Intelligente, RBF-Neuronalnetzwerk-basierte Regelung für dynamische Stabilität und Leistungsregelung in erneuerbar-integrierten Mikrogrids

Warum klügere lokale Energie wichtig ist

Wenn Häuser, Campus und kleine Gemeinden mehr Solarmodule auf den Dächern und Windturbinen installieren, wird es überraschend kompliziert, die Stromversorgung stabil zu halten. Sonneneinstrahlung und Wind schwanken von Minute zu Minute, wodurch lokale Energiesysteme, sogenannte Mikrogrids, anfällig für Flacker, Spannungseinbrüche und vergeudete saubere Energie werden. Dieses Papier untersucht einen intelligenten Regelungsansatz, der fortschrittliche Leistungselektronik mit einem schnell lernenden neuronalen Netzwerk verbindet, um ein erneuerungslastiges Mikrogrid stabil, effizient und betriebssicher zu halten.

Ein kleines Netz im Gleichgewicht halten

Ein Mikrogrid ist wie ein nachbarschaftsweites Stromsystem, das Solarmodule, Windturbinen, Batterien und eine Verbindung zum übergeordneten Versorgungsnetz kombinieren kann. Die Schwierigkeit liegt darin, dass jede Komponente sich unterschiedlich verhält: Solarmodule liefern Gleichstrom (DC), das Netz arbeitet mit Wechselstrom (AC) und Windturbinen ändern ihre Leistung mit wechselnden Böen. Die Autoren entwerfen ein Mikrogrid, in dem Solarstrom, Windstrom und eine Batterie in eine gemeinsame DC‑»Schiene« einspeisen, die dann das lokale Netz versorgt. Um dieses Miniatursystem im Gleichgewicht zu halten, konzentrieren sie sich auf zwei für Anwender wichtige Ziele: stabile Spannung und Frequenz (damit Geräte korrekt arbeiten) und hohe Effizienz (damit möglichst wenig der wertvollen erneuerbaren Energie als Wärme in der Elektronik verloren geht).

Intelligentere Steuerung für erneuerbare Energie

Im Zentrum des Systems steht ein intelligenter Regler, aufgebaut aus einem Radial-Basis-Funktions-Neuronalen Netzwerk (RBFNN). Einfach gesagt ist das ein maschinelles Lern‑»Gehirn«, das schnell lernen kann, wie sich das Mikrogrid unter verschiedenen Bedingungen verhält, und dann in Echtzeit die Regelparameter anpasst. Es sammelt Messwerte wie Spannung, Strom und Leistung aus dem Mikrogrid, wertet diese aus und sendet optimierte Befehle an lokale Regler, die die Leistungselektronik der Solarmodule, der Windturbine, der Batterie und der Netzanbindung steuern. Weil das RBFNN schnell lernt und sich laufend anpasst, bewältigt es plötzliche Änderungen bei Sonneneinstrahlung, Wind oder Strombedarf besser als traditionelle Regler, die oft aufwändige manuelle Nachregulierung erfordern.

Solarleistung steigern und Schwankungen dämpfen

Solarmodule erzeugen von Natur aus relativ niedrige Spannungen, die vor der Einspeisung ins Mikrogrid erhöht werden müssen. Die Autoren stellen ein spezialisiertes leistungselektronisches Gerät vor, den Z‑Source Integrated Coupled Inductor Boost (Z‑SCIB)-Wandler, der die Solarspannung auf ein deutlich höheres, praxisnützliches Niveau anheben kann, während die Belastung der internen Bauteile gering bleibt. Dieser Wandler wird von einem klassischen Proportional‑Integral (PI)-Regler gesteuert, dessen Abstimmung automatisch durch ein bioinspiriertes Suchverfahren optimiert wird, das das Zugverhalten von Gänsen nachbildet und Grey Lag Goose Optimization (GGO) genannt wird. Zusammen bringen der Z‑SCIB‑Wandler und der GGO‑optimierte PI‑Regler die Solarspannung schnell auf den Sollwert und erreichen eine Effizienz von etwa 97 %, sodass nur sehr wenig Solarenergie bei der Umwandlung verloren geht.

Wind, Batterien und saubere Leistungsqualität

Windenergie wird über einen doppelt gespeisten Asynchrongenerator in das Mikrogrid eingespeist, einen Typ von Windturbinen-Generator, der sowohl die abgegebene Wirkleistung als auch die Blindleistung, die zur Spannungsunterstützung beiträgt, anpassen kann. Seine Ausgangsleistung wird in Gleichstrom umgewandelt und vor der Einspeisung in die gemeinsame Schiene streng geregelt. Ein bidirektionaler Wandler verbindet eine Batterie mit derselben Schiene, sodass die Batterie überschüssige Energie speichern kann, wenn Sonne und Wind reichlich vorhanden sind, und sie freigibt, wenn der Bedarf steigt oder die erneuerbare Einspeisung zurückgeht. Zusätzliche PI‑Regler halten den Ladestrom der Batterie sicher und sorgen dafür, dass der netzseitige Wechselrichter mit dem Hauptnetz synchronisiert bleibt. Simulationen zeigen, dass das System selbst bei schwankenden Temperatur-, Sonnen-, Wind- und Lastbedingungen die Netzspannung und den Strom stabil hält und elektrische Verzerrungen (schädliche Oberschwingungen) sehr gering bleiben.

Was das für den täglichen Energiegebrauch bedeutet

Die Studie kommt zu dem Schluss, dass die Kombination aus einem effizienten Solar‑Boost‑Wandler, einem flexiblen Windgenerator, intelligenter Batterieverwaltung und einem RBFNN‑basierten übergeordneten Regler erneuerungsreiche Mikrogrids sowohl stabil als auch hocheffizient machen kann. In der Praxis bedeutet das weniger Flacker, bessere Nutzung sauberer Energie und höhere Zuverlässigkeit für Orte, die auf lokale Erzeugung angewiesen sind – von abgelegenen Dörfern bis zu städtischen Campus. Zwar hängt der Ansatz weiterhin von guten Trainingsdaten für das neuronale Netzwerk ab und bringt zusätzliche Rechenkomplexität mit sich, doch er zeigt einen klaren Weg zu Mikrogrids, die sich automatisch an das chaotische Verhalten von Wetter und Leistung anpassen und damit zuverlässige saubere Energie näher an den Alltag bringen.

Zitation: Chiluka, V., Sekhar, G.G.R., Reddy, C.R. et al. Intelligent RBF neural network-based control for dynamic stability and power control in renewable-integrated microgrids. Sci Rep 16, 6250 (2026). https://doi.org/10.1038/s41598-026-36641-9

Schlüsselwörter: Mikrogrid-Regelung, erneuerbare Energie, Solar- und Windenergie, Batteriespeicher, Neuronaler Netzwerkregler