Un nuevo control inteligente usando optimización RBFNN-class topper para la mejora de la estabilidad en microredes híbridas aisladas

Mantener las luces encendidas en lugares remotos

Muchas aldeas remotas, islas y comunidades fuera de la red están empezando a abastecerse con una mezcla de paneles solares, pequeños aerogeneradores y baterías. Pero mantener la energía estable cuando pasan nubes o cae el viento es más difícil de lo que parece. Este artículo presenta un nuevo método de control “inteligente” que ayuda a estas pequeñas redes eléctricas, llamadas microredes aisladas, a suministrar electricidad de forma fluida y fiable, con menos parpadeos, menos ruido eléctrico y un mejor aprovechamiento de la energía limpia.

Cómo funciona una pequeña red eléctrica

El estudio analiza un sistema compacto que combina tres elementos clave: un conjunto solar, un aerogenerador y un gran banco de baterías, todos conectados a una línea común de corriente continua (CC). Desde esta columna vertebral compartida, un dispositivo electrónico llamado inversor genera la corriente alterna (CA) trifásica que utilizan los hogares y los equipos. La energía solar y eólica es por naturaleza inestable: el sol y el viento suben y bajan rápidamente, por lo que la batería interviene para almacenar el exceso o cubrir los vacíos. Todo el sistema debe gestionar constantemente estos flujos para que la línea CC se mantenga cerca de su voltaje objetivo y la CA suministrada a la carga permanezca limpia y estable.

Por qué el control tradicional se queda corto

Los controladores convencionales en este tipo de sistemas usan ajustes fijos sintonizados a mano. Pueden funcionar bien alrededor de un punto de operación, pero tienen dificultades cuando las condiciones cambian rápidamente: un salto repentino en la demanda, nubes que cruzan el cielo o rachas de viento. Estos métodos a menudo permiten oscilaciones de voltaje apreciables y generan formas de onda de corriente distorsionadas que pueden estresar los dispositivos y desperdiciar energía. Enfoques más avanzados basados en lógica difusa o modelos predictivos complejos pueden adaptarse mejor, pero suelen requerir una gran carga computacional y conjuntos de reglas intrincados, lo que los hace difíciles de ejecutar en tiempo real en hardware asequible.

Un enfoque de control inteligente en dos capas

Los autores proponen un esquema de control en dos capas que combina una red neuronal de actuación rápida con un optimizador supervisor más lento. La capa inferior emplea una red neuronal de funciones de base radial, un tipo de modelo de aprendizaje automático que sobresale en el manejo de comportamientos no lineales. Vigila cuánto se desvían el voltaje de CC y las corrientes del inversor de sus valores deseados, y ajusta rápidamente las órdenes de los convertidores e inversores para corregir esos errores. Sobre esta capa, un “Algoritmo de Optimización Class Topper” actúa como entrenador. Inspirado en la forma en que los estudiantes aprenden del mejor de la clase, revisa periódicamente el rendimiento del sistema—observando las desviaciones de voltaje y la sinusoidalidad de la corriente—y ajusta suavemente ganancias de control y tasas de aprendizaje dentro de límites seguros. Esta separación entre aprendizaje rápido y optimización más lenta mantiene el sistema sensible sin volverse inestable.

Poniendo a prueba el controlador inteligente

Para evaluar el rendimiento del nuevo método, los investigadores simularon una microred con un conjunto solar de 10 kilovatios, un aerogenerador de 20 kilovatios y una batería de 60 kilovatios‑hora. La sometieron a cambios bruscos en la radiación solar, la velocidad del viento y la carga, incluyendo variaciones en escalón de baja a plena demanda y cargas no lineales que normalmente introducen mucho ruido eléctrico. En comparación con un controlador proporcional–integral estándar y un controlador neuronal más básico, el nuevo esquema mantuvo el voltaje de CC mucho más cercano a su consigna, se recuperó de las perturbaciones aproximadamente el doble de rápido y redujo las ondulaciones no deseadas. La corriente eléctrica suministrada a la carga se volvió casi perfectamente suave, con la distorsión armónica muy por debajo de los límites de calidad de energía ampliamente usados por IEEE.

Por qué esto importa para las microredes del futuro

Para no especialistas, la conclusión principal es que este marco de control inteligente ayuda a que los pequeños sistemas de energía basados en renovables se comporten más como una red convencional robusta: las luces se mantienen estables, los motores funcionan suavemente y la electrónica sensible está mejor protegida, incluso cuando cambian rápidamente el clima y la demanda. Debido a que el método es computacionalmente ligero y modular, puede implementarse en controladores digitales prácticos y ampliarse a microredes mayores o multiárea sin tener que reentrenar desde cero. En síntesis, el trabajo muestra un camino prometedor hacia sistemas de energía local más fiables y limpios que pueden llevar electricidad de alta calidad a lugares alejados de las redes tradicionales.

Cita: Myla, A., Gorantla, S. A novel intelligent control using RBFNN-class topper optimization for stability enhancement in hybrid standalone microgrid. Sci Rep 16, 14008 (2026). https://doi.org/10.1038/s41598-026-44798-6

Palabras clave: microred, control de energías renovables, controlador por red neuronal, almacenamiento de energía en baterías, calidad de la energía