Un nuevo algoritmo de optimización bioinspirado desarrollado por investigadores de la Universidad Tecnológica de Texas, la Universidad de Bolonia y la Universidad Islámica Azad promete reducir costos y mejorar la estabilidad en redes eléctricas que integran energía renovable. El algoritmo Boosting Circulatory System-Based Optimization (BCSBO), publicado en Frontiers of Engineering Management en 2025, imita el comportamiento adaptativo del sistema circulatorio humano para navegar por los complejos paisajes de decisión en las redes eléctricas modernas.
Las redes eléctricas modernas enfrentan desafíos significativos a medida que fuentes de energía renovable como la eólica y solar introducen variabilidad e incertidumbre. Los métodos de optimización tradicionales, diseñados para sistemas estables basados en combustibles fósiles, a menudo luchan con restricciones no lineales, efectos de punto de válvula y zonas de operación prohibidas. Muchos algoritmos heurísticos existentes se estancan o tienen un rendimiento inconsistente bajo condiciones renovables estocásticas, creando una necesidad urgente de estrategias de optimización más rápidas y resilientes.
El algoritmo BCSBO aborda estos desafíos mejorando un marco circulatorio inspirado anterior. Equipa a "agentes de masa sanguínea" con reglas de movimiento más flexibles y adaptativas que les permiten circular por espacios de solución, escapar de puntos de congestión y buscar continuamente mejores caminos, similar a cómo el sistema circulatorio humano optimiza para la supervivencia. Este diseño permite que el algoritmo supere trampas locales y mantenga la movilidad de búsqueda en paisajes de optimización difíciles.
Los investigadores probaron rigurosamente BCSBO utilizando cinco objetivos distintos de flujo de potencia óptimo (OPF) en sistemas estándar IEEE de 30 y 118 barras. Los objetivos incluyeron minimizar el costo de combustible con efectos de punto de válvula, minimizar el costo de generación bajo impuesto al carbono, abordar zonas de operación prohibidas, reducir pérdidas de potencia en la red y limitar desviaciones de voltaje. En todas las pruebas, BCSBO entregó los costos operativos más bajos, logrando USD 781.86 en el escenario de costo base y USD 810.77 bajo condiciones de impuesto al carbono. El algoritmo superó consistentemente a competidores establecidos como Particle Swarm Optimization (PSO), Moth–Flame Optimization (MFO), Thermal Exchange Optimization (TEO) y Elephant Herding Optimization (EHO).
Un aspecto crucial de la investigación involucró modelar la incertidumbre inherente de la energía eólica y solar utilizando distribuciones Weibull y lognormal. Incluso bajo condiciones altamente variables, BCSBO mantuvo la estabilidad y demostró una fuerte robustez para sistemas renovables del mundo real. Estos resultados ilustran la capacidad del algoritmo para navegar por paisajes OPF multiobjetivo, no convexos y renovables con excepcional consistencia, haciéndolo particularmente valioso para regiones que despliegan activos renovables a gran escala.
Las implicaciones de este desarrollo son significativas para la transición global hacia la energía renovable. Al ofrecer una forma más inteligente y robusta de resolver problemas OPF, BCSBO proporciona a los operadores de red una herramienta poderosa para reducir la dependencia del combustible, mejorar la estabilidad del voltaje e integrar energía solar y eólica sin comprometer la confiabilidad de la red. La mecánica computacional adaptable del algoritmo también lo hace adecuado para desafíos de ingeniería más amplios, incluyendo programación de almacenamiento de energía, control de redes inteligentes, logística de transporte y tareas de optimización a escala industrial donde la toma de decisiones rápida, precisa y tolerante a la incertidumbre es esencial.
A medida que las redes eléctricas evolucionan hacia ecosistemas dinámicos gobernados por condiciones impredecibles, BCSBO representa un paso decisivo hacia adelante para la optimización de redes en la era renovable. El equipo de investigación enfatizó que su diseño circulatorio inspirado mejorado permite que el algoritmo se adapte dinámicamente, evite el estancamiento y entregue decisiones confiables incluso cuando la producción renovable es altamente incierta. Este avance apoya soluciones más rentables, flexibles y alineadas ambientalmente para los futuros sistemas eléctricos en todo el mundo.
