Red neuronal imitando un EMS basado en optimización: prueba de concepto en un PLC
DOI:
https://doi.org/10.17979/ja-cea.2026.47.13768Palabras clave:
EMS, Redes inteligentes, MPC, Red neuronal, Control predictivo, CODESYS, PLC, Almacenamiento energéticoResumen
Este trabajo presenta una prueba de concepto implementada en un PLC de un sistema de gestión de energía (EMS) basado en inteligencia artificial para redes eléctricas inteligentes con almacenamiento en batería. Se entrena una red neuronal multicapa (MLP) para aproximar las decisiones de control óptimas de un EMS convencional basado en control predictivo con modelos (MPC), que resuelve un problema de programación lineal entera mixta (MILP). El modelo de IA, entrenado con 267.894 pares entrada-salida generados por el optimizador de referencia, replica la política de control óptima con un error cuadrático medio (RMSE) de 0,073 y un tiempo de inferencia unas 21 veces inferior al del optimizador. La red se implementa íntegramente en CODESYS sobre un PLC simulado, demostrando su operatividad en un controlador industrial estándar conforme a IEC 61131-3. Los resultados validan la viabilidad de sustituir un optimizador MILP por una red neuronal para la gestión energética en tiempo real con recursos computacionales reducidos.
Referencias
Bordons, C., Garcia-Torres, F., & Ridao, M. A. (2020). Model Predictive Control of Microgrids. https://doi.org/10.1007/978-3-030-24570-2
Garcia-Torres, F., & Bordons, C. (2015). Optimal Economical Schedule of Hydrogen-Based Microgrids With Hybrid Storage Using Model Predictive Control. IEEE Transactions on Industrial Electronics, 62(8), 5195–5207. https://doi.org/10.1109/TIE.2015.2412524
Hossain, M. S., Madlool, N. A., Rahim, N. A., Selvaraj, J., Pandey, A. K., & Khan, A. F. (2016). Role of smart grid in renewable energy: An overview. In Renewable and Sustainable Energy Reviews (Vol. 60, pp. 1168–1184). Elsevier Ltd. https://doi.org/10.1016/j.rser.2015.09.098
Liu, C., Shi, S., Alan, A., Venayagamoorthy, G. K., & De Schutter, B. (2025). Approximate Model Predictive Control for Microgrid Energy Management via Imitation Learning. https://doi.org/10.48550/arXiv.2510.20040
Matrone, S., Pozzi, A., Ogliari, E., & Leva, S. (2024). Deep Learning-Based Predictive Control for Optimal Battery Management in Microgrids. https://doi.org/10.1109/ACCESS.2024.3458435
Pajares, A., Vivas, F. J., Blasco, X., Herrero, J. M., Segura, F., & Andújar, J. M. (2023). Methodology for energy management strategies design based on predictive control techniques for smart grids. Applied Energy, 351. https://doi.org/10.1016/j.apenergy.2023.121809
Vivas, F. J., Pajares, A., Blasco, X., Herrero, J. M., Segura, F., & Andújar, J. M. (2025). A novel energy management system based on two-level hierarchical economic model predictive control for use in microgrid control. Energy Conversion and Management: X, 26. https://doi.org/10.1016/j.ecmx.2025.101027
Werner, B. (2009). Object-oriented extensions for IEC 61131-3. IEEE Industrial Electronics Magazine, 3(4), 36–39. https://doi.org/10.1109/MIE.2009.934795
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Borja Monsalvez Pozo, Xavier Blasco, Alberto Pajares Ferrando, Javier Sanchis
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
