Control basado en redes neuronales RBF inteligentes para la estabilidad dinámica y el control de potencia en microrredes con renovables

Por qué importa una gestión local de energía más inteligente

A medida que hogares, campus y pequeñas comunidades instalan más paneles solares en tejados y aerogeneradores, mantener las luces encendidas se vuelve sorprendentemente complicado. La radiación solar y el viento cambian minuto a minuto, lo que hace que los sistemas de energía locales, o microrredes, sean vulnerables a parpadeos, caídas de tensión y desperdicio de energía limpia. Este artículo explora un enfoque de control inteligente que combina electrónica avanzada y una red neuronal de aprendizaje rápido para mantener una microrred con alta penetración de renovables estable, eficiente y lista para operar en el mundo real.

Mantener en equilibrio una pequeña red

Una microrred es como un sistema eléctrico de tamaño vecinal que puede combinar paneles solares, aerogeneradores, baterías y una conexión a la red eléctrica mayor. El reto es que cada elemento se comporta de forma distinta: los paneles solares generan corriente continua (CC), la red usa corriente alterna (CA) y los aerogeneradores varían su salida según cambie la brisa. Los autores diseñan una microrred en la que la energía solar, la eólica y una batería alimentan un “bus” común en CC que luego suministra la red local. Para mantener este pequeño sistema en equilibrio, se centran en dos objetivos que importan a los usuarios cotidianos: tensión y frecuencia estables (para que los electrodomésticos funcionen correctamente) y alta eficiencia (para que poca de la valiosa energía renovable se pierda como calor en la electrónica).

Cerebros más inteligentes para la energía renovable

En el corazón del sistema hay un controlador inteligente construido a partir de una Red Neuronal de Base Radial (RBFNN). En términos sencillos, es un “cerebro” de aprendizaje automático que puede aprender rápidamente cómo se comporta la microrred bajo diferentes condiciones y ajustar los parámetros de control en tiempo real. Recopila mediciones como tensión, corriente y potencia en toda la microrred, las analiza y envía comandos optimizados a controladores locales que accionan la electrónica conectada a los paneles solares, el aerogenerador, la batería y la interfaz con la red. Debido a que la RBFNN aprende con rapidez y puede adaptarse sobre la marcha, maneja mejor los cambios bruscos en la radiación solar, el viento o la demanda eléctrica que los controladores tradicionales, que a menudo requieren un retuning manual que consume tiempo.

Impulsar la energía solar y domar las fluctuaciones

Los paneles solares producen naturalmente tensiones relativamente bajas que deben aumentarse antes de poder alimentar la microrred. Los autores introducen un dispositivo de electrónica de potencia especializado, denominado convertidor Z-source integrado con inductor acoplado elevador (Z-SCIB), que puede elevar la salida solar a un nivel mucho más alto y útil manteniendo bajas las tensiones sobre sus componentes internos. Este convertidor es gobernado por un controlador clásico proporcional–integral (PI) cuya sintonización se optimiza automáticamente mediante un método de búsqueda bioinspirado modelado en la migración de gansos, llamado Grey Lag Goose Optimization (GGO). Juntos, el convertidor Z-SCIB y el controlador PI afinado por GGO establecen rápidamente la tensión solar en su valor objetivo, logrando una eficiencia de alrededor del 97%, lo que significa que se desperdicia muy poca energía solar en el proceso de conversión.

Viento, baterías y calidad de energía limpia

La energía eólica entra en la microrred a través de un generador de inducción de doble alimentación, un tipo de generador eólico que puede ajustar tanto la potencia activa entregada como la potencia reactiva que ayuda a sostener la tensión de la red. Su salida se convierte a CC y se regula de forma estricta antes de incorporarse al bus común. Un convertidor bidireccional conecta una batería al mismo bus, permitiendo que la batería absorba el exceso de energía cuando hay abundancia de sol y viento y la libere cuando la demanda sube o la producción renovable cae. Controladores PI adicionales mantienen la corriente de carga de la batería segura y sincronizan el inversor hacia la red con la red principal. Las simulaciones muestran que incluso cuando la temperatura, la radiación solar, la velocidad del viento y la carga fluctúan, el sistema mantiene la tensión y la corriente de la red estables y mantiene muy baja la distorsión eléctrica (armónicos nocivos).

Qué significa para el uso cotidiano de la energía

El estudio concluye que combinar un convertidor elevador solar eficiente, un generador eólico flexible, una gestión inteligente de la batería y un controlador supervisor basado en RBFNN puede hacer que las microrredes con alta presencia de renovables sean tanto estables como altamente eficientes. En la práctica, esto se traduce en menos parpadeos, mejor aprovechamiento de la energía limpia y mayor fiabilidad para lugares que dependen de generación local, desde aldeas remotas hasta campus urbanos. Aunque el enfoque sigue dependiendo de buenos datos de entrenamiento para la red neuronal y añade cierta complejidad computacional, muestra un camino claro hacia microrredes que pueden adaptarse automáticamente al comportamiento caótico del clima y la demanda energética reales, acercando la energía limpia y fiable a la vida cotidiana.

Cita: Chiluka, V., Sekhar, G.G.R., Reddy, C.R. et al. Intelligent RBF neural network-based control for dynamic stability and power control in renewable-integrated microgrids. Sci Rep 16, 6250 (2026). https://doi.org/10.1038/s41598-026-36641-9

Palabras clave: control de microrred, energía renovable, energía solar y eólica, almacenamiento en baterías, controlador por red neuronal