Fecha
2026-04-22
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editorial
Universidad Nacional de Educación a Distancia (España). Escuela Internacional de Doctorado. Programa de Doctorado en Tecnologías Indsutriales

Citas

plumx
0 citas en WOS
0 citas en
Proyectos de investigación
Unidades organizativas
Número de la revista
Resumen
La integración de las energías renovables en los sistemas residenciales se ha consolidado como una estrategia para mitigar la dependencia de las fuentes de energía convencionales y promover la sostenibilidad energética. En este contexto, la energía solar fotovoltaica y eólica destacan por su abundancia y por los avances tecnológicos asociados que han facilitado su adopción a nivel residencial. No obstante, la variabilidad e intermitencia inherentes a estas fuentes de energía renovable plantean importantes desafíos para garantizar la estabilidad y continuidad del suministro energético del sector. Por ello, el objetivo principal es abordar el problema del dimensionamiento óptimo de la generación eólica, fotovoltaica y sistema de almacenamiento de energía basado en baterías (BESS). Para ello, se ha desarrollado una metodología de optimización y evaluación de la fiabilidad de la microrred que integra esas tecnologías de generación y almacenamiento. El proceso de optimización utiliza como datos de entrada el perfil de carga residencial, la radiación solar, la velocidad del viento, la temperatura ambiental, además de los parámetros técnicos y económicos de los módulos fotovoltaicos, aerogeneradores y baterías. El análisis del rendimiento de la microrred optimizada tiene en cuenta indicadores técnicos y económicos relevantes, como la autonomía energética, la eficiencia global, la tasa de déficit energético (TED), el coste total del sistema y métricas de fiabilidad, como la probabilidad de pérdida de carga (LOLP) y la probabilidad de pérdida de suministro de energía (LPSP). Para resolver el problema de optimización, se emplean algoritmos metaheurísticos como el algoritmo genético (GA) y el algoritmo de colonia de hormigas (ACO). El algoritmo genético busca identificar la configuración óptima mediante operadores de selección, cruce y mutación inspirados en la evolución biológica, explorando de manera eficiente el espacio de soluciones posibles. En el caso del algoritmo de colonia de hormigas simula el comportamiento colectivo y adaptativo de las hormigas para descubrir rutas óptimas mediante rastros de feromonas, lo que le permite encontrar configuraciones viables en condiciones complejas y con múltiples restricciones. Los resultados de la simulación muestran que la aplicación de algoritmos metaheurísticos permite optimizar con precisión la capacidad de los generadores fotovoltaicos, eólicos y del sistema de almacenamiento en baterías para cumplir los objetivos de maximizar la autonomía y minimizar los costes del sistema. Se observa que la configuración inicial del sistema híbrido presenta limitaciones en cuanto a la continuidad del suministro, con valores de LOLP y LSP del 22.7% y 26.6%, respectivamente, y una disponibilidad del 77%. No obstante, las configuraciones optimizadas GA y ACO aumentan la capacidad energética de generación y almacenamiento. Por ejemplo, el LOLP se reduce al 11% y el LPSP al 16.4%, y la disponibilidad del sistema aumenta al 89%. En términos de comparación, el algoritmo genético demostró un rendimiento ligeramente superior al algoritmo de colonia de hormigas en la optimización global del sistema. Por lo tanto, los resultados obtenidos confirman que, a partir de un dimensionamiento óptimo sustentado en algoritmos de optimización metaheurística y considerando el perfil real de carga residencia, es posible alcanzar niveles de autonomía superiores al 90%, así como una mayor fiabilidad y eficiencia en el suministro energético. Las configuraciones híbridas que integran energía solar, eólica y almacenamiento de energía en baterías constituyen una solución robusta y adaptable para el sector residencial, ya que maximizan el rendimiento y reducen los costes operativos mediante una gestión inteligente de los recursos energéticos disponibles.
The integration of renewable energies into residential systems has become established as a strategy for mitigating dependence on conventional energy sources and promoting energy sustainability. In this context, solar photovoltaic and wind energy stand out for their abundance and for the associated technological advances that have facilitated their adoption at the residential level. However, the variability and intermittency inherent in these renewable energy sources pose significant challenges to ensuring the stability and continuity of energy supply in this sector. Therefore, the main objective is to address the problem of optimal sizing of wind and photovoltaic generation and battery energy storage systems (BESS). To this end, a methodology has been developed for optimizing and evaluating the reliability of the microgrid that integrates these generation and storage technologies. The optimization process uses residential load profile, solar radiation, wind speed, ambient temperature, and the technical and economic parameters of photovoltaic modules, wind turbines, and batteries as input data. The analysis of the optimized microgrid’s performance considers relevant technical and economic indicators, such as energy autonomy, overall efficiency, energy deficit rate (EDR), total system cost, and reliability metrics, such as load loss probability (LOLP) and power supply loss probability (PSLP). To solve the optimization problem, metaheuristic algorithms such as the genetic algorithm (GA) and the ant colony algorithm (ACO) are used. The genetic algorithm seeks to identify the optimal configuration through selection, crossover, and mutation operators inspired by biological evolution, efficiently exploring the space of possible solutions. In the case of the ant colony algorithm, it simulates the collective and adaptive behavior of ants to discover optimal routes using pheromone trails, allowing it to find viable configurations under complex conditions and with multiple constraints. The simulation results show that the application of metaheuristic algorithms allows the capacity of photovoltaic and wind generators and the battery storage system to be accurately optimized to meet the objectives of maximizing autonomy and minimizing system costs. It is observed that the initial configuration of the hybrid system has limitations in terms of supply continuity, with LOLP and LPSP values of 22.7 % and 26.6 %, respectively, and an availability of 77 %. However, the configurations optimized using GA and ACO increase the energy generation and storage capacity. For example, the LOLP is reduced to 11 % and the LPSP to 16.4 %, and the system availability increases to 89 %. In terms of comparison, the genetic algorithm demonstrated slightly better performance than the ant colony algorithm in the overall optimization of the system. Therefore, the results obtained confirm that, based on optimal sizing supported by metaheuristic optimization algorithms and considering the actual residential load profile, it is possible to achieve autonomy levels above 90 %, as well as greater reliability and efficiency in energy supply. Hybrid configurations that integrate solar, wind, and battery energy storage are a robust and adaptable solution for the residential sector, as they maximize performance and reduce operating costs through intelligent management of available energy resources.
Descripción
Categorías UNESCO
Palabras clave
Programación no lineal, Fiabilidad de sistemas, Transmisión y distribución eléctrica, Fuentes no convencionales de energía
Citación
Zarate Pérez, Eliseo Juan (2026). Optimización del dimensionamiento y fiabilidad de microrredes residenciales mediante algoritmos metaheurísticos para la toma de decisiones. [Tesis doctoral, Universidad Nacional de Educación a Distancia (España)]
Centro
Escuela Internacional de Doctorado
Departamento
Grupo de investigación
Grupo de innovación
Programa de doctorado
Programa de doctorado en Tecnologías industriales
Cátedra
Datos de investigación relacionados
DOI
Colecciones