- Díaz-Bello, Dácil|||0000-0001-8416-9601
[ES] Las microrredes (MGs) son sistemas energéticos locales capaces de funcionar en isla y conectados a la red. Su capacidad para integrar generación, almacenamiento y gestión de la energía beneficia su implantación y progreso. Sin embargo, la integración a gran escala de energías renovables introduce retos como la intermitencia, la previsión limitada y las capacidades de almacenamiento. Estos factores afectan al equilibrio entre la oferta y la demanda de energía, requiriendo estrategias avanzadas de control y gestión para garantizar la calidad y continuidad del suministro eléctrico.
El objetivo de la investigación es diseñar, desarrollar y validar una metodología de gestión óptima de la energía para MGs híbridas renovables, con el fin de reducir los costes netos de intercambio de energía con la red principal, maximizar el uso de la energía renovable y mejorar el rendimiento general del sistema. Por lo tanto, el enfoque propuesto aborda el control eficiente de la energía desde diferentes perspectivas. A nivel de gestión energética, se emplean Algoritmos Genéticos (GAs) para optimizar las transacciones de energía entre la MG y la red eléctrica, aprovechando la adaptabilidad de las técnicas bioinspiradas en condiciones dinámicas de mercado y de operación. Además, se utilizan Redes Neuronales Artificiales (ANNs) para anticipar el comportamiento del sistema y obtener predicciones precisas, mejorando la capacidad de respuesta de la optimización. A nivel de rendimiento del sistema Fotovoltaico (PV), se aplican la Optimización por Enjambre de Partículas (PSO) y el Optimizador de Lobo Gris (GWO) mediante estrategias de metaoptimización para mejorar el ajuste de los hiperparámetros del modelo de control, mejorando el rendimiento. Además, las principales herramientas empleadas durante la tesis doctoral han sido el software MATLAB y el Laboratorio de Recursos Energéticos Distribuidos (LabDER).
Los resultados muestran que la estrategia propuesta cumple los objetivos establecidos. El autoconsumo varía entre el 46% y el 99%, con reducciones de costes asociados con la red de entre el 14% y el 70%. En términos horarios, se observaron reducciones de costes del 44% y 59% bajo diferentes escenarios de variabilidad meteorológica, disponibilidad de energía, curvas de consumo y tarifas, así como diferentes circunstancias externas que afectan a la toma de decisiones operativas de la MG. Además, en lo que respecta al nivel del rendimiento del sistema PV, el mecanismo de seguimiento de energía implementado mostró una mejora del 21,62% en comparación con los métodos clásicos de Seguimiento del Punto de Máxima Potencia (MPPT). Por otra parte, en cuanto a la predicción de variables en las MGs, el mejor modelo predictivo para generación PV alcanzó un Error Cuadrático Medio (RMSE) de 24.17 W y un coeficiente de correlación de hasta 0.9985, mostrando un fuerte desempeño frente a variaciones de irradiancia.
Considerando lo expuesto, la integración de algoritmos bioinspirados y técnicas de Inteligencia Artificial (AI) predictiva proporcionan un marco eficaz para la gestión inteligente de las MGs renovables híbridas. Los resultados de las diferentes etapas de esta investigación se reflejan en cinco publicaciones científicas diferentes que se detallan en el Capítulo 2 de este documento, donde se explica la metodología y los principales resultados y conclusiones de cada una de ellas., [CA] Les microxarxes (MGs) són sistemes energètics locals capaços de funcionar en illa i connectats a la xarxa. La seua capacitat per a integrar la generació, l'emmagatzematge i la gestió de l'energia impulsa la seua implantació i progrés. No obstant això, la integració a gran escala d'energies renovables introduïx reptes com la intermitència, la previsió limitada i les capacitats d'emmagatzematge. Estos factors afecten l'equilibri entre l'oferta i la demanda d'energia, requerint estratègies avançades de control i gestió per a garantir la qualitat i continuïtat del subministrament elèctric.
L'objectiu d'esta investigació és dissenyar, desenrotllar i validar una metodologia de gestió òptima de l'energia per a MGs híbrides renovables, per a reduir els costos nets d'intercanvi d'energia amb la xarxa principal, maximitzar l'ús de l'energia renovable i millorar el rendiment general del sistema. Per tant, l'enfocament proposat aborda el control eficient de l'energia des de diferents perspectives. A nivell de gestió energètica, s'empren Algorismes Genètics (GAs) per a optimitzar les transaccions d'energia entre la MG i la xarxa elèctrica, aprofitant l'adaptabilitat de les tècniques bioinspirades en condicions dinàmiques de mercat i d'operació. A més, s'utilitzen Xarxes Neuronals Artificials (ANNs) per a anticipar el comportament del sistema i obtindre prediccions precises, millorant la capacitat de resposta de l'optimització. A nivell del rendiment del sistema Fotovoltaic (PV), s'apliquen Optimització per Eixam de Partícules (PSO) i Optimizador de Llop Gris (GWO) mitjançant estratègies de metaoptimizació per a millorar l'ajust dels hiperparàmetres del model de control, millorant el rendiment. A més, les principals ferramentes emprades han sigut el programari MATLAB i el Laboratori de Recursos Energètics Distribuïts (LabDER).
