Aplicación de Sistemas de Control con Inteligencia Artificial para Optimizar la Conversión de Energías Renovables

Descargas: 73

Autores/as

DOI:

https://doi.org/10.56845/terys.v4i1.442

Palabras clave:

energías renovables, inteligencia artificial, sistema de control, eficiencia

Resumen

Este artículo presenta una revisión de la literatura de las características de diferentes sistemas de control basados en inteligencia artificial, orientados a mejorar la eficiencia y fomentar el uso de sistemas de energías renovables. Se describen las características fundamentales de las energías renovables, así como sus principales desventajas. Los sistemas de control propuestos incluyen la lógica difusa, las redes neuronales artificiales, el control neurodifuso y algunos algoritmos de optimización inspirados en la naturaleza, cuyas características y requerimientos para su aplicación en sistemas de energías renovables son detalladamente descritos. En este sentido, se expone el proceso de modelado de un sistema, así como los requerimientos para el diseño e implementación en software o hardware de dichos sistemas de control. Además, se presentan las principales ventajas y beneficios del uso de sistemas de control basados en inteligencia artificial. Finalmente, este artículo proporciona información valiosa para incrementar la producción de energía eléctrica mediante fuentes renovables y para promover la aplicación de estos sistemas con el fin de reducir los niveles de contaminación ambiental.

Citas

Abdolrasol, M. G. M., Hussain, S. M. S., Ustun, T. S., Sarker, M. R., Hannan, M. A., Mohamed, R., Ali, J. A., Mekhilef, S., & Milad, A. (2021). Artificial Neural Networks Based Optimization Techniques: A Review. Electronics, 10(21), 2689. https://doi.org/10.3390/electronics10212689

Ahmed, S. F., Alam, Md. S. Bin, Hassan, M., Rozbu, M. R., Ishtiak, T., Rafa, N., Mofijur, M., Shawkat Ali, A. B. M., & Gandomi, A. H. (2023). Deep learning modelling techniques: current progress, applications, advantages, and challenges. Artificial Intelligence Review, 56(11), 13521–13617. https://doi.org/10.1007/s10462-023-10466-8

Ang, T.-Z., Salem, M., Kamarol, M., Das, H. S., Nazari, M. A., & Prabaharan, N. (2022). A comprehensive study of renewable energy sources: Classifications, challenges and suggestions. Energy Strategy Reviews, 43, 100939. https://doi.org/10.1016/j.esr.2022.100939

Boutalis, Y., Theodoridis, D., Kottas, T., & Christodoulou, M. A. (2014). System Identification and Adaptive Control. Springer International Publishing. https://doi.org/10.1007/978-3-319-06364-5

Brodzicki, A., Piekarski, M., & Jaworek-Korjakowska, J. (2021). The Whale Optimization Algorithm Approach for Deep Neural Networks. Sensors, 21(23), 8003. https://doi.org/10.3390/s21238003

Buckley, J. J., & Eslami, E. (2002). An Introduction to Fuzzy Logic and Fuzzy Sets. In An Introduction to Fuzzy Logic and Fuzzy Sets. Physica-Verlag HD. https://doi.org/10.1007/978-3-7908-1799-7

Chakraborty, S., Kumar Saha, A., Sharma, S., Mirjalili, S., & Chakraborty, R. (2021). A novel enhanced whale optimization algorithm for global optimization. Computers & Industrial Engineering, 153, 107086. https://doi.org/10.1016/j.cie.2020.107086

Clarke, B., Otto, F., Stuart-Smith, R., & Harrington, L. (2022). Extreme weather impacts of climate change: an attribution perspective. Environmental Research: Climate, 1(1), 012001. https://doi.org/10.1088/2752-5295/ac6e7d

da Silva, I. N., Hernane Spatti, D., Andrade Flauzino, R., Liboni, L. H. B., & dos Reis Alves, S. F. (2017). Artificial Neural Networks. In Artificial Neural Networks: A Practical Course. Springer International Publishing. https://doi.org/10.1007/978-3-319-43162-8

Dechezleprêtre, A., Fabre, A., Kruse, T., Planterose, B., Sanchez Chico, A., & Stantcheva, S. (2025). Fighting Climate Change: International Attitudes toward Climate Policies. American Economic Review, 115(4), 1258–1300. https://doi.org/10.1257/aer.20230501

Deshmukh, M. K. G., Sameeroddin, M., Abdul, D., & Abdul Sattar, M. (2023). Renewable energy in the 21st century: A review. Materials Today: Proceedings, 80, 1756–1759. https://doi.org/10.1016/j.matpr.2021.05.501

