Planificación energética estocástica de microrredes con MPC mediante análisis probabilístico multiescenario: Gestión de incertidumbre
DOI:
https://doi.org/10.17979/ja-cea.2026.47.13635Palabras clave:
Control predictivo, Sistemas complejos, Sistemas de energía, Redes inteligentes, Operación y control óptimos de sistemas eléctricos de potenciaResumen
En este trabajo se presenta y valida un procedimiento para gestionar la incertidumbre inherente a la generación de energía renovable en microrredes equipadas con sistemas de almacenamiento de energía. El método propuesto integra un esquema de Control Predictivo Basado en Modelo Estocástico Multiescenario (MS‑SMPC) con restricciones probabilísticas. Esta metodología mejora la planificación de las microrredes bajo incertidumbre e incrementa la flexibilidad. El problema de optimización se formula y resuelve como un conjunto de subproblemas de Programación Cuadrática Mixta Entera (MIQP), considerando que se ha de mantener el mismo intercambio energético con la red en todos los escenarios considerados. Cabe destacar que no sólo se consideran criterios económicos, sino también de mejora en la operatividad del sistema. Los resultados muestran que el procedimiento mejora significativamente la fiabilidad y flexibilidad de la microrred bajo incertidumbre.
Referencias
[1] P. Pinson, C. Chevallier, and G. N. Kariniotakis, “Trading wind generation from short-term probabilistic forecasts of wind power,” IEEE Transactions on Power Systems, vol. 22. no. 3. pp. 1148–1156. 2007.
[2] H. Holttinen, “Optimal electricity market for wind power,” Energy Policy, vol. 33. no. 16. pp. 2052–2063. 2005.
[3] F. Garcia-Torres and C. Bordons “Optimal economical schedule of Hydrogen-Based microgrids with Hybrid Storage using Model Predictive Control,” IEEE Trans. Ind. Electron, vol. 62. no. 8. pp. 5195-5207. 2015.
[4] Y. Yang, Y. Ji, G. Geng, Q. Jiang, “Probabilistic revenue analysis of microgrid considering source-load and forecast uncertainties” IEEE Access, 10. 2469-2479. 2022.
[5] Y. Huang, L. Wang, W. Guo, Q. Kang, Q. Wu, “Chance constraint optimization in a home energy management system” IEEE Trans. Smart Grid, 9 (1). 252-260. 2018.
[6] P. Zhao, H. Wu, C. Gu, I. Hernando, “Optimal home energy management under hybrid photovoltaic-storage uncertainty: a distributionally robust chance-constraint approach” IET Renew. Power Gener. 13. 1911-1919. 2019.
[7] H. Wang, Z. Yan, M. Shahidehpour, X. Xu and Q. Zhou, “Quantitative evaluations of uncertainties in multivariate operation of microgrids,” IEEE Trans. Smart Grid, vol. 11. no. 4. pp. 2892-2903. 2020.
[8] A. Khodaei, S. Bahramirad and M. Shahidehpour, “Microgrid planning under uncertainty,” IEEE Trans. Pow. Syst., vol. 30. no. 5. 2417-2425. 2015.
[9] H. Qiu, H. Long, W. Gu and G. Pan, “Recourse-Cost constrained robust optimization for microgrid dispatch with correlated uncertainties,” IEEE Trans. Ind. Electr., vol. 68. no. 3. pp. 2266-2278. 2020.
[10] H. Qiu, W. Gu, Y. Xu, W. Yu, G. Pan and P. Liu, “Tri-level mixed integer optimization for two stage microgrid dispatch with uncertainties,” IEEE Trans. Pow. Syst., vol. 35. no. 5. pp. 3636-3647. 2020.
[11] H. Farzin, M. Fotuhi-Firuzabad and M. Moeini-Aghtaie, “A stochastic multi-objective framework for optimal scheduling of energy storage systems in microgrids,” IEEE Trans. Smart Grid, vol. 8. no. 1. pp. 117-127. 2017.
[12] L. Alvarado-Barrios, Á. R. del Nozal, J. B. Valerino, I. Garcia Vera and J. L. Martinez-Ramos, “Stochastic unit commitment in microgrids: Influence of the load forecasting error and the availability of energy storage”, Renew. Energy, vol. 146. pp. 2060-2069. 2020.
[13] Y. Zhang, S. Shen and J. L. Mathieu, “Distributionally robust chance constraint optimal power flow with uncertain renewables and uncertain reserves provides by load”, IEEE Trans. Power Syst., 32(2). 1378-1388. 2017.
[14] C. Bordons, F. Garcia-Torres and M.A. Ridao, Model Predictive Control of Microgrids, Cham, Switzerland: Springer, 2020.
[15] A. Parisio, E. Rikos and L. Glielmo, “Stochastic model predictive control for economic/environmental operation management of microgrids: An experimental case of study,” J. Proc. Control, 43. pp. 24-37. 2016.
[16] S.R. Cominesi, M. Farina, L. Giulioni, B. Picasso and R. Scattolini, “A two-layer stochastic model predictive control scheme for microgrids,” IEEE Trans. Control Syst. Tech., vol. 26. no. 1. pp. 1-13. 2017.
[17] N. Bazmohammadi, A. Tahsiri, A. Anvari-Moghaddam and J. M. Guerrero, “Stochastic predictive control of muti-microgrid systems,” IEEE Trans. Ind. App., vol. 55. no. 5. pp.5311-5319. 2019.
[18] P. Velarde, L. Valverde, J. Maestre, C. M. Ocampo-Martinez and C. Bordons, “On the comparison of stochastic model predictive control strategies applied to a hydrogen-based microgrid,” J. Pow. Sources, 343. 161-173. 2017.
[19] C. Lu, X. Zhang, X. Wang,Y. Han, “Mathematical expectation modeling of Wide-Area Controlled power systems with stochastic time delay,” IEEE Trans. Smart Grid, vol. 6. no. 3. pp. 1511-1519. 2015.
[20] M.I. Saleem, S. Saha, U. Izhar, L. Ang, “A stochastic MPC-Based energy management system for integrating solar PV, Battery storage and EV charging in residential complexes”, Energy & buildings 325. 2024.
[21] F. García-Torres, C. Bordons, J. Tobajas, R. Real-Calvo, I. Santiago and S. Greu, “Stochastic optimization of microgrids with hybrid energy storage systems for grid flexibility services considering energy forecast uncertainties” IEEE Trans. Power Syst., vol. 36. no. 6. pp. 5537-5547. 2021
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Víctor Girona-García, Antonio Enrique González Reina, Álvaro Sánchez-Sánchez-de-Puerta, Francisco J. Vázquez Serrano, Jorge E. Jiménez-Hornero, Félix García-Torres
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
