Eine neuartige intelligente Regelung mit RBFNN-Class-Topper-Optimierung zur Stabilitätssteigerung in hybriden Insel-Mikronetzen

Die Beleuchtung in abgelegenen Regionen sichern

Viele abgelegene Dörfer, Inseln und netzferne Gemeinden versorgen sich zunehmend mit einer Kombination aus Solarmodulen, kleinen Windturbinen und Batterien. Die Stromversorgung bei wechselnder Bewölkung oder Flaute stabil zu halten, ist jedoch schwieriger, als es klingt. Dieses Papier stellt eine neue „intelligente“ Regelungsmethode vor, die solchen kleinen Stromnetzen, sogenannten Insel-Mikronetzen, hilft, gleichmäßigen und zuverlässigen Strom mit weniger Flimmern, geringeren elektrischen Störungen und besserer Nutzung erneuerbarer Energie bereitzustellen.

Wie ein kleines Stromnetz funktioniert

Die Studie betrachtet ein kompaktes Energiesystem, das drei zentrale Komponenten kombiniert: ein Solarfeld, eine Windturbine und ein großes Batteriepaket, die alle an eine gemeinsame Gleichstrom-(DC)-Leitung angeschlossen sind. Von diesem gemeinsamen Rückgrat erzeugt ein elektronisches Gerät, der Wechselrichter, den üblichen dreiphasigen Wechselstrom (AC), den Haushalte und Geräte nutzen. Sonne und Wind sind naturgemäß schwankend – Sonneneinstrahlung und Windstärke ändern sich schnell – sodass die Batterie einspringt, um überschüssige Energie zu speichern oder Lücken zu füllen. Das gesamte System muss diese Flüsse ständig ausbalancieren, damit die DC-Leitung nahe ihrer Zielspannung bleibt und der an die Last gelieferte Wechselstrom sauber und stabil ist.

Warum herkömmliche Regelungen nicht ausreichen

Konventionelle Regler in solchen Systemen arbeiten mit festen, manuell abgestimmten Einstellungen. Sie können in der Nähe eines Betriebszustands gut funktionieren, haben aber Probleme, wenn sich die Bedingungen schnell ändern: ein plötzlicher Lastanstieg, schnell ziehende Wolken oder böiger Wind. Diese Methoden erlauben oft spürbare Spannungsschwankungen und erzeugen verzerrte Stromverläufe, die Geräte belasten und Energie verschwenden können. Fortgeschrittenere Ansätze auf Basis von Fuzzy-Logik oder komplexen Vorhersagemodellen können sich besser anpassen, erfordern jedoch oft hohen Rechenaufwand und komplexe Regelwerke, was den Echtzeitbetrieb auf bezahlbarer Hardware erschwert.

Ein zweischichtiges intelligentes Regelungskonzept

Die Autoren schlagen ein zweischichtiges Regelungsschema vor, das ein schnell reagierendes neuronales Netz mit einem langsameren überwachenden Optimierer kombiniert. Die untere Schicht nutzt ein Radial-Basis-Funktions-Netzwerk (RBFNN), eine Art von Machine-Learning-Modell, das besonders gut mit nichtlinearem Verhalten umgehen kann. Es beobachtet, wie weit die DC-Spannung und die Wechselrichterströme von ihren Sollwerten abweichen, und passt dann schnell die Befehle an Konverter und Wechselrichter an, um diese Fehler zu korrigieren. Darüber hinaus fungiert ein „Class Topper Optimization Algorithm“ als Coach. Inspiriert davon, wie Schüler vom besten Klassenkameraden lernen, überprüft er periodisch die Systemleistung – unter anderem Spannungsabweichungen und wie sinusförmig der Strom ist – und justiert behutsam Schlüsselfestwerte und Lernraten innerhalb sicherer Grenzen. Diese Trennung von schnellem Lernen und langsamerer Optimierung hält das System reaktionsfähig, ohne instabil zu werden.

Test des intelligenten Reglers

Um die Leistungsfähigkeit der neuen Methode zu prüfen, simulierten die Forschenden ein Mikronetz mit einem 10-Kilowatt-Solarfeld, einer 20-Kilowatt-Windturbine und einer 60-Kilowattstunden-Batterie. Sie setzten es scharfen Änderungen von Sonneneinstrahlung, Windgeschwindigkeit und Last aus, darunter Sprungwechsel von geringer auf volle Leistung und nichtlineare Lasten, die normalerweise starke elektrische Störungen einbringen. Im Vergleich zu einem standardmäßigen Proportional-Integral-Regler und einem einfacheren neuronalen Netzregler hielt das neue Schema die DC-Spannung deutlich näher am Sollwert, erholte sich etwa doppelt so schnell von Störungen und reduzierte unerwünschte Welligkeiten. Der an die Last gelieferte Strom wurde nahezu perfekt glatt, mit einer Harmonischenverzerrung deutlich unter den gängigen IEEE-Anforderungen zur Netzqualität.

Warum das für künftige Mikronetze wichtig ist

Für Nichtfachleute ist die wichtigste Erkenntnis, dass dieses intelligente Regelungsframework kleinen, erneuerbar basierten Energiesystemen hilft, sich eher wie ein robustes konventionelles Netz zu verhalten: Die Beleuchtung bleibt stabil, Motoren laufen gleichmäßig und empfindliche Elektronik ist besser geschützt, selbst wenn Wetter und Nachfrage schnell wechseln. Da die Methode rechnerisch leichtgewichtig und modular ist, lässt sie sich auf praktischen digitalen Reglern implementieren und ohne komplettes Neulernen auf größere oder mehrregionige Mikronetze erweitern. Kurz gesagt, die Arbeit zeigt einen vielversprechenden Weg zu zuverlässigeren, saubereren lokalen Energiesystemen, die qualitativ hochwertigen Strom an Orte fern der traditionellen Leitungen bringen können.

Zitation: Myla, A., Gorantla, S. A novel intelligent control using RBFNN-class topper optimization for stability enhancement in hybrid standalone microgrid. Sci Rep 16, 14008 (2026). https://doi.org/10.1038/s41598-026-44798-6

Schlüsselwörter: Mikronetz, Regelung erneuerbarer Energien, Neuronaler Netzregler, Batteriespeicher, Netzqualität