recursos basados en inversores (IBR) elegantes, rápidos y listos; piensa en ellos como las nuevas neuronas digitales de alta velocidad del sistema nervioso. Estos son los dispositivos dentro de tu techo solar o de tu batería doméstica que convierten la energía almacenada en electricidad para la red. El gran desafío que enfrentan los científicos es qué sucede cuando estas neuronas digitales se enferman o se dañan. Si el inversor de un panel solar comienza a fallar, o si un ciberataque debilita su capacidad para empujar potencia, el voltaje de todo el vecindario puede tambalearse, las luces podrían parpadear y el sistema podría colapsar. Para solucionar esto, los ingenieros suelen intentar construir robots que detecten automáticamente la enfermedad y la reparen instantáneamente. Pero estos robots pueden ser demasiado rígidos; podrían entrar en pánico y apagarse, o podrían intentar reparar un problema que no comprenden del todo, empeorando las cosas.

Este artículo presenta una nueva y astuta idea: en lugar de depender únicamente de un robot, pongamos a un humano en el ciclo. Los autores, Majid Dehghani, Taha Saeed Khan y Hamidreza Nazaripouya, proponen un sistema de control de "Humano en el Ciclo" (HOTL, por sus siglas en inglés). Piensa en ello como un videojuego donde una IA juega la partida, pero un jugador humano observa la pantalla y puede presionar un botón especial para cambiar las reglas si las cosas se ponen raras. En su sistema, un controlador informático se encarga de las matemáticas de milisegundos para mantener el voltaje estable, pero un supervisor humano observa el panorama general. Si el inversor comienza a degradarse (debilitarse), el humano puede intervenir para decirle a la computadora: "Oye, estamos perdiendo potencia, seamos un poco menos perfectos en este momento para no quedarnos sin batería por completo". El artículo utiliza simulaciones para mostrar que este trabajo en equipo entre el juicio humano y la velocidad de la computadora mantiene la red estable incluso cuando el equipo está fallando, mientras que los métodos antiguos, totalmente automatizados, suelen colapsar o quedarse sin energía.

El Problema: Cuando los "Músculos" de la Red se Debilitan

Imagina que tu brazo es el inversor y la electricidad que empuja es el peso que estás levantando. Normalmente, tu brazo es fuerte y puede levantar exactamente lo que necesitas. Pero, ¿qué pasa si tu brazo se lesiona y solo puede levantar la mitad del peso? Si intentas levantar el mismo peso pesado de todos modos, tu brazo podría bloquearse o podrías soltar el peso por completo. En el mundo de las redes eléctricas, la "degradación del actuador" es como ese brazo lesionado. Ocurre cuando los inversores pierden su capacidad de generar potencia debido a daños físicos, ciberataques o simplemente por el desgaste natural.

Las soluciones de la vieja escuela intentan manejar esto de dos maneras, y ambas tienen fallas. La primera es el "Control Tolerante a Fallas" (FTC). Esto es como un robot que tiene una lista de verificación de cada posible lesión. Si ve un síntoma, busca la lesión y cambia a una solución preprogramada. ¿El problema? Si la lesión es extraña, nueva o ocurre lentamente (como un debilitamiento gradual), el robot podría no reconocerla, o podría intentar repararla de forma demasiado agresiva, causando un colapso. El segundo enfoque es el "Control Adaptativo", donde el sistema aprende sobre la marcha. Pero si el sistema cree que aún puede levantar todo el peso cuando en realidad no puede, podría intentar presionar demasiado, lo que lleva a una pérdida de control o a una "deriva de parámetros", donde el sistema se confunde y se vuelve inestable.

La Nueva Idea: Un Entrenador Humano con un "Dial de Resiliencia"

Los autores proponen un sistema donde un operador humano actúa como un entrenador, sentado a un lado del controlador automatizado. No se trata de que el humano haga las matemáticas; la computadora sigue haciendo el trabajo pesado. En cambio, el humano proporciona "conciencia situacional". Observan los datos y dicen: "Bien, el inversor es un 50% más débil de lo habitual. Ajustemos nuestra estrategia".

