Configuración óptima de capacidad de sistemas híbridos eólico-fotovoltaicos-almacenamiento basada en un algoritmo de optimización evolutiva caótica mejorado

Mantener las luces encendidas con energía limpia

A medida que más electricidad procede de aerogeneradores y paneles solares, mantener el sistema eléctrico fiable y asequible se convierte en un ejercicio de equilibrio delicado. Dado que el viento no siempre sopla y el sol no siempre brilla, los operadores de red deben decidir cuánta capacidad de viento, solar y almacenamiento en baterías construir para que las luces permanezcan encendidas sin disparar los costes. Este estudio explora una forma más inteligente de elegir esas capacidades, usando un algoritmo de búsqueda avanzado que examina muchas configuraciones posibles para encontrar combinaciones que suministren energía limpia a un menor coste global.

Por qué es difícil equilibrar viento, sol y baterías

Diseñar un sistema híbrido que mezcle parques eólicos, campos solares y almacenamiento energético no es tan simple como sumar producciones medias. Las velocidades del viento, la irradiación solar y la demanda eléctrica fluctúan hora a hora, y los dispositivos de almacenamiento tienen límites estrictos sobre la velocidad y la profundidad de carga y descarga. Los autores construyen un modelo matemático que describe cuánto pueden producir turbinas y paneles con condiciones meteorológicas cambiantes, cómo las baterías almacenan y liberan energía y cómo todo esto debe encajar con las necesidades de hogares y empresas. Su objetivo es minimizar el coste anual total de construcción y operación del equipo, al tiempo que se satisface la demanda y se respetan las limitaciones técnicas de la red y de las baterías.

Una nueva forma de buscar la mejor combinación

Debido a que las relaciones entre viento, solar, almacenamiento y la red están fuertemente enmarañadas, los métodos de planificación tradicionales pueden pasar por alto soluciones buenas. El equipo recurre por tanto a una clase de herramientas computacionales conocidas como algoritmos metaheurísticos, que imitan procesos naturales como la evolución o los enjambres animales para explorar paisajes complejos. Partiendo de un método anterior llamado optimización evolutiva caótica, introducen una versión mejorada (ICEO) que combina tres ideas: un patrón caótico para explorar muchas direcciones a la vez, un paso de autoaprendizaje que ajusta suavemente soluciones prometedoras con «empujones» aleatorios, y saltos largos ocasionales que ayudan a escapar de elecciones locales pobres. Cuando el progreso se ralentiza, se activa una búsqueda local enfocada para pulir con detalle el diseño actual mejor.

Poniendo a prueba el algoritmo

Antes de confiar en ICEO para un sistema eléctrico real, los investigadores lo enfrentan a otros métodos de optimización bien conocidos en un conjunto de problemas de prueba estándar en el campo. Estos problemas tienen respuestas conocidas y van desde paisajes suaves en forma de cuenco hasta terrenos escarpados con muchos picos y valles falsos. En ocho pruebas de este tipo, ICEO encuentra repetidamente soluciones tan buenas o mejores que las halladas por nueve algoritmos competidores, y lo hace de forma fiable en ejecuciones sucesivas. Aunque el método emplea algo más de tiempo de cálculo que algunos rivales más simples, el esfuerzo adicional se traduce en mayor precisión y en una mayor resistencia a quedar atrapado en regiones subóptimas del espacio de búsqueda.

Diseñando un sistema híbrido real

Los autores aplican luego su método a un caso práctico en el que un parque eólico, una planta solar y un sistema de baterías deben atender una demanda local bajo patrones meteorológicos realistas. Usando perfiles diarios medidos de viento, radiación solar, temperatura y consumo, ICEO decide el tamaño de cada componente. El resultado es un diseño con cerca de 48,6 megavatios de capacidad eólica, 50 megavatios de capacidad solar y 65 megavatios-hora de almacenamiento en baterías. En la operación simulada, los paneles solares cubren gran parte de la demanda diurna, la energía excedente carga las baterías y los vientos más fuertes por la noche ayudan a atender la carga mientras permiten descansar a las baterías. Cuando la producción renovable disminuye, la energía almacenada se libera para cubrir el hueco, manteniendo siempre los límites de las baterías y las restricciones de intercambio con la red dentro de márgenes seguros.

Qué significa esto para las redes futuras

Para no especialistas, el mensaje clave es que técnicas de búsqueda sofisticadas como ICEO pueden hacer que los sistemas de energía limpia sean a la vez más baratos y más fiables. Al escoger con más cuidado cuánto viento, solar y almacenamiento instalar, los planificadores pueden reducir los costes de inversión y operación asegurando a la vez que el suministro eléctrico siga la demanda durante periodos nublados, de calma o de uso pico. Aunque las matemáticas subyacentes son complejas, el resultado es sencillo: una mejor planificación guiada por ordenador puede ayudar a integrar mayores proporciones de energía renovable en la red sin sacrificar la estabilidad o la asequibilidad.

Cita: Dong, Y., Zhou, X., Cao, X. et al. Optimal capacity configuration of wind-photovoltaic-storage hybrid systems based on improved chaotic evolution optimization algorithm. Sci Rep 16, 9990 (2026). https://doi.org/10.1038/s41598-026-40610-7

Palabras clave: planificación de energías renovables, sistemas eólico-solar-almacenamiento, almacenamiento de energía, algoritmos de optimización, fiabilidad del sistema eléctrico