Dimensionamento e posizionamento multi-obiettivo di DG nella rete di distribuzione mediante ottimizzazione ibrida gorilla troops-genetic algorithm: uno studio di caso reale

Energia locale più intelligente per l’affidabilità quotidiana

Quando accendi un interruttore, ti aspetti energia immediata e stabile—ma garantire tale affidabilità diventa sempre più difficile man mano che la domanda elettrica cresce e più fonti rinnovabili si connettono alla rete. Un’idea promettente è distribuire unità di potenza più piccole, chiamate generatori distribuiti, all’interno delle reti locali invece di fare affidamento solo su grandi centrali lontane. Questo studio mostra come un nuovo metodo di pianificazione basato su calcolo possa decidere dove collocare queste unità più piccole e quale dovrebbe essere la loro dimensione in modo che la rete consumi meno energia, mantenga la tensione stabile e permetta risparmi sostanziali ogni anno.

Perché i generatori locali sono importanti

I sistemi elettrici tradizionali trasportano l’elettricità su lunghe distanze dalle grandi centrali verso case e fabbriche. Lungo il percorso parte di quell’energia si disperde sotto forma di calore nelle linee e la tensione può abbassarsi nei quartieri più lontani, specialmente quando la domanda aumenta. Installare generatori distribuiti—come piccole unità a gas o rinnovabili come solare e eolico—direttamente nelle reti locali può alleggerire le linee sovraccariche, ridurre le perdite e migliorare la qualità della tensione. Ma posizionare queste unità non è semplice come riempire spazi vuoti: ogni possibile posizione e taglia influisce sul resto della rete, e le decisioni devono rispettare rigidi limiti ingegneristici. Il compito di pianificazione si trasforma in un rompicapo complesso che mescola scelte discrete on/off (dove mettere le unità) con scelte continue (quanto grandi devono essere), il tutto cercando di bilanciare diversi obiettivi contemporaneamente.

Una “squadra di ricerca” digitale ibrida

Per affrontare questo rompicapo, gli autori hanno progettato un metodo di ricerca ibrido che combina due famiglie note di strumenti di ottimizzazione. Una parte è un algoritmo genetico, ispirato all’evoluzione, che gestisce le decisioni sì/no e a gradini—come quali nodi della rete dovrebbero ospitare i nuovi generatori. L’altra parte è il gorilla troops optimizer, un metodo di tipo swarm modellato sul movimento di gruppo e la leadership nelle bande di gorilla, che eccelle nell’esplorare intervalli continui di valori—come la potenza esatta di ciascun generatore. In ogni ciclo, le due componenti propongono piani candidati, li combinano in layout di rete completi e ne testano le prestazioni. I piani che riducono le perdite energetiche e migliorano la tensione vengono conservati e raffinati, mentre quelli più deboli vengono scartati. Permettendo a ciascun metodo di concentrarsi su ciò che sa fare meglio, l’approccio ibrido può esplorare uno spazio di decisione molto complesso in modo più efficiente ed evitare di restare bloccato in soluzioni subottimali.

Test su reti elettriche realistiche

I ricercatori hanno prima verificato il loro strumento ibrido su 23 funzioni matematiche standard comunemente usate per valutare quanto bene i metodi di ottimizzazione esplorino paesaggi complessi. L’ibrido ha costantemente trovato soluzioni molto buone e ha convergito più rapidamente rispetto a diverse tecniche consolidate, inclusi algoritmi genetici classici e altri approcci swarm. Successivamente hanno applicato il metodo a due reti di distribuzione elettrica: un sistema di riferimento ampiamente usato con 33 punti di connessione e una rete reale molto più grande semplificata a 143 punti. In entrambi i casi, lo strumento ha esplorato diverse condizioni operative per i generatori distribuiti e ha esaminato obiettivi singoli (solo riduzione delle perdite o solo miglioramento della tensione) e obiettivi combinati (bilanciando entrambi simultaneamente). Il metodo non solo ha trovato posizionamenti che hanno ridotto drasticamente le perdite e raddrizzato le tensioni, ma ha anche tracciato curve di compromesso che mostrano quanto di un beneficio occorre sacrificare per ottenere di più dell’altro.

Grandi riduzioni di sprechi e costi

I risultati riportati sono notevoli. Nel sistema di prova a 33 punti, le migliori soluzioni hanno ridotto le perdite di potenza fino a circa il 94% e migliorato la qualità della tensione di quasi il 100% rispetto alla rete originale senza generatori aggiunti. In termini finanziari pratici, le perdite economiche annuali in quel sistema sono scese da circa 92.000 dollari a circa 14.000 dollari—un risparmio di più di 78.000 dollari all’anno. Nella rete reale più grande a 143 nodi, le perdite sono diminuite di quasi il 94% e i problemi di tensione sono stati ridotti di quasi il 100%, trasformando una perdita annua di circa 178.000 dollari in poco più di 32.000 dollari, per risparmi superiori a 145.000 dollari. L’analisi ha inoltre rivelato quali parti specifiche delle reti erano più sensibili, fornendo ai pianificatori obiettivi concreti per interventi mirati.

Cosa significa per la rete del futuro

Per i non specialisti, il messaggio principale è che strumenti di pianificazione più intelligenti possono sbloccare molto più valore dalle fonti di energia locali che stanno già diventando comuni, come i pannelli solari sui tetti, le batterie a livello di comunità e i piccoli generatori. Piuttosto che posizionare queste unità per tentativi o seguendo regole semplici, l’approccio ibrido descritto qui esplora innumerevoli possibilità per trovare layout che sprecano molto meno energia, stabilizzano le tensioni e riducono sensibilmente i costi operativi. Man mano che le reti elettriche assorbiranno più rinnovabili e serviranno una domanda crescente, una pianificazione intelligente e automatizzata potrebbe rendere le reti locali più efficienti, più affidabili e più pronte per un futuro energetico più pulito.

Citazione: 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

Parole chiave: generazione distribuita, reti di distribuzione elettrica, algoritmi di ottimizzazione, stabilità di tensione, riduzione delle perdite energetiche