Para que esto funcione, el artículo introduce dos herramientas especiales:

Capacidad de Reserva de Generación (GRC): Piensa en esto como tu "cuenta de ahorros de emergencia" de potencia. Es la potencia extra que el inversor podría usar si ocurre una nueva emergencia. El objetivo es mantener esta cuenta llena.
Degradación de Desempeño Controlada (CPD): Este es el "error permitido". A veces, para salvar la cuenta de ahorros de emergencia, tienes que aceptar que el voltaje no será perfectamente estable. Es como decidir conducir un poco más lento para ahorrar gasolina para un viaje más largo.

El operador humano utiliza un dial especial llamado $\mu$ (mu) para equilibrar estas dos variables. Si el operador gira $\mu$ hacia arriba, el sistema se vuelve muy conservador. Mantiene un enorme margen de seguridad (alta GRC) pero acepta que el voltaje podría oscilar un poco más (mayor CPD). Si gira $\mu$ hacia abajo, el sistema intenta ser perfecto (bajo CPD) pero corre el riesgo de quedarse sin reserva de potencia.

Cómo Funciona en la Práctica

El artículo probó esta idea utilizando una simulación por computadora de un inversor conectado a la red. Crearon un escenario donde el inversor se "enfermó" en dos etapas:

A los 100 segundos: El inversor perdió el 50% de su capacidad de potencia.
A los 150 segundos: Perdió otro 25%, volviéndose muy débil.
A los 200 segundos: Un pico repentino de demanda (una perturbación de carga) golpeó el sistema.

En la simulación, el operador humano observaba la pantalla. Cuando ocurrió la primera pérdida del 50%, el operador ajustó el sistema para manejar la caída. Pero cuando llegó el segundo impacto a los 150 segundos, el operador se dio cuenta de que la situación se estaba volviendo peligante. Giró el dial $\mu$ hacia arriba hasta 10. Esto le dijo a la computadora: "Deja de intentar ser perfecta. Sé segura. Mantén una gran reserva de potencia para que no colapsemos".

¿El resultado? El sistema aceptó un voltaje ligeramente menos perfecto (el CPD) pero logró mantener las luces encendidas y el voltaje dentro de los límites seguros. El inversor nunca se quedó sin potencia y no entró en un estado de "saturación" (donde intenta empujar más de lo que puede y falla).

¿Qué Pasó con los Métodos Antiguos?

Los investigadores compararon su nuevo sistema de "Humano en el Ciclo" contra un sistema estándar de "Control Tolerante a Fallas" (FTC).

El Sistema FTC: Cuando ocurrió la primera pérdida del 50%, el FTC se desempeñó bien. Pero cuando llegó el segundo impacto a los 150 segundos, el FTC se quedó trabado. Intentó mantener un voltaje perfecto, pero debido a que no tenía suficiente "músculo" restante, falló. Para cuando el pico de carga golpeó a los 200 segundos, el voltaje cayó por debajo de 0.9 (un nivel peligroso) y el sistema no pudo recuperarse.
El Sistema HOTL: Debido a que el operador humano había subido el dial de seguridad ( $\mu$ ), el sistema aceptó con gracia una pequeña caída en el desempeño. Preservó su capacidad de reserva, permitiéndole manejar el pico de carga final sin colapsar. El voltaje se mantuvo dentro del rango de operación seguro.

La Conclusión

Este artículo no pretende haber resuelto todos los problemas del mundo, ni dice que este sistema sea perfecto en la vida real todavía. Los resultados se basan enteramente en simulaciones: modelos computacionales de cómo se comportaría el sistema. Sin embargo, estas simulaciones sugieren que añadir un supervisor humano a la mezcla crea una red mucho más resiliente.

