Multi-doel bepaling van omvang en locatie van DG in distributienetwerk door hybride gorilla-troepen optimalisatie-genetisch algoritme: een casestudy

Slimmere lokale energie voor dagelijkse betrouwbaarheid

Wanneer u een lichtschakelaar omzet, verwacht u onmiddellijk en stabiele stroom—maar het leveren van die betrouwbaarheid wordt moeilijker naarmate de elektriciteitsvraag groeit en er meer hernieuwbare bronnen op het net worden aangesloten. Een veelbelovend idee is het verspreiden van kleinere energie-eenheden, zogenaamde gedistribueerde generatoren, door lokale netten in plaats van alleen te vertrouwen op grote verre centrales. Deze studie toont hoe een nieuwe, computergebaseerde planningsmethode kan bepalen waar deze kleinere units geplaatst moeten worden en hoe groot ze moeten zijn, zodat het net minder energie verspilt, spanningen stabiel blijven en er elk jaar aanzienlijke kosten worden bespaard.

Waarom lokale generatoren ertoe doen

Traditionele energiesystemen transporteren elektriciteit over lange afstanden van grote centrales naar woningen en fabrieken. Onderweg gaat een deel van die energie verloren als warmte in de lijnen en kan de spanning in afgelegen wijken wegzakken, vooral als de vraag stijgt. Het plaatsen van gedistribueerde generatoren—zoals kleine gasgestookte units of hernieuwbare bronnen zoals zon en wind—direct in lokale netten kan overbelaste lijnen ontlasten, verliezen verminderen en de spanningskwaliteit verbeteren. Maar het plaatsen van deze units is niet zo eenvoudig als lege plekken vullen: elke mogelijke locatie en omvang beïnvloedt de rest van het netwerk, en beslissingen moeten ook voldoen aan strikte ingenieursgrenzen. De planningsopgave wordt een complex raadsel dat on/uit-keuzes (waar units te plaatsen) mengt met continue keuzes (hoe groot ze moeten zijn), terwijl meerdere doelen tegelijk in balans moeten worden gehouden.

Een hybride digitale “zoekploeg”

Om dit probleem aan te pakken, ontwierpen de auteurs een hybride zoekmethode die twee bekende families van optimalisatie-instrumenten combineert. Een deel is een genetisch algoritme, geïnspireerd op evolutie, dat de ja–nee en stapsgewijze beslissingen afhandelt—zoals welke knooppunten in het netwerk nieuwe generatoren moeten huisvesten. Het andere deel is de gorilla-troepen optimizer, een zwermachtig methode gemodelleerd op groepsbeweging en leiderschap in gorillabendes, die uitblinkt in het verkennen van vloeiende waardebereiken—zoals het exacte vermogen van elke generator. In elke cyclus doen de twee componenten voorstelrondes voor kandidaat-plannen, voegen die samen tot volledige netwerklay-outs en testen hoe goed ze presteren. Plannen die energieverlies verminderen en spanning verbeteren worden bewaard en verfijnd, terwijl zwakkere plannen worden verworpen. Door elk method onderdeel te laten focussen op waar het goed in is, kan de hybride benadering een zeer gecompliceerde beslissingsruimte efficiënter doorzoeken en voorkomen dat hij vastloopt in slechte oplossingen.

Testen op realistische netwerken

De onderzoekers verifieerden hun hybride gereedschap eerst op 23 standaard wiskundige testfuncties die vaak worden gebruikt om te beoordelen hoe goed optimalisatiemethoden complexe landschappen verkennen. De hybride methode vond consequent zeer goede oplossingen en convergeerde sneller dan verschillende gevestigde technieken, waaronder klassieke genetische algoritmen en andere zwermgebaseerde benaderingen. Vervolgens pasten ze de methode toe op twee elektrische distributienetwerken: een veelgebruikt benchmark-systeem met 33 aansluitpunten en een veel groter realistisch netwerk vereenvoudigd tot 143 punten. In beide gevallen verkende het gereedschap verschillende bedrijfscondities voor de gedistribueerde generatoren en onderzocht zowel enkelvoudige doelen (alleen verliesvermindering of alleen spanningsverbetering) als gecombineerde doelen (beide in balans). De methode vond niet alleen plaatsingen die verliezen sterk verlaagden en spanningen egaliseerden, maar bracht ook trade-off-curves in kaart die laten zien hoeveel van het ene voordeel opgeofferd moet worden om meer van het andere te verkrijgen.

Grote verlagingen van verlies en kosten

De gerapporteerde winst is opvallend. In het 33-punts testsysteem verminderden de beste oplossingen de energieverliezen met maximaal ongeveer 94% en verbeterden ze de spanningskwaliteit met bijna 100% vergeleken met het oorspronkelijke netwerk zonder extra generatoren. In praktische financiële termen daalden de jaarlijkse economische verliezen in dat systeem van ongeveer 92.000 dollar naar ongeveer 14.000 dollar—een besparing van meer dan 78.000 dollar per jaar. In het grotere, reële 143-busnetwerk daalden de verliezen bijna 94% en werden spanningsproblemen bijna volledig weggenomen, waardoor een jaarlijks verlies van ongeveer 178.000 dollar terugging naar net iets meer dan 32.000 dollar, voor een besparing van ruim 145.000 dollar. De analyse toonde ook welke specifieke delen van de netwerken het meest gevoelig waren, waardoor planners concrete doelwitten voor upgrades kregen.

Wat dit betekent voor het toekomstige net

Voor niet-specialisten is de kernboodschap dat slimere planningsinstrumenten veel meer waarde kunnen ontsluiten uit lokaal beschikbare energiebronnen die al gemeengoed worden, zoals zonnepanelen op daken, gemeenschapsbatterijen en kleine generatoren. In plaats van deze units te plaatsen door middel van proef en fout of eenvoudige regels, doorzoekt de hier beschreven hybride benadering talloze mogelijkheden om lay-outs te vinden die veel minder energie verspillen, spanningen stabiliseren en de exploitatiekosten aanzienlijk verlagen. Nu elektriciteitsnetten meer hernieuwbare bronnen opnemen en een groeiende vraag bedienen, kan zulke intelligente, geautomatiseerde planning helpen om lokale netten efficiënter, betrouwbaarder en geschikter voor een schonere energie-toekomst te maken.

Bronvermelding: 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

Trefwoorden: gedistribueerde opwekking, stroomdistributienetwerken, optimalisatie-algoritmen, spanningsstabiliteit, vermindering van energieverlies