Foutgeminimaliseerde LO-modellering van off-grid microgrids met geïntegreerde elektrische voertuigen met behulp van Taylor-Laurent-reeksuitbreiding en BBO-gebaseerde optimalisatie onder stabiliteits- en stationaire toestandsvoorwaarden

Het licht aanhouden op afgelegen plekken

Afgelegen gemeenschappen en eilanden vertrouwen steeds vaker op kleine, zelfstandige elektriciteitsnetten die bekendstaan als off-grid microgrids. Deze systemen combineren stroom van zonnepanelen, windturbines, biofuelgeneratoren, batterijen en zelfs geparkeerde elektrische auto’s die als mobiele accu’s fungeren. Het beheer daarvan in real time is een complex samenspel: het vermogen moet stabiel en constant blijven terwijl zoninstraling, wind en laadbehoeften voortdurend veranderen. Het hier samengevatte artikel introduceert een manier om de modellering van zulke microgrids sterk te vereenvoudigen, waardoor ze eenvoudiger te ontwerpen en te besturen zijn zonder in te boeten aan betrouwbaarheid.

Waarom kleine netwerken ertoe doen

Off-grid microgrids bieden schone, betrouwbare energie op locaties ver van traditionele netten of waar het hoofdnet weinig robuust is. Ze combineren veel verschillende apparaten: fotovoltaïsche zonnepanelen, windturbines, biodiesel- en biogasgeneratoren, microturbines, batterijopslag en elektrische voertuigen die zowel kunnen ontladen als laden. Samen vormen deze onderdelen een flexibel maar ingewikkeld netwerk waarvan het gedrag wiskundig wordt beschreven door een “hoger-orde” model met veel dynamische componenten. Dergelijk gedetailleerd model is nauwkeurig maar kan traag zijn in simulatie en lastig in gebruik bij het ontwerpen van regelaars die spanning en frequentie binnen veilige grenzen houden.

Een ingewikkeld systeem tot een eenvoudig model herleiden

De auteurs pakken dit probleem aan door een zevende-orde wiskundige beschrijving van een off-grid microgrid met geïntegreerde elektrische voertuigen terug te brengen tot een veel eenvoudiger tweede-orde model. In alledaagse termen comprimeren zij een lang, gedetailleerd recept tot een korte versie die nog steeds hetzelfde resultaat geeft. Hun kernidee is het systeem vanuit twee aanvullende gezichtspunten te bekijken. Het ene gezichtspunt richt zich op langzame veranderingen in de tijd, zoals hoe het systeem zich herstelt na een verstoring; het andere op snelle, scherpe veranderingen, zoals korte uitslagen in vermogen of spanning. Wiskundig worden deze twee gezichtspunten vastgelegd met Taylor- en Laurent-reeksuitbreidingen, die het gedrag van het systeem uitbreiden rond lage en hoge frequenties.

Een virtuele beer op zoek naar de beste overeenkomst

Om het vereenvoudigde model het origineel zo goed mogelijk te laten nabootsen, formuleren de auteurs de taak als een optimalisatieprobleem: ze definiëren een ‘fitness’-maat die de mismatch tussen het complexe en het vereenvoudigde model kwantificeert vanuit zowel het langzame als het snelle perspectief. Deze maat combineert drie afzonderlijke fouttermen afgeleid van de Taylor- en Laurent-uitbreidingen. Vervolgens laten ze een computer zoeken naar de beste set parameters voor het eenvoudige model met behulp van een natuur-geïnspireerde methode genaamd Brown Bear Optimization-algoritme. Dit algoritme, losjes gemodelleerd op hoe bruine beren sporen markeren en besnuffelen, verkent vele mogelijke parametercombinaties en stelt zich geleidelijk bij naar diegene die de fout minimaliseren.

Stabiliteit en nauwkeurigheid als niet-onderhandelbare regels

Terwijl de optimalisatie loopt, moet deze zich aan twee strikte regels houden. Ten eerste moet het vereenvoudigde model nul stationaire fout hebben, wat betekent dat het na een verstoring exact naar dezelfde eindwaarde terugkeert als het oorspronkelijke systeem. Ten tweede moet het voldoen aan een klassieke stabiliteitseis bekend als het Hurwitz-criterium, dat ervoor zorgt dat het model niet ongecontroleerd wegdrijft of gaat oscilleren. Onder deze randvoorwaarden levert het Brown Bear Optimization-algoritme een tweede-orde model op dat het sleutelgedrag van het oorspronkelijke microgrid zowel in tijd- als frequentiedomeinen nabootst. Wanneer de auteurs hun model vergelijken met andere modellen die met meer traditionele reductietechnieken zijn gemaakt, levert hun benadering consequent kleinere fouten volgens standaard prestatiematen en betere overeenstemming in stap-, impuls- en frequentieresponsplots.

Wat dit betekent voor toekomstige microgrids

Voor niet-specialisten is de conclusie dat de auteurs een compact wiskundig stand-in hebben ontworpen voor een zeer complex off-grid microgrid met elektrische voertuigen. Dit gereduceerde model is nauwkeurig genoeg om de belangrijkste dynamiek van het oorspronkelijke systeem te reproduceren, maar eenvoudig genoeg om simulaties te versnellen en het ontwerpen van regelaars praktischer te maken. Op de lange termijn kunnen zulke instrumenten ingenieurs helpen schonere, betrouwbaardere microgrids te ontwerpen voor afgelegen gemeenschappen en kritieke voorzieningen, waardoor het gebruik van hernieuwbare energie en elektrische voertuigen verbetert zonder stabiliteit of spanningskwaliteit in gevaar te brengen.

Bronvermelding: Chaudhary, R., Singh, V.P., Mathur, A. et al. Error minimized LO modeling of electric vehicle integrated off-grid microgrids using Taylor-Laurent series expansion and BBO based optimization under stability and steady state constraints. Sci Rep 16, 13561 (2026). https://doi.org/10.1038/s41598-026-43306-0

Trefwoorden: off-grid microgrid, elektrische voertuigen, modelreductie, hernieuwbare energie, optimalisatie-algoritme