La clave es que, a veces, la mejor manera de manejar una crisis no es tener un robot que nunca cometa errores, sino tener un robot que sepa cuándo pedir consejo a un humano. Al permitir que un humano decida cuánto "perfección" sacrificar a cambio de "seguridad", el sistema puede sobrevivir a daños severos que dejarían fuera de combate a los métodos más antiguos y totalmente automatizados. Los autores demuestran matemáticamente que este enfoque es estable y que el juicio del humano ayuda directamente al sistema a evitar quedarse sin potencia. Es un recordatorio de que, en un mundo complejo y de alto riesgo, la combinación de la sabiduría humana y la velocidad de la máquina podría ser la defensa más fuerte de todas.

Resumen Técnico: Control Resiliente de Recursos Basados en Inversores con Humano en el Bucle ante la Degradación de Actuadores

Planteamiento del Problema
Las redes de distribución de energía modernas están cada vez más dominadas por Recursos Basados en Inversores (IBR, por sus siglas en inglés), como la energía solar fotovoltaica y el almacenamiento en baterías, que proporcionan soporte crítico de regulación de voltaje y potencia reactiva. Sin embargo, estos sistemas enfrentan desafíos significos de resiliencia cuando operan bajo degradación de actuadores causada por fallas físicas, ataques ciberfísicos o condiciones ambientales. Las estrategias de control convencionales exhiben limitaciones notables en este contexto:

Control Tolerante a Fallas Activo (FTC): Depende de la detección y el aislamiento de fallas (FDI) rápidos y precisos. Es vulnerable al diagnóstico erróneo de degradaciones incipientes o ambiguas y a menudo falla cuando las fallas caen fuera de los conjuntos predefinidos.
FTC Pasivo: Tiende hacia una operación excesivamente conservadora, lo que puede sacrificar el rendimiento innecesariamente.
Control Adaptativo: Típicamente asume una autoridad de control suficiente. Cuando la degradación del actuador erosiona dicha autoridad, las leyes adaptativas pueden malinterpretar los errores de seguimiento, provocando deriva de parámetros, pérdida de rendimiento o inestabilidad.

Los métodos existentes generalmente tratan la resiliencia como un proceso totalmente automatizado, careciendo del juicio contextual requerido para reconocer comportamientos sutiles fuera de lo nominal o para ajustar los objetivos de la misión cuando la degradación excede los conjuntos de fallas modelados. Además, carecen de un mecanismo sistemático para equilibrar la preservación de la capacidad de reserva del inversor frente al desempeño del control durante la operación degradada.

Metodología
El artículo propone una arquitectura de control resiliente de Humano en el Bucle (HOTL, Human-on-the-Loop) que integra un controlador adaptativo rápido y no lineal con una capa de toma de decisiones humana supervisora. El marco está diseñado para inversores conectados a la red y opera a través de los siguientes mecanismos:

Jerarquía de Dos Capas:
- Capa de Control Adaptativo: Embebida en el Sistema de Gestión de Recursos de Energía Distribuida (DERMS), esta capa realiza el control en tiempo real de las inyecciones de potencia activa y reactiva. Utiliza una ley de control adaptativo $\mu$ -mod combinada con un Modelo de Referencia de Lazo Cerrado (CRM). Esta capa gestiona la dinámica rápida, las incertidumbres del modelo y las restricciones de saturación.
- Capa Supervisora Humana: El operador realiza tareas cognitivas de alto nivel, incluyendo la evaluación de la severidad de la degradación, la estimación de la matriz de degradación ( $\hat{\Lambda}$ ) y el ajuste de un parámetro de resiliencia ( $\mu$ ). La evaluación del operador está ponderada por un factor de confianza ( $\eta$ ) basado en su experiencia y confiabilidad histórica.
Métricas de Resiliencia:
El marco introduce dos métricas cuantitativas para guiar la toma de decisiones:
- Capacidad de Reserva de Generación (GRC): Cuantifica la capacidad restante del inversor disponible para contingencias futuras.
- Degradación de Desempeño Controlado (CPD): Representa la reducción tolerable en el desempeño (por ejemplo, la precisión del seguimiento de voltaje).
  El operador ajusta el parámetro $\mu$ para realizar un intercambio entre la precisión de seguimiento inmediata (CPD bajo) y la preparación operativa a largo plazo (GRC alto). Un $\mu$ mayor resulta en un control más conservador, preservando la capacidad de reserva pero permitiendo mayores desviaciones de seguimiento.
Ley de Control y Estabilidad:
El controlador adaptativo $\mu$ -mod propuesto ajusta dinámicamente el comportamiento del modelo de referencia para dar cuenta de la reducción de capacidad. Incluye un límite de saturación virtual para asegurar que la señal de control permanezca dentro de una zona de seguridad por debajo de los límites físicos. El artículo proporciona un análisis de estabilidad riguroso utilizando la teoría de Lyapunov, demostrando que bajo la ley de control propuesta, todas las señales de lazo cerrado permanecen acotadas y el error de seguimiento de estado converge asintóticamente a cero, incluso en presencia de degradación de actuadores y brechas de estimación.

