Multi-strategie verbeterd orchard-algoritme voor optimale integratie van hernieuwbare energiebronnen en EV-laadstations in microgrids

Waarom slimmer laden ertoe doet in het dagelijks leven

Naarmate meer mensen overstappen op elektrische auto’s en meer woningen en bedrijven zonnepanelen en windturbines op het dak plaatsen, krijgen lokale elektriciteitsnetten het zwaarder te verduren. Als deze technologieën zonder plan worden aangesloten, kunnen buurten te maken krijgen met flikkerende spanningen, hogere energieverliezen en extra belasting voor het hoofdzakelijke net. Dit artikel onderzoekt een slimmere manier om te bepalen waar zonnepanelen, windturbines en laadpunten voor elektrische voertuigen in een microgrid moeten komen, zodat bestuurders betrouwbaar kunnen laden, de verlichting stabiel blijft en het systeem minder energie verspilt.

Een groeiende uitdaging in schone-energiebuurten

Moderne distributienetten veranderen in actieve microgrids die huishoudelijke vraag, zonnepanelen, kleine windturbines en clusters van laadstations moeten combineren. Zonne- en windopbrengst schommelen met het weer, terwijl bestuurders op onvoorspelbare tijden en voor verschillende duur inpluggen. Samen kunnen deze variaties de spanning buiten veilige grenzen doen bewegen, sommige lijnen overbelasten en ongewenste vermogensstromen tussen het microgrid en de netbeheerder veroorzaken. Veel bestaande planningsmethoden behandelen elke technologie apart of gaan uit van stabiele, voorspelbare omstandigheden, waardoor ze moeite hebben wanneer al deze dynamische onderdelen tegelijk samenwerken.

Nieuw planningsinstrument geïnspireerd op boomgaarden

De auteurs introduceren een planningsmethode genaamd het Multi-Strategy Enhanced Orchard Optimization Algorithm. Bij deze aanpak wordt elk mogelijk ontwerp voor een microgrid behandeld als een boom in een boomgaard, en laat het algoritme deze bomen over veel cycli ‘groeien’ naar betere oplossingen. Het combineert meerdere zoekstrategieën: lokale verfijning rond goede ontwerpen, het mengen van kenmerken van verschillende kandidaten en het selectief vervangen van zwakkere ontwerpen om diversiteit te behouden. Al deze stappen worden gestuurd door een score die drie doelen combineert: spanningen dicht bij hun ideale waarde houden, het vermogen met het hoofdzakelijke net gladstrijken en echte vermogensverliezen in de lijnen terugdringen. In tegenstelling tot simpel trial-and-error of eerdere metaheuristieken is deze multi-strategieversie ontworpen om te voorkomen dat het vastloopt in middelmatige oplossingen wanneer meerdere doelstellingen met elkaar concurreren.

Hoe elektrische auto’s en hernieuwbare bronnen worden gemodelleerd

Om dit planningsinstrument realistisch te testen, bouwt de studie gedetailleerde modellen van zonnepanelen, windturbines en elektrische voertuigen. Zonne-opbrengst hangt af van zonlicht en celtemperatuur, windopbrengst van variabele windsnelheid en luchtcondities, en laadgedrag van voertuigen van gereden afstanden, aankomsttijden, verblijfsduur en de staat van lading van de batterij. Dit gedrag wordt weergegeven met waarschijnlijkheidsverdelingen en vele mogelijke dagscenario’s in plaats van één vast patroon. De optimalisatie kiest vervolgens zowel de beste locaties en groottes voor zonne- en windeenheden als de beste plekken en capaciteiten voor laadstations op een standaard 33-bus testnetwerk, terwijl ook het laadgedrag wordt gevormd om beter aan te sluiten op hernieuwbare opwekking en prijssignalen.

Hoe het geoptimaliseerde microgrid eruitziet

Het draaien van het verbeterde orchard-algoritme op dit testsysteem levert een plan op dat meerdere middelgrote zonne- en windeenheden en tien laadstations op specifieke buses in het netwerk plaatst. Vergeleken met een opzet gebaseerd op een eenvoudiger orchard-algoritme en met bekende methoden zoals genetische algoritmen, particle swarm-optimisatie en whale-optimisatie, levert de nieuwe methode kleinere spanningsschommelingen, lagere vermogensverliezen en stabieler tie-line-vermogen. In cijfers dalen spanningsafwijking en lijnverliezen met ongeveer één zesde, en neemt de variatie in tie-line-vermogen met circa één achtste af. Het algoritme bereikt deze oplossingen ook sneller, met minder iteraties en minder rekentijd, wat belangrijk is als planners veel verschillende toekomstige scenario’s willen verkennen.

Waarom deze resultaten belangrijk zijn voor toekomstige netten

Voor niet-specialisten is de kernboodschap dat waar en hoe we schone energie en laadstations toevoegen net zo belangrijk is als hoeveel we toevoegen. Door het lokale net als één geheel te behandelen en door onzekerheden in zon, wind en bestuurdersgedrag mee te nemen, vindt de voorgestelde planningsmethode indelingen die spanningen gezond houden, verspilling terugdringen en de druk op de aansluiting naar het hoofdzakelijke net verminderen. Dit betekent dat elektrische rijders betrouwbaarder kunnen laden, hernieuwbare energie efficiënter kan worden benut en netbeheerders dure upgrades kunnen uitstellen, wat gemeenschappen helpt richting schonere en veerkrachtiger energie zonder in te leveren op dagelijkse prestaties.

Bronvermelding: V., K., Thirumalaisamy, S.K., M., M. et al. Multi-strategy enhanced orchard algorithm for optimal integration of renewable energy sources and EV charging stations in microgrids. Sci Rep 16, 15588 (2026). https://doi.org/10.1038/s41598-026-46503-z

Trefwoorden: microgrids, opladen van elektrische voertuigen, integratie van hernieuwbare energie, vermindering van vermogensverliezen, optimalisatie-algoritme