Optimale Einsatzplanung von Mikronetzen basierend auf einem multistrategisch verbesserten Sardinen-Algorithmus

Warum intelligentere kleine Stromnetze wichtig sind

Weltweit bauen Städte und Campusgelände kleine lokale Stromsysteme aus Solarzellen, Windturbinen, Batterien und kleinen Generatoren auf. Diese „Mikronetze" können bei Blackouts die Versorgung sichern und saubere Energien besser nutzen. Doch die Entscheidung, wann Sonne, Wind, Batterie oder ein mit Brennstoff betriebener Generator eingesetzt werden sollen, ist ein stündlich wechselndes, komplexes Rätsel. Diese Studie stellt eine neue Methode zur Planung dieser Entscheidungen vor, damit Mikronetze gleichzeitig Kosten und Emissionen senken.

Wie lokale Stromsysteme funktionieren

Ein Mikronetz ist wie eine kleine, intelligente Version des großen Stromnetzes. Es kann sich mit dem Hauptnetz verbinden, wenn das vorteilhaft ist, oder eigenständig betrieben werden, falls es außerhalb einen Ausfall gibt. Innerhalb des Mikronetzes teilen sich mehrere Anlagen die Arbeit: Solarmodule und Windturbinen liefern saubere, aber variable Energie, Batterien speichern Überschussstrom für später, und mit Brennstoff betriebene Einheiten wie Dieselmotoren und Gasturbinen liefern Reserveleistung und schnelle Reaktionsfähigkeit. Das Hauptziel ist, dieses wechselnde Angebot stets an die lokale Nachfrage anzupassen, ohne Energie oder Geld zu verschwenden.

Die Herausforderung täglicher Entscheidungen

Ein Mikronetz gut zu betreiben bedeutet, viele verknüpfte Entscheidungen zu treffen: Wann sollen Batterien geladen oder entladen werden, wie viel Strom soll vom Hauptnetz gekauft oder dorthin verkauft werden, und wie stark sollen Brennstoffmaschinen betrieben werden. Diese Entscheidungen müssen zahlreiche Beschränkungen einhalten, etwa Leistungsgrenzen, sichere Batterieladezustände und wie schnell Geräte ihre Leistung hoch- oder runterfahren können. Hinzu kommt ein Zielkonflikt zwischen niedrigen Kosten und sauberer Luft. Generatoren und Netzstrom können günstig, aber verschmutzend sein, während Solar- und Windenergie sauber, jedoch unsicher sind. Einfache Planungsmethoden bleiben oft in einem „gut genug“-Muster stecken und übersehen so günstigere, sauberere Optionen, die in dieser komplexen Landschaft verborgen liegen.

Eine neue Suchmethode, inspiriert von Fischschwärmen

Um dieses Problem anzugehen, bauen die Autoren ein detailliertes mathematisches Modell eines Mikronetzes auf, das Windturbinen, Solarmodule, eine Mikro-Gasturbine, einen Dieselmotor und eine Batterie umfasst. Danach entwerfen sie eine neue Suchmethode, um die vielen möglichen Einsatzpläne zu erkunden. Die Methode mischt zwei von der Natur inspirierte Ideen: einen jüngeren „Sardinen“-Algorithmus, der das Verhalten von Fischschwärmen beim Bewegen und Teilen nachahmt, und ein bekanntes „Particle Swarm“-Verfahren, das virtuelle Partikel zu besseren Lösungen führt. Der verbesserte Ansatz nutzt mehrere Tricks: Er startet mit einer vielfältigeren Menge an Testlösungen, passt die Suchintensität lernend an und fügt zufällige „Sprünge“ hinzu, die helfen, lokalen Sackgassen zu entkommen. Eine zweischichtige Struktur lässt eine Gruppe breit erkunden, während eine andere vielversprechende Optionen feinjustiert und die besten Ergebnisse austauscht.

Prüfung der Methode an Standardproblemen

Bevor die Methode auf reale Mikronetzprobleme angewendet wird, testet das Team sie an zwölf standardisierten mathematischen Funktionen, die oft zur Bewertung von Suchalgorithmen verwendet werden. Diese Testfälle umfassen glatte Hügel, scharfe Kanten und Landschaften mit vielen kleinen Tälern. In direkten Vergleichen mit sieben anderen Verfahren, darunter der ursprüngliche Sardinen-Algorithmus, Particle Swarm Optimization, genetische Algorithmen und mehrere Hybride, findet der verbesserte Sardinen-Ansatz schneller und zuverlässiger bessere Lösungen. Er zeigt starke Fähigkeit, zunächst weit zu erkunden und sich dann gezielt um die beste Lösung zu konzentrieren, ohne in schlechten Bereichen stecken zu bleiben.

Was in einem Modell-Mikronetz passiert

Anschließend wenden die Autoren ihre Methode auf ein Beispielmikronetz an, das einen typischen Tag mit wechselnder Sonneneinstrahlung, Wind und Last durchläuft. Das Modell berücksichtigt Kraftstoff-, Betriebs- und Verschmutzungskosten für jede Einheit sowie Preise für Kauf und Verkauf mit dem Hauptnetz. Das verbesserte Betriebsprofil nutzt Batterien als intelligenten Puffer: Laden, wenn Strom günstig und sauber ist, und entladen, wenn Preise und Emissionen sonst hoch wären. Solar- und Windenergie werden möglichst umfassend genutzt, während die Gasturbine und der Dieselgenerator nur laufen, wenn ihr kombinierter wirtschaftlicher und ökologischer Nutzen Importe aus dem Netz überwiegt. Im Vergleich zu älteren Planungsmethoden ergeben sich gleichmäßigere Leistungsprofile und ein besseres Gleichgewicht zwischen lokaler Erzeugung, Speicherung und Netzbezug.

Warum dieser neue Ansatz wichtig ist

Unter gleichen Bedingungen und mit gleicher Ausrüstung reduziert die auf dem verbesserten Sardinen-Algorithmus basierende Methode die täglichen Gesamtkosten des Beispielmikronetzes um etwa ein Viertel gegenüber dem ursprünglichen Sardinen-Algorithmus und verringert gleichzeitig die Verschmutzung. Sie findet gute Lösungen schneller und mit geringerem Risiko, in einer schlechten Lösung festzustecken. Obwohl die Arbeit noch auf Computermodellen beruht und einige reale Details unberücksichtigt lässt, deutet sie darauf hin, dass sorgfältig gestaltete Suchverfahren zukünftige Mikronetze sowohl preiswerter als auch umweltfreundlicher betreiben können. Wenn mehr Gemeinden lokale Energiesysteme übernehmen, könnten solche intelligenten Planungswerkzeuge eine Schlüsselrolle beim Aufbau einer zuverlässigeren und nachhaltigeren Stromversorgung spielen.

Zitation: Wei, L., Zhong, H. Optimal scheduling study of microgrids based on multistrategy improved sardine algorithm. Sci Rep 16, 15782 (2026). https://doi.org/10.1038/s41598-026-46654-z

Schlüsselwörter: Mikronetz, erneuerbare Energien, Energiespeicherung, Optimierungsalgorithmus, wirtschaftliche Einsatzplanung