Tamaño y ubicación multiobjetivo de generación distribuida en redes de distribución mediante un híbrido optimizador de tropas de gorilas-algoritmo genético: un estudio de caso real

Electricidad local más inteligente para una fiabilidad cotidiana

Cuando enciendes una luz, esperas un suministro instantáneo y estable, pero garantizar esa fiabilidad es cada vez más difícil a medida que crece la demanda eléctrica y se conectan más fuentes renovables a la red. Una idea prometedora es distribuir pequeñas unidades de generación, llamadas generadores distribuidos, por las redes locales en lugar de depender únicamente de grandes centrales lejanas. Este estudio muestra cómo un nuevo método informático de planificación puede decidir dónde colocar estas unidades pequeñas y qué tamaño deben tener para que la red desperdicie menos energía, mantenga tensiones estables y ahorre una cantidad considerable de dinero cada año.

Por qué importan los generadores locales

Los sistemas eléctricos tradicionales trasladan la electricidad largas distancias desde grandes centrales hasta hogares e industrias. En el trayecto, parte de esa energía se pierde en forma de calor en las líneas, y la tensión puede caer en barrios lejanos, especialmente cuando aumenta la demanda. Instalar generadores distribuidos —como pequeñas unidades a gas o renovables como solar y eólica— directamente en las redes locales puede aliviar líneas sobrecargadas, reducir pérdidas y mejorar la calidad de la tensión. Pero ubicar estas unidades no es tan simple como llenar huecos: cada ubicación y cada tamaño posible afectan al resto de la red, y las decisiones deben respetar límites de ingeniería estrictos. La tarea de planificación se convierte en un rompecabezas enrevesado que mezcla decisiones binarias (dónde instalar) con decisiones continuas (qué potencia asignar), todo ello gestionando varios objetivos a la vez.

Una “expedición” digital híbrida

Para afrontar este rompecabezas, los autores diseñaron un método de búsqueda híbrido que combina dos familias bien conocidas de herramientas de optimización. Una parte es un algoritmo genético, inspirado en la evolución, que maneja las decisiones de tipo sí/no y discretas —por ejemplo, qué nodos de la red deben albergar nuevos generadores. La otra parte es el optimizador de tropas de gorilas, un método tipo enjambre modelado en el movimiento grupal y el liderazgo de las manadas de gorilas, que destaca explorando intervalos continuos de valores —por ejemplo, la potencia exacta de cada generador. En cada ciclo, los dos componentes proponen planes candidatos, se combinan en configuraciones completas de la red y se evalúa su desempeño. Se conservan y refinan los planes que reducen pérdidas y mejoran la tensión, mientras que los más débiles se descartan. Al permitir que cada método se concentre en lo que mejor hace, el enfoque híbrido puede explorar un espacio de decisiones muy complicado de forma más eficiente y evitar quedar atrapado en soluciones pobres.

Pruebas en redes eléctricas realistas

Los investigadores verificaron primero su herramienta híbrida con 23 funciones de prueba matemáticas estándar que se usan comúnmente para evaluar cómo exploran los métodos de optimización paisajes complejos. El híbrido encontró sistemáticamente soluciones muy buenas y convergió más rápido que varias técnicas establecidas, incluidos algoritmos genéticos clásicos y otros enfoques basados en enjambres. Luego aplicaron el método a dos redes de distribución eléctrica: un sistema de referencia ampliamente utilizado con 33 puntos de conexión y una red real mucho mayor simplificada a 143 puntos. En ambos casos, la herramienta exploró diferentes condiciones de operación para los generadores distribuidos y examinó objetivos individuales (solo reducción de pérdidas o solo mejora de tensión) y objetivos combinados (equilibrando ambos a la vez). El método no solo halló ubicaciones que redujeron drásticamente las pérdidas y estabilizaron las tensiones, sino que también trazó curvas de compromiso que muestran cuánto de un beneficio hay que sacrificar para obtener más del otro.

Grandes reducciones de desperdicio y coste

Los beneficios reportados son notables. En el sistema de prueba de 33 puntos, las mejores soluciones redujeron las pérdidas de energía hasta en un 94 % aproximadamente y mejoraron la calidad de la tensión en casi un 100 % en comparación con la red original sin generadores añadidos. En términos financieros prácticos, las pérdidas económicas anuales en ese sistema cayeron de unos 92.000 dólares a cerca de 14.000 dólares —un ahorro de más de 78.000 dólares al año. En la red real más grande de 143 barras, las pérdidas se redujeron casi un 94 % y los problemas de tensión se recortaron prácticamente un 100 %, transformando una pérdida anual de alrededor de 178.000 dólares en poco más de 32.000 dólares, con ahorros superiores a 145.000 dólares. El análisis también reveló qué partes específicas de las redes eran más sensibles, ofreciendo a los planificadores objetivos concretos para actuaciones.

Qué significa esto para la red del futuro

Para el público general, el mensaje clave es que herramientas de planificación más inteligentes pueden desbloquear mucho más valor de las fuentes de energía local que ya son comunes, como la fotovoltaica en tejados, baterías comunitarias y pequeños generadores. En lugar de colocar estas unidades por ensayo y error o siguiendo reglas simples, el enfoque híbrido descrito aquí busca entre innumerables posibilidades para encontrar configuraciones que desperdicien mucha menos energía, estabilicen las tensiones y reduzcan significativamente los costes operativos. A medida que las redes eléctricas integren más renovables y atiendan una demanda creciente, una planificación inteligente y automatizada como esta podría ayudar a que las redes locales sean más eficientes, más fiables y más preparadas para un futuro energético más limpio.

Cita: Gacem, A., Romdhane, M., Kechida, R. et al. Multi-objective sizing and location of DG in distribution network by hybrid gorilla troops optimization-genetic algorithm: a real case study. Sci Rep 16, 11334 (2026). https://doi.org/10.1038/s41598-026-41868-7

Palabras clave: generación distribuida, redes de distribución eléctrica, algoritmos de optimización, estabilidad de voltaje, reducción de pérdidas de energía