Aprendizaje por refuerzo para reparto de energía comunitaria: análisis coste-equidad
DOI:
https://doi.org/10.17979/ja-cea.2026.47.13697Palabras clave:
Comunidades energéticas, Reparto fotovoltaico, Aprendizaje por refuerzo, Control predictivo, Autoconsumo colectivoResumen
Este trabajo propone una estrategia de aprendizaje por refuerzo para repartir energía fotovoltaica (FV) en comunidades energéticas con autoconsumo colectivo. Como caso de estudio se considera una comunidad de tres miembros con consumos y derechos de participación desiguales. La propuesta emplea optimización proximal de políticas (Proximal Policy Optimization, PPO) y se compara con reparto estático, un controlador basado en reglas (RBC) y control predictivo basado en modelo (MPC). Todas las estrategias deciden los mismos coeficientes de reparto y mantienen fija la capa de control local. La evaluación considera el coste medio y la equidad del cumplimiento acumulado de derechos FV. PPO y MPC comparten una ventana predictiva de 8 h, mientras que RBC no emplea predicción. Las simulaciones muestran que RBC obtiene el menor coste admisible medio, MPC la mayor equidad dinámica y PPO un compromiso entre ambas. Los resultados evidencian el potencial del aprendizaje por refuerzo para el reparto de energía en comunidades energéticas.Referencias
Ahmed, S., Ali, A., D’Angola, A., 2024. A review of renewable energy communities: Concepts, scope, progress, challenges, and recommendations. Sustainability 16 (5), 1749. DOI: 10.3390/su16051749
European Parliament and Council of the European Union, 2018. Directive (EU) 2018/2001 on the promotion of the use of energy from renewable sources. Official Journal of the European Union, L 328, 82–209.
European Parliament and Council of the European Union, 2023. Directive (EU) 2023/2413 amending Directive (EU) 2018/2001 as regards the promotion of energy from renewable sources. Official Journal of the European Union, L 2023/2413. URL: https://eur-lex.europa.eu/eli/dir/2023/2413/oj
Fornier, Z., Lecl`ere, V., Pinson, P., 2025. Fairness by design in shared-energy allocation problems. Computational Management Science 22 (2), 11. DOI: 10.1007/s10287-025-00532-7
Gasca, M.-V., Rigo-Mariani, R., Debusschere, V., Sidqi, Y., 2025. Fairness in energy communities: Centralized and decentralized frameworks. Renewable and Sustainable Energy Reviews 208, 115054. DOI: 10.1016/j.rser.2024.115054
Jain, R. K., Chiu, D.-M. W., Hawe, W. R., 1984. A quantitative measure of fairness and discrimination for resource allocation in shared computer systems. Tech. Rep. DEC-TR-301, Digital Equipment corporation.
Joshal, K. S., Gupta, N., 2023. Microgrids with model predictive control: A critical review. Energies 16 (13), 4851. DOI: 10.3390/en16134851
Li, J., Jiang, Z., Chen, Z., Liu, J., Cheng, L., 2024. CuEMS: Deep reinforcement learning for community control of energy management systems in microgrids. Energy and Buildings 304, 113865. DOI: 10.1016/j.enbuild.2023.113865
Lopez, I., Goitia-Zabaleta, N., Milo, A., Gomez-Cornejo, J., Aranzabal, I., Gaztanaga, H., Fernandez, E., 2024. European energy communities: Characteristics, trends, business models and legal framework. Renewable and Sustainable Energy Reviews 197, 114403. DOI: 10.1016/j.rser.2024.114403
May, D. C., Taylor, M., Musilek, P., 2024. Decentralized coordination of distributed energy resources through local energy markets and deep reinforcement learning. Energy and AI 18, 100446. DOI: 10.1016/j.egyai.2024.100446
Palma, G., Guiducci, L., Stentati, M., Rizzo, A., Paoletti, S., 2024. Reinforcement learning for energy community management: A european-scale study. Energies 17 (5), 1249. DOI: 10.3390/en17051249
Pinthurat, W., Surinkaew, T., Hredzak, B., 2024. An overview of reinforcement learning-based approaches for smart home energy management systems with energy storages. Renewable and Sustainable Energy Reviews 202, 114648. DOI: 10.1016/j.rser.2024.114648
Schulman, J., Wolski, F., Dhariwal, P., Radford, A., Klimov, O., 2017. Proximal policy optimization algorithms. DOI: 10.48550/arXiv.1707.06347
Soares, J., Lezama, F., Faia, R., Limmer, S., Dietrich, M., Rodemann, T., Ramos, S., Vale, Z., 2024. Review on fairness in local energy systems. Applied Energy 374, 123933. DOI: 10.1016/j.apenergy.2024.123933
Sutton, R. S., Barto, A. G., 2018. Reinforcement Learning: An Introduction, 2nd Edition. MIT Press, Cambridge, MA. URL: https://mitpress.mit.edu/9780262039246/reinforcement-learning/
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Andrés A. Pabón Pérez, Juan Albino Méndez Pérez, José Manuel González Cava, Benjamín González Díaz, Santiago Torres Álvarez, A. Marcos Trujillo Trujillo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
