Fehlerminimiertes LO-Modellieren von in Elektrofahrzeuge integrierten, netzfernen Microgrids mithilfe der Taylor–Laurent-Reihenentwicklung und BBO-basierter Optimierung unter Stabilitäts- und stationären Zustandseinschränkungen

Die Lichter in entlegenen Gebieten am Leuchten halten

Entlegene Gemeinden und Inseln sind zunehmend auf kleine, in sich geschlossene Stromnetze angewiesen, die als netzferne Microgrids bezeichnet werden. Diese Systeme koordinieren Strom aus Solarmodulen, Windturbinen, Biokraftstoffgeneratoren, Batterien und sogar geparkten Elektroautos, die als mobile Speicher fungieren. Die Echtzeitsteuerung all dieser Quellen ist ein komplexer Balanceakt: Die Versorgung muss stabil und gleichmäßig bleiben, obwohl Sonneneinstrahlung, Wind und Ladebedarf ständig schwanken. Die hier zusammengefasste Arbeit stellt eine Methode vor, die die Modellierung solcher Microgrids drastisch vereinfacht und sie damit entwerf- und regelungstechnisch zugänglicher macht, ohne die Zuverlässigkeit zu beeinträchtigen.

Warum kleine Stromnetze wichtig sind

Netzferne Microgrids versprechen saubere, verlässliche Energie in Regionen fernab klassischer Versorgungsleitungen oder dort, wo das Hauptnetz schwach ist. Sie kombinieren viele unterschiedliche Komponenten: photovoltaische Solarmodule, Windturbinen, Biodiesel- und Biogasgeneratoren, Mikroturbinen, Energiespeicher und Elektrofahrzeuge, die sowohl entnehmen als auch einspeisen können. Zusammen bilden diese Elemente ein flexibles, aber komplexes Netzwerk, dessen Verhalten mathematisch durch ein „höherordentliches“ Modell mit vielen dynamischen Komponenten beschrieben wird. Solch detaillierte Modelle sind zwar genau, können aber langsam zu simulieren sein und erschweren das Entwerfen von Reglern, die Spannung und Frequenz innerhalb sicherer Grenzen halten.

Ein kompliziertes System in ein einfaches verwandeln

Die Autoren gehen dieses Problem an, indem sie eine siebten Ordnung umfassende mathematische Beschreibung eines in Elektrofahrzeuge integrierten netzfernen Microgrids auf ein deutlich einfacheres Modell zweiter Ordnung reduzieren. Alltagssprachlich komprimieren sie ein langes, detailliertes Rezept zu einer kurzen Version, die dennoch gleich schmeckt. Ihr Schlüsselgedanke ist, das System aus zwei komplementären Blickwinkeln zu betrachten. Der eine Blick richtet sich auf langsame Vorgänge, etwa wie das System nach einer Störung zur Ruhe kommt; der andere fokussiert schnelle, scharfe Veränderungen, etwa kurze Schwankungen in Leistung oder Spannung. Mathematisch werden diese beiden Perspektiven mittels Taylor‑ und Laurent‑Reihenentwicklungen erfasst, die das Systemverhalten um niedrige bzw. hohe Frequenzen herum darstellen.

Einen virtuellen Bären den besten Treffer suchen lassen

Damit das vereinfachte Modell das Original möglichst genau nachahmt, formulieren die Autoren das Problem als Optimierung: Sie definieren ein „Fitness“-Maß, das die Abweichung zwischen dem komplexen und dem reduzierten Modell aus beiden, langsamer und schneller Perspektive quantifiziert. Dieses Maß kombiniert drei separate Fehlterme, die aus den Taylor‑ und Laurent‑Entwicklungen abgeleitet sind. Anschließend lässt ein Computer mittels einer naturinspirierten Methode, dem Brown Bear Optimization‑Algorithmus, nach dem besten Parametersatz für das einfache Modell suchen. Dieser Algorithmus, lose angelehnt an das Markier- und Spürverhalten brauner Bären, erkundet viele mögliche Parameterkombinationen und fokussiert schrittweise jene, die den Fehler minimieren.

Stabilität und Genauigkeit als unverrückbare Regeln

Während die Optimierung läuft, muss sie zwei strikten Vorgaben genügen. Erstens darf das vereinfachte Modell keinen stationären Fehler aufweisen; das heißt, nach einer Störung muss es exakt denselben Endwert wie das Originalsystem erreichen. Zweitens muss es ein klassisches Stabilitätskriterium erfüllen, bekannt als Hurwitz-Kriterium, das sicherstellt, dass das Modell nicht unkontrolliert driftet oder schwingt. Unter diesen Zwängen liefert der Brown Bear Optimization‑Algorithmus ein Modell zweiter Ordnung, das das Schlüsselverhalten des ursprünglichen Microgrids sowohl im Zeit- als auch im Frequenzbereich abbildet. Verglichen mit anderen, traditionelleren Reduktionstechniken zeigt ihr Ansatz durchweg kleinere Fehler in gängigen Leistungsmaßen und bessere Übereinstimmung in Sprung-, Impuls- und Frequenzgangdarstellungen.

Folgen für zukünftige Microgrids

Für Nichtfachleute lautet die wichtigste Erkenntnis, dass die Autoren ein sehr kompaktes mathematisches Stellvertretermodell für ein komplexes netzfernes Microgrid mit Elektrofahrzeugen entwickelt haben. Dieses reduzierte Modell ist genau genug, die wichtigsten Dynamiken des Originalsystems nachzubilden, gleichzeitig aber einfach genug, um Simulationen zu beschleunigen und die Reglerauslegung praktikabler zu machen. Langfristig können derartige Werkzeuge Ingenieuren helfen, sauberere und verlässlichere Microgrids für entlegene Gemeinden und kritische Einrichtungen zu entwerfen und so die Nutzung erneuerbarer Energien und von Elektrofahrzeugen zu verbessern, ohne Stabilität oder Netzqualität zu gefährden.

Zitation: Chaudhary, R., Singh, V.P., Mathur, A. et al. Error minimized LO modeling of electric vehicle integrated off-grid microgrids using Taylor-Laurent series expansion and BBO based optimization under stability and steady state constraints. Sci Rep 16, 13561 (2026). https://doi.org/10.1038/s41598-026-43306-0

Schlüsselwörter: netzfernes Microgrid, Elektrofahrzeuge, Modellreduktion, erneuerbare Energien, Optimierungsalgorithmus