El creciente protagonismo de las fuentes renovables en la matriz energética ha planteado nuevos desafíos para el control dinámico de inversores solares en redes eléctricas inteligentes, especialmente ante la variabilidad de la demanda y la generación. Esta problemática afecta la eficiencia energética, la estabilidad de la red y la calidad de la energía inyectada.

El presente estudio tuvo como objetivo desarrollar e implementar un algoritmo de control basado en Aprendizaje por Refuerzo Profundo (DRL, por sus siglas en inglés) para optimizar el comportamiento de inversores solares frente a variaciones en la demanda de la red.

La metodología consistió en diseñar un entorno de simulación basado en modelos eléctricos realistas, sobre el cual se entrenó un agente DRL capaz de adaptar en tiempo real el punto de operación del inversor. Se evaluó el desempeño del agente frente a distintas condiciones de carga y generación, comparándolo con métodos de control tradicionales.

Los resultados mostraron que el algoritmo DRL logró reducir significativamente las pérdidas energéticas, mejorar la correspondencia generación-consumo y mantener los parámetros de calidad de energía dentro de los estándares. Se identificó además una mejor capacidad de adaptación ante eventos imprevistos, aunque se reconocen desafíos en términos de escalabilidad y robustez.

Se concluye que el uso de DRL constituye una herramienta prometedora para el control avanzado de inversores solares, con potencial de implementación en arquitecturas de redes inteligentes. Futuras investigaciones deberán enfocarse en su validación en entornos físicos y su integración con sistemas multi-agente