Een nieuwe intelligente regeling met RBFNN-class topper optimalisatie voor stabiliteitsverbetering in een hybride standalone microgrid

De lichten aanhouden op afgelegen locaties

Veel afgelegen dorpen, eilanden en off-grid gemeenschappen voorzien zichzelf steeds vaker van stroom met een mix van zonnepanelen, kleine windturbines en batterijen. Het stabiel houden van de spanning wanneer wolken voorbij trekken of de wind wegvalt is echter lastiger dan het lijkt. Dit artikel introduceert een nieuwe “intelligente” regelmethode die zulke kleine elektriciteitsnetten, zogenaamde standalone microgrids, helpt om vloeiende, betrouwbare elektriciteit te leveren met minder knipperen, minder elektrische ruis en beter gebruik van schone energie.

Hoe een klein elektriciteitsnet werkt

De studie bekijkt een compact energiesysteem dat drie cruciale onderdelen combineert: een zonne-array, een windturbine en een grote batterij, allemaal verbonden op een gemeenschappelijke gelijkstroom (DC) bus. Vanuit deze gedeelde ruggengraat genereert een elektronisch apparaat, een omvormer, de reguliere driefasige wisselstroom (AC) die huishoudens en apparatuur gebruiken. Zonne- en windenergie zijn van nature onstabiel—zon en wind variëren snel—dus de batterij treedt in om overtollige energie op te slaan of tekorten op te vullen. Het hele systeem moet voortdurend deze stromen regelen zodat de DC-bus dicht bij zijn doelspanning blijft en de aan de belasting geleverde AC schoon en stabiel is.

Waarom traditionele regeling tekortschiet

Conventionele regelaars in dergelijke systemen werken met vaste instellingen die handmatig zijn afgestemd. Ze kunnen goed functioneren rond één bedrijfsgebied, maar ze hebben moeite wanneer de omstandigheden snel veranderen: een plotselinge toename van de vraag, snel voorbijtrekkende wolken of vlagen wind. Deze methoden laten vaak merkbare spanningsschommelingen toe en produceren vervormde stroomcurven die apparatuur kunnen belasten en energie kunnen verspillen. Geavanceerdere benaderingen op basis van fuzzy logic of complexe voorspellende modellen kunnen zich beter aanpassen, maar ze vragen doorgaans veel rekenkracht en ingewikkelde regels, waardoor ze moeilijk in realtime op betaalbare hardware draaien.

Een tweelaagse intelligente regelbenadering

De auteurs stellen een tweelaags regelschema voor dat een snel reagerend neuraal netwerk combineert met een langzamer superviserend optimalisator. De onderste laag gebruikt een radial basis function neural network, een type machine-learningmodel dat uitblinkt in het omgaan met niet-lineair gedrag. Het bewaakt hoe ver de DC-spanning en de omvormerstromen afwijken van hun gewenste waarden en past vervolgens snel converter- en omvormercommando’s aan om deze fouten te corrigeren. Daarboven speelt een “Class Topper Optimization Algorithm” de rol van coach. Geïnspireerd door hoe studenten leren van de beste leerling in de klas, beoordeelt dit algoritme periodiek hoe goed het systeem presteert—kijkend naar spanningsafwijkingen en de mate waarin de stroom sinusoidaal is—en stelt het voorzichtig belangrijke regelversterkingen en leersnelheden bij binnen veilige grenzen. Deze scheiding van snel leren en langzamere optimalisatie houdt het systeem responsief zonder instabiel te worden.

De slimme regelaar op de proef stellen

Om te beoordelen hoe de nieuwe methode presteert, simuleerden de onderzoekers een microgrid met een 10-kilowatt zonne-array, een 20-kilowatt windturbine en een batterij van 60 kilowattuur. Ze onderwierpen het aan scherpe veranderingen in zonlicht, windsnelheid en belasting, inclusief stapveranderingen van lage naar volle vraag en niet-lineaire belastingen die normaal sterke elektrische ruis veroorzaken. Vergeleken met een standaard proportioneel–integraalregelaar en een meer basale neurale-netwerkregelaar hield het nieuwe schema de DC-spanning veel dichter bij de doelwaarde, herstelde het ongeveer twee keer zo snel van verstoringen en verminderde het ongewenste rimpels. De aan de belasting geleverde elektrische stroom werd bijna perfect glad, met harmonische vervorming ruim onder veelgebruikte IEEE-kwaliteitsgrenzen.

Waarom dit belangrijk is voor toekomstige microgrids

Voor niet‑specialisten is de belangrijkste conclusie dat dit intelligente regelkader kleine, op hernieuwbare energie gebaseerde energiesystemen helpt zich meer als een robuust conventioneel net te gedragen: de verlichting blijft stabiel, motoren lopen soepel en gevoelige elektronica wordt beter beschermd, zelfs wanneer het weer en de vraag snel veranderen. Omdat de methode rekenkundig licht en modulair is, kan zij op praktische digitale regelaars worden geïmplementeerd en worden uitgebreid naar grotere of multi-gebied microgrids zonder vanaf nul te hoeven worden hertraind. Kortom, het werk toont een veelbelovende weg naar betrouwbaardere, schonere lokale energiesystemen die hoogwaardige elektriciteit kunnen brengen naar plaatsen ver van traditionele hoogspanningslijnen.

Bronvermelding: 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

Trefwoorden: microgrid, regeling van hernieuwbare energie, neurale netwerkregelaar, batterij-energieopslag, kwaliteit van het vermogen