Contribuciones Clave
El artículo describe cuatro contribuciones principales:

Arquitectura Novedosa: Un marco de control HOTL que integra la conciencia situacional del operador con el control adaptativo del inversor, permitiendo una toma de decisiones coordinada bajo degradación de actuadores.
Métricas Cuantitativas: La introducción de GRC y CPD para caracterizar la relación entre la capacidad de reserva, el desempeño y la supervivencia del sistema.
Ley Adaptativa $\mu$ -mod: Una ley de control con comportamiento de modelo de referencia dinámicamente ajustable que permite una desviación gradual de los objetivos nominales mientras asegura la estabilidad.
Prueba de Estabilidad: Una prueba matemática rigurosa que demuestra que el sistema de lazo cerrado permanece estable y acotado, con convergencia asintótica de los errores de seguimiento, incluso bajo condiciones degradadas.

Resultados de Simulación
El enfoque fue validado mediante simulaciones de un inversor conectado a la red sometido a eventos secuenciales de degradación de actuadores (pérdida del 50% en $t=100$ s, seguida de una pérdida adicional del 25% en $t=150$ s) y una perturbación de carga en $t=200$ s.

Desempeño HOTL: El controlador propuesto mantuvo con éxito la regulación de voltaje dentro de límites aceptables. Al permitir que el operador aumentara $\mu$ de 1.2 a 10 tras observar un mayor estrés, el sistema priorizó la preservación de la reserva. Esto evitó la saturación del actuador y permitió que el inversor compensara la subsiguiente perturbación de carga, manteniendo la operabilidad del sistema.
Comparación con FTC: Un Controlador Tolerante a Fallas (FTC) convencional mantuvo la estabilidad durante el primer evento de degradación, pero falló en recuperar los niveles de voltaje tras la segunda degradación y la perturbación de carga. El FTC exhibió una adaptabilidad limitada, lo que llevó a caídas de voltaje por debajo de 0.9 p.u. y una pérdida de control debido al agotamiento de la capacidad de reserva.

Significancia
El artículo afirma que la arquitectura HOTL propuesta aborda brechas críticas en las estrategias de control resiliente existentes al incorporar explícitamente la inteligencia supervisora humana. A diferencia de los métodos totalmente automatizados que dependen de conjuntos de fallas predefinidos, este marco permite a los operadores validar o anular los parámetros de control y ajustar los objetivos operativos cuando las condiciones exceden los espacios de fallas modelados. Al equilibrar la GRC y la CPD mediante el parámetro ajustable $\mu$ , el sistema evita la saturación del actuador y preserva la capacidad de reserva, logrando una regulación de voltaje superior y una mayor resiliencia del sistema en comparación con los métodos adaptativos y de FTC convencionales. Los resultados confir el hecho de que la toma de decisiones coordinada entre humano y automatización es esencial para mantener la seguridad del sistema de distribución bajo contingencias severas.

El Problema: Cuando los "Músculos" de la Red se Debilitan

La Nueva Idea: Un Entrenador Humano con un "Dial de Resiliencia"

Cómo Funciona en la Práctica

¿Qué Pasó con los Métodos Antiguos?

La Conclusión

Más como este