Un marco mejorado de gestión energética basado en tropas de gorilas artificiales para la operación óptima de multi-nanogrids conectados a la red

Electricidad más inteligente para lugares cotidianos

Mantener las luces encendidas en hogares, escuelas y pequeños comercios se está volviendo más complejo a medida que más paneles solares en tejados, pequeños aerogeneradores y baterías se conectan a la red. Este estudio explora cómo operar clústeres de estos diminutos sistemas eléctricos locales, llamados nanogrids, de forma que se preserve la fiabilidad del suministro mientras se reducen las facturas energéticas diarias. Tomando prestadas ideas del comportamiento social de las tropas de gorilas, los investigadores diseñan un nuevo “cerebro” digital que decide cuándo usar sol, viento, baterías, generadores diésel o la red principal, para que los edificios dispongan de energía asequible y de baja intensidad de carbono las 24 horas.

Pequeñas redes eléctricas que trabajan juntas

Un nanogrid es como una mini red eléctrica para un solo edificio o un pequeño recinto, normalmente de no más de 100 kilovatios. Puede incluir paneles solares en tejados, pequeños aerogeneradores, baterías y un generador de respaldo diésel, todos conectados a un bus de corriente continua (CC). Varias nanogrids pueden vincularse en un clúster multi-nanogrid, compartiendo excedentes entre sí y con la red eléctrica mayor. En el sistema estudiado aquí, cuatro nanogrids —algunas basadas en solar, otras en eólica— están conectadas mediante líneas CC entre sí y mediante una línea CA a la red principal. Cada una tiene sus propios dispositivos locales pero está coordinada por un sistema central de gestión energética que equilibra continuamente oferta y demanda.

Planificar con antelación y ajustar en tiempo real

El núcleo del trabajo es un sistema de gestión energética mejorado que opera en dos escalas temporales. Primero, un planificador día-a-día usa previsiones de radiación solar, viento, precios eléctricos y demanda de los edificios para trazar un calendario óptimo de 24 horas. Decide cuándo desplazar electrodomésticos flexibles, como calentadores de agua o lavadoras, a horas más baratas, cuándo cargar o descargar baterías, la intensidad de funcionamiento de los generadores diésel y cuándo comprar o vender energía a la red. Segundo, un controlador en tiempo real verifica lo que realmente está sucediendo —qué tan brillante está el sol, la velocidad del viento, cuánto cobra la red y cuánta electricidad consumen las personas—. Cuando la realidad se desvía de la previsión, ajusta fino los flujos energéticos cada hora para mantener bajos los costes respetando límites técnicos como el estado de carga de las baterías y los rangos de potencia del generador.

Resolución de problemas digital inspirada en los gorilas

Elegir la mejor combinación de acciones para decenas de dispositivos durante 24 horas es un problema de optimización difícil, con muchas restricciones e incertidumbres. En lugar de confiar en fórmulas matemáticas rígidas que pueden quedar atrapadas en soluciones subóptimas, los autores recurren a una clase más reciente de métodos de búsqueda llamada Optimizador de Tropas de Gorilas Artificiales (AGTO). AGTO imita cómo una tropa de gorilas explora su entorno y luego se concentra alrededor del líder más fuerte, el “espalda plateada”. En esta analogía, cada gorila virtual representa un posible calendario energético. Durante la fase de exploración, la tropa se dispersa para muestrear patrones operativos muy diferentes, como deambular hacia áreas de alimentación desconocidas. En la fase de explotación, los candidatos se acercan a las mejores soluciones conocidas, parecido a seguir al espalda plateada o competir para refinar la posición del grupo. Este proceso se repite varias veces hasta que el algoritmo converge en un plan de operación de bajo coste.

Facturas más bajas mediante desplazamiento y compartición de carga

Los investigadores ponen a prueba su marco con datos realistas de una ciudad costera egipcia, usando perfiles horarios de temperatura, intensidad solar, velocidad del viento y precios de la red. Comparan AGTO con varias herramientas de optimización establecidas, incluida la optimización por enjambre de partículas y otros métodos inspirados en animales. Tanto en nanogrids individuales como en clústeres de cuatro nanogrids, el planificador basado en gorilas encuentra sistemáticamente horarios más baratos. Desplazar cargas flexibles fuera de picos caros nocturnos hacia periodos de menor coste reduce los gastos de operación en aproximadamente un 7 por ciento por sí solo, además de suavizar la curva de demanda. Cuando se permite que los nanogrids cooperen y compartan energía, el coste energético diario total cae alrededor de un 8 por ciento respecto a la operación aislada. En conjunto, AGTO ofrece aproximadamente entre un 15 y un 16 por ciento de ahorro en costes en comparación con algoritmos competidores cuando se aplican planificación día-a-día y gestión de carga.

Energía resiliente en un mundo cambiante

Para los usuarios comunes, la conclusión es que la coordinación inteligente de la energía limpia y el almacenamiento locales puede reducir discretamente las facturas eléctricas y la dependencia de los combustibles fósiles sin sacrificar confort ni fiabilidad. Al combinar planificación día-a-día, ajuste en tiempo real y una estrategia de búsqueda eficiente inspirada en el comportamiento social de los gorilas, el sistema propuesto mantiene los clústeres multi-nanogrid en equilibrio incluso cuando el tiempo, los precios y la demanda no siguen el guion. El estudio sugiere que, a medida que más edificios adopten renovables en tejados y baterías, este tipo de gestión energética inteligente podría desempeñar un papel clave para que las redes eléctricas a escala de barrio sean tanto económicas como resilientes.

Cita: Elsayed, W.T., Abdulnabi, A., Ali, A.A. et al. An enhanced energy management framework based on artificial gorilla troops for optimal operation of grid-connected multi-nanogrids. Sci Rep 16, 12741 (2026). https://doi.org/10.1038/s41598-026-45884-5

Palabras clave: nanogrids, gestión energética, energía renovable, algoritmos de optimización, gestión de la demanda