Els resultats mostren que l'estratègia proposada complix els objectius establits. L'autoconsum varia entre el 46% i el 99%, amb reduccions de costos associats amb la xarxa d'entre el 14% i el 70%. En termes horaris, es van observar reduccions de costos del 44% i 59% sota diferents escenaris de variabilitat meteorològica, disponibilitat d'energia, corbes de consum i tarifes, així com diferents circumstàncies externes que afecten la presa de decisions operatives de la MG. A més, pel que fa al nivell del rendiment del sistema PV, el mecanisme de seguiment d'energia implementat va mostrar una millora del 21,62% en comparació amb els mètodes clàssics de Seguiment del Punt de Màxima Potència (MPPT). D'altra banda, quant a la predicció de variables en les MGs, el millor model predictiu per a generació PV va aconseguir un Error Quadràtic Mitjà (RMSE) de 24.17 W i un coeficient de correlació de fins a 0.9985, mostrant un fort acompliment enfront de variacions d'irradiància.
Considerant l'exposat, la integració d'algorismes bioinspirats i tècniques d'Intel·ligència Artificial (AI) predictiva proporcionen un marc eficaç per a la gestió intel·ligent de les MGs renovables híbrides. Els resultats de les diferents etapes d'esta investigació es reflectixen en cinc publicacions científiques diferents que es detallen en el Capítol 2 d'este document, on s'explica la metodologia i els principals resultats i conclusions de cada una d'elles., [EN] Microgrids (MGs) are local energy systems capable of operating islanded and grid-connected. Their ability to integrate energy generation, storage, and management boost their implementation and progress. However, the large-scale integration of renewable energies introduces challenges such as intermittency, limited predictability, and constrained storage capacities. These factors affect the balance between energy supply and demand, requiring advanced control and management strategies to guarantee the quality and continuity of electricity supply.
This research aims to design, develop, and validate an optimal energy management methodology for hybrid renewable MGs, to reduce net energy exchange costs with the main grid, maximize renewable energy usage, and improve overall system performance. Thus, the proposed approach addresses efficient energy control from different perspectives. At the MG energy management level, Genetic Algorithms (GAs) are employed to optimize energy transactions between the MG and the main grid, leveraging the adaptability of bio-inspired techniques in dynamic market and operating conditions. Additionally, Artificial Neural Networks (ANNs) are used to anticipate system behavior and provide accurate forecasting, enhancing the response capacity of the optimization. At the Photovoltaic (PV) system performance level, Particle Swarm Optimization (PSO) and Grey Wolf Optimizer (GWO) are applied through meta-optimization strategies to improve the tuning of control model hyperparameters, thereby improving the performance and adaptability of energy control. Moreover, the main tools employed through the doctoral thesis have been MATLAB software, besides validation in the Laboratory of Distributed Energy Resources (LabDER).
Results show that the proposed strategy meets the established objectives. Self-consumption ranges from 46% to 99%, avoiding sending surplus to the grid, with cost reductions associated with the grid between 14% and 70%. On an hourly basis, 44% and 59% cost reductions were observed under different scenarios involving weather variability, energy availability, consumption curves and tariffs, and other external circumstances that affect the MG's operational decision-making. Additionally, regarding PV system performance level, the energy tracking mechanism implemented showed a 21.62% improvement compared to classical Maximum Power Point Tracking (MPPT) methods. Moreover, regarding predicting variables in MGs, the best predictive model for PV generation achieved a Root Mean Square Error (RMSE) of 24.17 W and a correlation coefficient up to 0.9985, showing strong performance against irradiance variations.
Therefore, integrating bio-inspired algorithms and predictive Artificial Intelligence (AI) provides an effective framework for the intelligent management of hybrid renewable MGs. The results of the stages of this research are presented in five different scientific publications detailed in Chapter 2 of this document, where the methodology, main results, and conclusions of each are explained., This work was supported by the project “Modelado, experimentación y desarrollo de sistemas de gestión óptima para microrredes híbridas renovables” (Generalitat Valenciana, Conselleria de Educación, Universidades y Empleo) and by the PURPOSED project (PID2021-128822OB-I00), funded by the Spanish State Research Agency (AEI). D.D.B. acknowledges support from the Spanish Ministry of Universities under grant FPU21/00677. The research was carried out at the Institute of Energy Engineering, Universitat Politècnica de València (Spain), in collaboration with the Department of Water and Energy Studies and the academic group for Renewable Energies, Engineering, and Sustainability at the University of Guadalajara (Mexico).
We gratefully thank the organizers, chairs, committee members, and reviewers of the 18th Conference on Sustainable Development of Energy, Water, and Environment Systems (SDEWES).