Studio di schedulazione ottimale delle microreti basato su algoritmo sardina migliorato multi‑strategia

Perché contano reti elettriche locali più intelligenti

In tutto il mondo, città e campus stanno aggiungendo piccoli sistemi elettrici locali costruiti con pannelli solari, turbine eoliche, batterie e piccoli generatori. Queste “microreti” possono mantenere l'illuminazione durante i blackout e sfruttare meglio l'energia pulita. Ma decidere quando usare il sole, il vento, una batteria o un generatore a combustibile è un puzzle complicato che cambia di ora in ora. Questo studio presenta un nuovo modo di pianificare queste scelte in modo che le microreti riducano contemporaneamente costi e inquinamento.

Come funzionano i sistemi di generazione locale

Una microrete è come una versione piccola e intelligente della rete elettrica principale. Può collegarsi alla rete quando è vantaggioso, o funzionare in isolamento se c'è un guasto esterno. All'interno della microrete, diversi dispositivi si dividono il lavoro: pannelli solari e turbine eoliche apportano energia pulita ma variabile, le batterie immagazzinano elettricità in eccesso per usarla in seguito, e unità a combustibile come generatori diesel e turbine a gas forniscono potenza di riserva e risposta rapida. L'obiettivo principale è abbinare questa fornitura variabile alla domanda locale senza sprecare energia o denaro.

La sfida delle decisioni quotidiane

Gestire bene una microrete significa prendere molte decisioni collegate: quando caricare o scaricare le batterie, quanta potenza comprare o vendere alla rete principale e quanto spingere le macchine a combustibile. Queste decisioni devono rispettare numerosi limiti, come le potenze massime, i livelli sicuri delle batterie e la velocità con cui i dispositivi possono aumentare o diminuire la produzione. Inoltre, esiste un compromesso tra bollette basse e aria pulita. I generatori a combustibile e la rete possono essere economici ma inquinanti, mentre solare ed eolico sono puliti ma incerti. I metodi di pianificazione semplici spesso restano bloccati in soluzioni “abbastanza buone” che non sono ottimali e possono perdere opzioni più economiche e più pulite nascoste in questo panorama complesso.

Un nuovo metodo di ricerca ispirato alle scuole di pesci

Per affrontare questo problema, gli autori costruiscono un modello matematico dettagliato di una microrete che include turbine eoliche, pannelli solari, una microturbina a gas, un generatore diesel e una batteria. Poi progettano un nuovo metodo di ricerca per esplorare le molte possibili schedulazioni. Il metodo mescola due idee ispirate alla natura: un recente algoritmo “sardina” basato sul modo in cui le scuole di pesci si muovono e si dividono, e un noto metodo “particle swarm” che guida particelle virtuali verso soluzioni migliori. L'approccio migliorato usa diversi accorgimenti: parte da un set di soluzioni iniziali più vario, regola quanto aggressivamente esplora man mano che impara e aggiunge “salti” casuali che lo aiutano a sfuggire a vicoli ciechi locali. Una struttura a due livelli permette a un gruppo di esplorare in ampiezza mentre un altro affina le opzioni promettenti, condividendo i migliori risultati tra loro.

Testare il metodo su problemi standard

Prima di applicarlo a problemi reali di microreti, il team lo testa su dodici funzioni matematiche standard ampiamente usate per valutare algoritmi di ricerca. Questi casi di prova includono colli dolci, creste ripide e paesaggi con molte piccole valli. In prove dirette contro sette altri metodi, inclusi l'algoritmo sardina originale, l'ottimizzazione particle swarm, algoritmi genetici e diversi ibridi, l'approccio sardina migliorato trova soluzioni migliori più rapidamente e in modo più affidabile. Mostra una forte capacità di esplorare ampiamente all'inizio e poi concentrarsi strettamente vicino alla migliore risposta, senza restare intrappolato in soluzioni scadenti.

Cosa succede dentro una microrete modello

Successivamente, gli autori applicano il loro metodo a una microrete di esempio che opera in una giornata tipica con sole, vento e domanda variabili. Il modello include i costi del combustibile, dell'operazione e dell'inquinamento per ogni dispositivo, oltre ai prezzi di acquisto o vendita con la rete principale. Il modello di schedulazione migliorato usa le batterie come tampone intelligente, caricandole quando l'energia è economica e pulita e scaricandole quando i prezzi e l'inquinamento sarebbero altrimenti elevati. Solare ed eolico sono sfruttati il più possibile, mentre la microturbina a gas e il generatore diesel funzionano solo quando i loro benefici economici e ambientali combinati superano gli acquisti dalla rete. Rispetto ai metodi di pianificazione precedenti, il nuovo approccio produce curve di uscita più regolari e un migliore equilibrio tra generazione locale, accumulo e potenza di rete.

Perché questo nuovo approccio è importante

Alle stesse condizioni e con lo stesso equipaggiamento, il metodo migliorato basato sulle sardine riduce il costo operativo totale giornaliero della microrete di esempio di circa un quarto rispetto all'algoritmo sardina originale, riducendo anche l'inquinamento. Raggiunge buone soluzioni più rapidamente e con meno rischio di bloccarsi in una soluzione scadente. Sebbene il lavoro si basi ancora su modelli al computer e trascuri alcuni dettagli del mondo reale, suggerisce che metodi di ricerca progettati con cura possono rendere le microreti future sia più economiche sia più pulite da gestire. Man mano che più comunità adotteranno sistemi energetici locali, tali strumenti di schedulazione intelligenti potrebbero svolgere un ruolo chiave nella costruzione di una fornitura di energia più affidabile e sostenibile.

Citazione: 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

Parole chiave: microrete, energia rinnovabile, accumulo energetico, algoritmo di ottimizzazione, dispatch economico