שיטה אינטליגנטית חדשה מבוססת RBFNN ואופטימיזציית Class Topper לשיפור היציבות במיקרוגריד היברידי עצמאי

שימור התאורה במקומות נידחים

כפרים מרוחקים, איים וקהילות לא מחוברות לרשת מתחילים להטעין את צרכיהם משילוב של פאנלים סולאריים, טורבינות רוח קטנות וסוללות. עם זאת, שמירה על אספקת חשמל יציבה כאשר מעבר עננים או ירידת רוח מתרחשים היא אתגר גדול. מאמר זה מציג שיטת בקרה "אינטליגנטית" חדשה שעוזרת לרשתות חשמל קטנות מסוג מיקרוגריד עצמאי לספק חשמל חלק ואמין עם פחות הבזקים, פחות רעש חשמלי וניצול טוב יותר של אנרגיה נקייה.

איך פועלת רשת כוח קטנה

המחקר בוחן מערכת כוח קומפקטית המשלבת שלושה רכיבים מרכזיים: מערך סולארי, טורבינת רוח וחבילת סוללות גדולה, כולם מחוברים לקו ישיר משותף (DC). מהקו המשותף הזה מכשיר אלקטרוני שנקרא אינברטר מייצר את הזרם المتחלף התלת‑פאזי שהבתים והציוד משתמשים בו. כוח סולארי ורוח הם מטבעם בלתי יציבים—שמש ורוח משתנים במהירות—ולכן הסוללה נכנסת לאחסון עודפים או למילוי פערים. המערכת כולה צריכה לאזן באופן מתמיד את הזרימות האלה כך שמתח ה‑DC יישאר קרוב לערכו המיועד ושה‑AC המסופק לעומס יישאר נקי ויציב.

למה בקרה מסורתית אינה מספיקה

בקרים קונבנציונליים במערכות כאלה משתמשים בהגדרות קבועות מכוילות ידנית. הם עשויים לעבוד היטב בנקודת פעולה אחת, אך מתקשים כאשר התנאים משתנים בחדות: קפיצה פתאומית בביקוש, עננים חולפים מהר או גלי רוח חזקים. שיטות אלה לעתים מאפשרות תנודות מתח ניכרות ומייצרות צורות גל זרם מעוותות שיכולות להעמיס על ציוד ולהבזבז אנרגיה. גישות מתקדמות יותר המבוססות על לוגיקה פאזית או מודלים חיזויים מורכבים יכולות להסתגל טוב יותר, אך הן נוטות לדרוש חישוב כבד וערכת חוקים מורכבת, מה שמקשה על הרצתן בזמן אמת על חומרה זולה ונגישה.

גישה בקרה אינטליגנטית בשתי שכבות

המחברים מציעים סכמת בקרה בעלת שתי שכבות שמשלבת רשת עצבית מהירה עם אופטימיזטור מפקח איטי יותר. השכבה התחתונה משתמשת ברשת עצבית מבוססת פונקציות בסיס רדיאליות (RBFNN), סוג של מודל למידת מכונה המצטיין בהתמודדות עם התנהגות לא‑ליניארית. היא עוקבת אחרי הסטיות של מתח ה‑DC וזרמי האינברטר מהערכים הרצויים, ואז מתאימה במהירות פקודות לממירים ולאינברטר לתיקון שגיאות אלה. מעליה פועל "אלגוריתם אופטימיזציה Class Topper" הממלא תפקיד של מאמן. בהשראת האופן שבו תלמידים לומדים מהמוביל בכיתה, הוא בסופו של כל תקופה בוחן את ביצועי המערכת—מבחינת סטיות מתח ועד כמה הזרם סינוסואידלי—ומכוון בעדינות רווחי בקרה וקצבי למידה במגבלות בטוחות. ההפרדה בין למידה מהירה לאופטימיזציה איטית שומרת על תגובתיות מבלי להזיק ליציבות.

בדיקת הבקר החכם

כדי להעריך את הביצועים של השיטה החדשה, החוקרים סימולצו מיקרוגריד עם מערך סולארי של 10 קילוואט, טורבינת רוח של 20 קילוואט וסוללה בקיבולת 60 קילוואט‑שעה. הם חשפו אותה לשינויים חדים בחדות האור, במהירות הרוח ובעומס, כולל קפיצות דרמטיות מביקוש נמוך למלוא העומס ועומסים לא‑ליניאריים שבדרך כלל מייצרים רעש חשמלי חזק. בהשוואה לבקר פרופורציונלי–אינטגרלי סטנדרטי ולבקר רשת עצבית בסיסי יותר, הסכמה החדשה שמרה על מתח ה‑DC קרוב הרבה יותר לערכו, התאוששה מהפרעות בערך פי שניים מהר יותר והפחיתה רעידות לא רצויות. הזרם החשמלי המסופק לעומס הפך לכמעט חלק לחלוטין, עם עיוות הרמוני שנשמר היטב מתחת לספי האיכות המקובלים על פי תקני IEEE.

למה זה חשוב למיקרוגרידים עתידיים

עבור הקוראים שאינם מומחים, המסקנה העיקרית היא שמסגרת בקרה אינטליגנטית זו עוזרת למערכות כוח קטנות מבוססות מתחדשות לפעול יותר כמו רשת קונבנציונלית יציבה: התאורה נשארת קבועה, מנועים פועלים בצורה חלקה ואלקטרוניקה רגישה מוגנת טוב יותר, גם כאשר מזג האוויר והביקוש משתנים במהירות. מאחר שהשיטה קלת חישוב ומודולרית, ניתן ליישמה על בקרי דיגיטל מעשיים ולהרחיבה למיקרוגרידים גדולים יותר או מרובי אזורים ללא צורך באימון מחודש מההתחלה. בקיצור, העבודה מציגה מסלול מבטיח לעבר מערכות חשמל מקומיות אמינות ונקיות יותר, שיכולות להביא אספקת חשמל איכותית למקומות רחוקים מקווי חשמל מסורתיים.

ציטוט: 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

מילות מפתח: מיקרוגריד, בקרת אנרגיה מתחדשת, בקר רשת עצבית, אחסון אנרגיה בסוללה, איכות חשמל