Investigación sobre métodos de optimización para planes de suministro de expansión multienergética en parques industriales basada en algoritmos genéticos

Por qué importa una energía industrial más inteligente

Mientras el mundo compite por reducir las emisiones de gases de efecto invernadero, las fábricas afrontan un reto difícil: cómo alimentar líneas de producción en expansión usando más energía limpia y manteniendo los costes bajo control. Este artículo examina una nueva forma de planificar los sistemas energéticos de parques industriales a lo largo de décadas, combinando energía solar y generadores eficientes in situ para que la capacidad crezca paso a paso con la demanda. El trabajo muestra que una planificación cuidadosa con algoritmos modernos puede reducir drásticamente tanto las facturas energéticas como la huella de carbono, sin obligar a las empresas a arriesgarse con grandes inversiones iniciales.

De soluciones únicas a planes energéticos a medida

Muchas fábricas buscan hoy sistemas “multienergía” que integren electricidad de la red, gas natural, energía solar y unidades de cogeneración (CHP) que producen electricidad y calor útil. Las herramientas de planificación existentes y el software comercial pueden diseñar estos sistemas, pero a menudo asumen que la demanda energética de una fábrica es fija y que todo el equipo se instala al inicio. En la práctica, la demanda suele crecer con la expansión de la producción, y rara vez tiene sentido adquirir toda la capacidad futura de un día para otro. Los autores sostienen que falta una herramienta de planificación diseñada para sitios industriales pequeños que pueda gestionar la demanda cambiante y la construcción por fases, sin perder la practicidad para ingenieros y gestores.

Permitir que la evolución busque mejores sistemas energéticos

Para cubrir este vacío, los investigadores construyeron un modelo de optimización basado en un “algoritmo genético”, un método de búsqueda inspirado en la evolución biológica. En lugar de intentar obtener derivadas de una fórmula de costes compleja, el algoritmo trata cada posible plan energético a largo plazo como una cadena de decisiones: cuántos paneles solares y unidades CHP instalar en el primer año, cuánto añadir cada pocos años y cuándo reemplazar equipos envejecidos. Cada plan candidato se simula durante un periodo de 20 años, siguiendo costes de inversión, consumo de combustible, compras a la red y mantenimiento. El algoritmo entonces “selecciona” los planes mejores, “mezcla” sus características y ocasionalmente “muta” algunas decisiones, evolucionando gradualmente hacia estrategias que minimizan el coste global o acortan el tiempo de recuperación.

Diseñar cómo y cuándo construir

El modelo descompone cada tecnología en unos pocos controles de planificación simples: capacidad inicial, tamaño de cada expansión posterior, frecuencia de las expansiones y, cuando procede, qué módulos de hardware se eligen. Para paneles solares, estas elecciones deben respetar límites de área de cubierta, tamaños mínimos prácticos de instalación y economía típica de proyectos para evitar añadidos pequeños e inviables económicamente. Para las unidades CHP, la herramienta asume bloques modulares de 1.000 kW e impide sobredimensionar mucho más allá de las necesidades térmicas y eléctricas de la fábrica. Como las variables de decisión son discretas —añadir una turbina completa o una unidad CHP a la vez— los autores muestran que los algoritmos genéticos son más adecuados que muchos métodos tradicionales que suponen ajustes suaves y continuos.

Superando el software comercial y las estrategias de instalación fija

El equipo primero contrastó su enfoque con HOMER, una herramienta comercial de planificación muy utilizada. Para un caso de prueba que permitió solar, eólica y CHP, su modelo encontró una configuración con una turbina eólica, varias unidades CHP y una capacidad solar modesta que redujo el coste total del proyecto en alrededor del 23% frente al diseño de HOMER y acortó el periodo de recuperación simple de nueve a cinco años. Un segundo caso, más detallado, examinó un parque industrial en Hainan, China, con gran demanda eléctrica y de refrigeración y espacio para paneles solares en cubierta. Allí, el plan optimizado instaló los máximos 1,6 megavatios de paneles solares y comenzó con nueve unidades CHP, añadiendo más capacidad CHP cada dos años conforme crecía la demanda. En 20 años, esta “instalación dinámica” redujo los costes energéticos totales en un 77% frente a un escenario de negocio habitual que compraba todo a la red y la red de gas.

Por qué la construcción por fases gana

Los autores también compararon su enfoque paso a paso con una estrategia más simple de “instalación fija” que instala todo el equipo in situ al inicio. Aunque ambas usaban la misma capacidad solar máxima, el plan fijo propuso 26 unidades CHP de entrada, más de lo que la fábrica necesitaba en los primeros años. Esa opción logró un periodo de recuperación de cuatro años pero tuvo un coste de por vida mayor y dejó muchas unidades infrautilizadas. En cambio, el plan dinámico necesitó menos de la mitad de la inversión inicial, alcanzó el retorno en solo dos años y mantuvo las unidades CHP operando a mayor utilización, aprovechando mejor cada euro invertido. Este enfoque por fases también reparte los costes de reemplazo y deja más margen de adaptación si la demanda futura o los precios de la energía difieren de las previsiones actuales.

Qué significa esto para las fábricas y los objetivos climáticos

Para no especialistas, el mensaje es claro: las fábricas no tienen que elegir entre ahorrar dinero y ser más verdes. Planificando cuándo y cuánto equipo energético in situ instalar, y usando métodos de búsqueda inteligentes para explorar miles de posibles trayectorias de despliegue, los parques industriales pueden reducir drásticamente sus facturas energéticas mientras pasan a fuentes más limpias como la solar y la cogeneración de alta eficiencia. El estudio sugiere que inversiones ponderadas y por fases pueden recortar el gasto inicial hasta en un 40%, acelerar la recuperación y reducir el riesgo, todo ello apoyando los esfuerzos globales para disminuir las emisiones.

Cita: Guo, S., Wei, H., Li, F. et al. Research on optimization methods for multi-energy expansion supply plans in industrial parks based on genetic algorithms. Sci Rep 16, 5200 (2026). https://doi.org/10.1038/s41598-026-36503-4

Palabras clave: planificación energética industrial, energías renovables en fábricas, cogeneración, optimización con algoritmo genético, sistemas multienergía