Resumen en español

En este trabajo se realizó la caracterización operativa de la microrred fotovoltaica ubicada en el octavo piso del edificio Mario Laserna de la Universidad de los Andes, con el fin de comprender su comportamiento energético bajo diferentes escenarios de generación y demanda y de proponer un modelo avanzado de gestión energética basado en Reinforcement Learning (RL). La metodología combinó el modelado y simulación del sistema mediante la representación de los inversores y componentes de la microrred en un entorno computacional, el uso de un modelo de predicción de generación fotovoltaica a partir de datos reales de irradiancia, y una caracterización experimental basada en la aplicación de cargas eléctricas controladas. Los resultados permitieron identificar los principales modos de operación del sistema, así como las diferencias entre el comportamiento simulado y el real, evidenciando la influencia de la lógica interna de control de los inversores y de las restricciones físicas de la instalación. A partir de esta caracterización, se formuló una propuesta de modelo de RL que plantea la gestión energética de la microrred como un Proceso de Decisión de Markov parcialmente observable, empleando el algoritmo Proximal Policy Optimization (PPO) para coordinar la generación fotovoltaica, el almacenamiento en baterías y la demanda, con el objetivo de maximizar el autoconsumo, mejorar la eficiencia energética y respetar las limitaciones operativas del sistema.