Multi-objektive Dimensionierung und Platzierung von DG im Verteilnetz durch hybriden Gorilla Troops Optimization-Genetischen Algorithmus: eine Fallstudie

Intelligenter lokale Energie für zuverlässigen Alltag

Wenn Sie einen Lichtschalter umlegen, erwarten Sie sofortige, stabile Energie — doch diese Zuverlässigkeit wird immer schwerer zu gewährleisten, da der Strombedarf steigt und mehr erneuerbare Quellen ans Netz angeschlossen werden. Eine vielversprechende Idee ist, kleinere Erzeugungseinheiten, sogenannte Distributed Generators, dezentral in lokalen Netzen zu verteilen, statt sich nur auf große, weit entfernte Kraftwerke zu verlassen. Diese Studie zeigt, wie eine neue rechnergestützte Planungsmethode entscheidet, wo diese kleineren Einheiten platziert und wie groß sie sein sollten, damit das Netz weniger Energie vergeudet, Spannungen stabil bleiben und jährlich erhebliche Kosten eingespart werden.

Warum lokale Erzeuger wichtig sind

Traditionelle Energiesysteme transportieren Strom über große Entfernungen von zentralen Kraftwerken zu Haushalten und Fabriken. Unterwegs geht ein Teil dieser Energie als Wärme in den Leitungen verloren, und die Spannung kann in entfernten Bereichen absinken, besonders wenn die Nachfrage steigt. Die Installation verteilter Erzeuger — etwa kleine gasbetriebene Einheiten oder erneuerbare Quellen wie Solar und Wind — direkt in lokalen Netzen kann überlastete Leitungen entlasten, Verluste reduzieren und die Spannungsqualität verbessern. Die Platzierung dieser Einheiten ist jedoch nicht so einfach wie das Auffüllen freier Stellen: Jeder mögliche Standort und jede Größe beeinflussen das übrige Netz, und die Entscheidungen müssen strikte technische Grenzwerte einhalten. Die Planungsaufgabe wird zu einem verzwickten Puzzle, das Ja/Nein-Entscheidungen (wo Generatoren aufgestellt werden) mit kontinuierlichen Entscheidungen (welche Leistung sie haben sollen) und mehreren gleichzeitig zu verfolgenden Zielen vermischt.

Ein hybrides digitales „Suchkommando”

Um dieses Puzzle zu lösen, entwickelten die Autoren eine hybride Suchmethode, die zwei bekannte Familien von Optimierungswerkzeugen kombiniert. Ein Teil ist ein genetischer Algorithmus, inspiriert von der Evolution, der die Ja/Nein- und stufenartigen Entscheidungen übernimmt — etwa welche Netzknoten neue Generatoren beherbergen sollten. Der andere Teil ist der Gorilla Troops Optimizer, ein schwarmorientiertes Verfahren, das auf der Gruppenbewegung und Führung in Gorilla-Banden modelliert ist und sich gut darin bewährt, glatte Wertebereiche zu erkunden — etwa die genaue Leistung jedes Generators. In jedem Zyklus schlagen die beiden Komponenten Kandidatenpläne vor, fügen sie zu vollständigen Netzlayouten zusammen und prüfen deren Leistungsfähigkeit. Pläne, die Energieverluste reduzieren und die Spannung verbessern, werden beibehalten und verfeinert, schwächere werden verworfen. Indem jede Methode auf das konzentriert, was sie am besten kann, kann der hybride Ansatz einen sehr komplizierten Entscheidungsraum effizienter durchsuchen und vermeiden, in schlechten Lösungen stecken zu bleiben.

Test an realistischen Stromnetzen

Die Forscher überprüften ihr hybrides Werkzeug zunächst an 23 standardisierten mathematischen Testfunktionen, die üblicherweise dazu dienen, wie gut Optimierungsmethoden komplexe Landschaften erkunden. Der Hybrid fand konstant sehr gute Lösungen und konvergierte schneller als mehrere etablierte Techniken, einschließlich klassischer genetischer Algorithmen und anderer schwarmbasierter Ansätze. Anschließend wendeten sie die Methode auf zwei elektrische Verteilernetze an: ein häufig verwendetes Benchmark-System mit 33 Knoten und ein deutlich größeres reales Netz, vereinfacht auf 143 Knoten. In beiden Fällen untersuchte das Tool verschiedene Betriebsbedingungen für die Distributed Generators und betrachtete Einzelziele (nur Verlustreduktion oder nur Spannungsverbesserung) sowie kombinierte Ziele (Abwägung beider). Die Methode fand nicht nur Platzierungen, die Verluste deutlich senkten und Spannungen glätteten, sondern zeichnete auch Trade-off-Kurven, die zeigen, wie viel von einem Nutzen geopfert werden muss, um mehr vom anderen zu gewinnen.

Große Einsparungen bei Verlusten und Kosten

Die berichteten Verbesserungen sind eindrucksvoll. Im 33-Knoten-Testsystem reduzierten die besten Lösungen die Leistungsverluste um bis zu etwa 94 % und verbesserten die Spannungsqualität nahezu vollständig im Vergleich zum ursprünglichen Netz ohne zusätzliche Generatoren. In praktischen finanziellen Größenordnungen sanken die jährlichen wirtschaftlichen Verluste in diesem System von ungefähr 92.000 Dollar auf etwa 14.000 Dollar — eine Einsparung von mehr als 78.000 Dollar pro Jahr. Im größeren, realen 143-Bus-Netz fielen die Verluste um fast 94 % und Spannungsprobleme wurden nahezu vollständig beseitigt, sodass ein Jahresverlust von rund 178.000 Dollar auf etwas über 32.000 Dollar reduziert wurde, mit Einsparungen von mehr als 145.000 Dollar. Die Analyse zeigte außerdem, welche Netzbereiche besonders empfindlich sind, und lieferte Planern konkrete Ziele für gezielte Aufrüstungen.

Was das für das zukünftige Netz bedeutet

Für Nichtfachleute ist die Kernbotschaft, dass intelligentere Planungswerkzeuge deutlich mehr Wert aus bereits verbreiteten lokalen Energiequellen heben können, etwa Solaranlagen auf Dächern, gemeinschaftliche Batteriespeicher und kleine Generatoren. Anstatt diese Einheiten nach Trial-and-Error oder einfachen Regeln zu platzieren, durchsucht der hier beschriebene hybride Ansatz zahllose Möglichkeiten, um Konfigurationen zu finden, die deutlich weniger Energie verschwenden, Spannungen stabilisieren und die Betriebskosten signifikant senken. Während Stromnetze mehr Erneuerbare integrieren und eine wachsende Nachfrage bedienen, könnten solche intelligenten, automatisierten Planungsansätze lokale Netze effizienter, zuverlässiger und besser für eine sauberere Energiezukunft rüsten.

Zitation: Gacem, A., Romdhane, M., Kechida, R. et al. Multi-objective sizing and location of DG in distribution network by hybrid gorilla troops optimization-genetic algorithm: a real case study. Sci Rep 16, 11334 (2026). https://doi.org/10.1038/s41598-026-41868-7

Schlüsselwörter: verteilte Erzeugung, Stromverteilungsnetze, Optimierungsalgorithmen, Spannungsstabilität, Reduzierung von Energieverlusten