Fang, J., Liu, W., Chen, L., Lauria, S., Miron, A., & Liu, X. (2023). A Survey of Algorithms, Applications and Trends for Particle Swarm Optimization. International Journal of Network Dynamics and Intelligence, 24–50. https://doi.org/10.53941/ijndi0201002

Farghali, M., Osman, A. I., Chen, Z., Abdelhaleem, A., Ihara, I., Mohamed, I. M. A., Yap, P.-S., & Rooney, D. W. (2023). Social, environmental, and economic consequences of integrating renewable energies in the electricity sector: a review. Environmental Chemistry Letters, 21(3), 1381–1418. https://doi.org/10.1007/s10311-023-01587-1

Gad, A. G. (2022). Particle Swarm Optimization Algorithm and Its Applications: A Systematic Review. Archives of Computational Methods in Engineering, 29(5), 2531–2561. https://doi.org/10.1007/s11831-021-09694-4

Han, J.-X., Ma, M.-Y., & Wang, K. (2021). RETRACTED ARTICLE: Product modeling design based on genetic algorithm and BP neural network. Neural Computing and Applications, 33(9), 4111–4117. https://doi.org/10.1007/s00521-020-05604-0

Katoch, S., Chauhan, S. S., & Kumar, V. (2021). A review on genetic algorithm: past, present, and future. Multimedia Tools and Applications, 80(5), 8091–8126. https://doi.org/10.1007/s11042-020-10139-6

Malhi, G. S., Kaur, M., & Kaushik, P. (2021). Impact of Climate Change on Agriculture and Its Mitigation Strategies: A Review. Sustainability, 13(3), 1318. https://doi.org/10.3390/su13031318

Maradin, D. (2021). Advantages And Disadvantages Of Renewable Energy Sources Utilization. International Journal of Energy Economics and Policy, 11(3), 176–183. https://doi.org/10.32479/ijeep.11027

Montesinos López, O. A., Montesinos López, A., & Crossa, J. (2022). Fundamentals of Artificial Neural Networks and Deep Learning. In Multivariate Statistical Machine Learning Methods for Genomic Prediction (pp. 379–425). Springer International Publishing. https://doi.org/10.1007/978-3-030-89010-0_10

Parmesan, C., Morecroft, M. D., Trisurat, Y., & Mezzi, D. (2022). Climate Change 2022:Impacts, Adaptation and Vulnerability. https://doi.org/https://doi.org/10.34894/VQ1DJA

Rosa, J. P. S., Guerra, D. J. D., Horta, N. C. G., Martins, R. M. F., & Lourenço, N. C. C. (2020). Using Artificial Neural Networks for Analog Integrated Circuit Design Automation. Springer International Publishing. https://doi.org/10.1007/978-3-030-35743-6

Sayed, E., Olabi, A., Alami, A., Radwan, A., Mdallal, A., Rezk, A., & Abdelkareem, M. (2023). Renewable Energy and Energy Storage Systems. Energies, 16(3), 1415. https://doi.org/10.3390/en16031415

Strielkowski, W., Civín, L., Tarkhanova, E., Tvaronavičienė, M., & Petrenko, Y. (2021). Renewable Energy in the Sustainable Development of Electrical Power Sector: A Review. Energies, 14(24), 8240. https://doi.org/10.3390/en14248240

Trillas, E., & Eciolaza, L. (2015). Fuzzy Logic (Vol. 320). Springer International Publishing. https://doi.org/10.1007/978-3-319-14203-6

Yolcan, O. O. (2023). World energy outlook and state of renewable energy: 10-Year evaluation. Innovation and Green Development, 2(4), 100070. https://doi.org/10.1016/j.igd.2023.100070

Descargas

Archivos adicionales

Publicado

2025-06-26

Cómo citar

Beatriz-Cuellar, H., de la Cruz-Alejo, J., & Membrillo-Venegas, I. de la L. (2025). Aplicación de Sistemas de Control con Inteligencia Artificial para Optimizar la Conversión de Energías Renovables. Tendencias En energías Renovables Y Sustentabilidad, 4(1), 55–59. https://doi.org/10.56845/terys.v4i1.442

Número

Vol. 4 Núm. 1 (2025)

Sección

Artículos de Divulgación Científica

Licencia

Derechos de autor 2025 Hugo Beatriz-Cuellar, Jesús de la Cruz-Alejo, Isabel de la Luz Membrillo-Venegas

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.