Modelado LO con error minimizado de microredes aisladas con vehículos eléctricos usando expansión en series de Taylor-Laurent y optimización basada en BBO bajo restricciones de estabilidad y estado estacionario

Mantener las luces encendidas en lugares remotos

Las comunidades remotas y las islas dependen cada vez más de pequeñas redes eléctricas autónomas conocidas como microredes aisladas. Estos sistemas gestionan electricidad procedente de paneles solares, aerogeneradores, generadores de biocombustible, baterías e incluso coches eléctricos aparcados que actúan como baterías móviles. Gestionar todo esto en tiempo real es un acto de equilibrio complejo: la energía debe permanecer estable y constante aunque la radiación solar, el viento y las necesidades de carga cambien continuamente. El artículo resumido aquí presenta una forma de simplificar de manera drástica cómo los ingenieros modelan estas microredes, facilitando su diseño y control sin sacrificar la fiabilidad.

Por qué importan las pequeñas redes eléctricas

Las microredes aisladas prometen energía limpia y fiable en lugares alejados de las líneas convencionales o donde la red principal es débil. Combinan muchos dispositivos distintos: paneles fotovoltaicos, aerogeneradores, generadores diésel y de biogás, microturbinas, almacenamiento por baterías y vehículos eléctricos que pueden tanto consumir como inyectar energía al sistema. Juntos, estos elementos crean una red flexible pero compleja cuyo comportamiento se describe matemáticamente mediante un modelo de “alto orden” con muchos componentes dinámicos. Tales modelos detallados son precisos pero pueden ser lentos de simular y difíciles de usar al diseñar controladores que mantengan la tensión y la frecuencia dentro de límites seguros.

Convertir un sistema complicado en uno simple

Los autores abordan este problema reduciendo una descripción matemática de séptimo orden de una microred aislada integrada con vehículos eléctricos a un modelo mucho más sencillo de segundo orden. En términos cotidianos, comprimen una receta larga y detallada en una versión breve que mantiene el mismo resultado. Su idea clave es observar el sistema desde dos puntos de vista complementarios. Uno se centra en lo que ocurre de forma lenta en el tiempo, como cómo el sistema se asienta tras una perturbación; el otro se concentra en cambios rápidos y agudos, como oscilaciones breves de potencia o tensión. Matemáticamente, estas dos perspectivas se capturan usando las series de Taylor y Laurent, que expanden el comportamiento del sistema alrededor de frecuencias bajas y altas, respectivamente.

Dejar que un oso virtual busque la mejor coincidencia

Para lograr que el modelo simplificado imite al original lo más fielmente posible, los autores transforman la tarea en un problema de optimización: definen una medida de “aptitud” que cuantifica la discrepancia entre los modelos complejo y simplificado desde las perspectivas lenta y rápida. Esta medida combina tres términos de error separados derivados de las expansiones de Taylor y Laurent. A continuación dejan que un ordenador busque el mejor conjunto de parámetros para el modelo simple empleando un método inspirado en la naturaleza llamado algoritmo de Optimización del Oso Pardo (Brown Bear Optimization). Este algoritmo, modelado de forma aproximada en cómo los osos pardos marcan y olfatean rastros, explora muchas combinaciones de parámetros y se aproxima gradualmente a las que minimizan el error.

Estabilidad y precisión como reglas innegociables

Mientras se ejecuta la optimización, debe cumplir dos reglas estrictas. Primero, el modelo simplificado debe tener error cero en estado estacionario, lo que significa que tras cualquier perturbación se asienta exactamente en el mismo valor final que el sistema original. Segundo, debe satisfacer un requisito clásico de estabilidad conocido como criterio de Hurwitz, que garantiza que el modelo no derive ni oscile de forma incontrolada. Bajo estas restricciones, el algoritmo de Optimización del Oso Pardo produce un modelo de segundo orden que reproduce el comportamiento clave de la microred original tanto en los dominios temporal como frecuencial. Cuando los autores comparan su modelo con otros obtenidos por técnicas de reducción más tradicionales, su enfoque ofrece de forma consistente errores menores en medidas de rendimiento estándar y mejor coincidencia en las respuestas escalón, impulso y en frecuencia.

Qué significa esto para las microredes futuras

Para no especialistas, la conclusión es que los autores han diseñado un sustituto matemático muy compacto para una microred aislada muy compleja que incluye vehículos eléctricos. Este modelo reducido es lo bastante preciso para reproducir las dinámicas más importantes del sistema original, pero lo bastante simple para acelerar las simulaciones y hacer más práctico el diseño de controladores. A largo plazo, herramientas como esta pueden ayudar a los ingenieros a diseñar microredes más limpias y fiables para comunidades remotas e instalaciones críticas, permitiendo un mejor aprovechamiento de la energía renovable y de los vehículos eléctricos sin comprometer la estabilidad ni la calidad de la energía.

Cita: Chaudhary, R., Singh, V.P., Mathur, A. et al. Error minimized LO modeling of electric vehicle integrated off-grid microgrids using Taylor-Laurent series expansion and BBO based optimization under stability and steady state constraints. Sci Rep 16, 13561 (2026). https://doi.org/10.1038/s41598-026-43306-0

Palabras clave: microred aislada, vehículos eléctricos, reducción de modelos, energía renovable, algoritmo de optimización