Ekonomiczna i zrównoważona eksploatacja mikro-sieci z wykorzystaniem Ulepszonego Algorytmu Optymalizacji Wielorybów

Dlaczego nasze przyszłe sieci energetyczne potrzebują nowego rodzaju „mózgu”

Utrzymanie zasilania staje się trudniejsze, ponieważ coraz więcej domów i firm korzysta z energii słonecznej i wiatrowej zamiast węgla i gazu. Te czyste źródła są tańsze i lepsze dla klimatu, ale zależą od pogody. W artykule przeanalizowano, jak inteligentniejszy cyfrowy „mózg” może sterować małymi, lokalnymi sieciami energetycznymi — zwanymi mikrosieciami — tak by dostarczały niezawodną energię przy niższych kosztach i mniejszych emisjach, nawet gdy główna sieć jest niedostępna. Autorzy pokazują, że nowy algorytm komputerowy, inspirowany zachowaniem wielorybów, może obniżyć koszty eksploatacji testowej mikrosieci o niemal 40% w porównaniu z powszechnie stosowanymi metodami planowania.

Małe sieci energetyczne z dużymi ambicjami

Mikrosieci to zwarte systemy zasilania, które mogą obsługiwać osiedle, kampus lub wieś. Zamiast polegać wyłącznie na odległych elektrowniach, łączą lokalne źródła, takie jak panele fotowoltaiczne, turbiny wiatrowe, ogniwa paliwowe, generatory diesla i magazyny bateryjne. Mikrosieci mogą łączyć się z główną siecią dystrybucyjną, gdy jest dostępna, ale mogą też „wyspować się” i działać niezależnie podczas burz, pożarów czy awarii. Ta elastyczność czyni je obiecującym elementem czystszego i bardziej odpornego systemu energetycznego — jednocześnie zwiększając złożoność ich sterowania. Ktoś lub coś musi nieustannie decydować, które urządzenia uruchomić, ile energii pobierać lub sprzedawać do głównej sieci oraz kiedy ładować lub rozładowywać baterie.

Rola cyfrowego menedżera energii

Do zarządzania tą złożonością wykorzystuje się System Zarządzania Energią, czyli EMS. EMS zbiera dane o prognozach pogody, cenach energii, ograniczeniach urządzeń, poziomach naładowania baterii i zapotrzebowaniu użytkowników. Następnie wydaje polecenia sterujące — na przykład włączanie lub wyłączanie generatorów, regulację mocy oraz harmonogramy pracy baterii — by realizować kilka celów jednocześnie. Cele te obejmują zachowanie bilansu podaży i popytu co godzinę, minimalizację całkowitego kosztu eksploatacji oraz ograniczenie emisji z generatorów spalających paliwa kopalne. W trybie połączonym z siecią EMS decyduje również, kiedy opłaca się kupić taną energię z głównej sieci, a kiedy sprzedać nadmiar energii odnawialnej, czyniąc mikrosieć aktywnym uczestnikiem rynku.

Sposób inspirowany wielorybami na poszukiwanie lepszych harmonogramów

Wyznaczenie najlepszego harmonogramu dla każdego generatora i baterii na pełną dobę to trudne zadanie: opcji jest wiele, koszty są nieliniowe, a produkcja z odnawialnych źródeł jest niepewna. Tradycyjne metody matematyczne lub klasyczne algorytmy często utknąć na przeciętnych rozwiązaniach. Autorzy sięgają po nowoczesny rodzaj wyszukiwania — metaheurystykę — luźno wzorowaną na zachowaniach zwierząt podczas polowań czy eksploracji. Ich Ulepszony Algorytm Optymalizacji Wielorybów (IWOA) opiera się na wcześniejszej metodzie inspirowanej tym, jak humbaki okrążają zdobycz i wirują do środka. Ulepszona wersja wykorzystuje starannie dobrany parametr „pływania”, adaptacyjne wagi oraz losowe długie skoki znane jako loty Lévy’ego, by najpierw szeroko eksplorować przestrzeń rozwiązań, a potem precyzyjnie zbliżać się do obiecujących obszarów bez wpadaania w lokalne minima.

Testowanie podejścia na realistycznej mikrosieci

Zespół przetestował swój EMS na powszechnie stosowanym modelu wzorcowym: niskonapięciowej mikrosieci łączącej ogniwo paliwowe, mikroturbinę, generator diesla, panele słoneczne, turbinę wiatrową oraz baterię połączoną z główną siecią. Badano zarówno tryb wyspowy, w którym mikrosieć musi zaspokoić popyt całkowicie z lokalnych zasobów, jak i tryb połączony z siecią, gdzie może handlować energią z większą siecią. W obu trybach algorytm minimalizował skumulowany koszt obejmujący paliwo i konserwację dla każdego urządzenia, cenę kupna lub sprzedaży energii oraz karę za emisje dwutlenku węgla i innych zanieczyszczeń. Wyniki pokazały, że EMS naturalnie preferował czystsze i tańsze technologie — czyniąc ogniwo paliwowe głównym źródłem pracy, używając mikroturbiny jako rezerwy i sięgając po diesla tylko w ostateczności.

Sprytniejsze wykorzystanie baterii i połączenia z siecią

Kluczowym ustaleniem jest to, jak ulepszony algorytm wykorzystuje baterię i połączenie z siecią jako narzędzia finansowe i środowiskowe. W trybie wyspowym bateria wygładza wahania produkcji słonecznej i wiatrowej, rozładowując się przy dużym zapotrzebowaniu i ładując przy nadmiarze energii odnawialnej, co zmniejsza zależność od diesla. W trybie połączonym EMS uczy się strategii „arztradu energii”: ładuje baterię, gdy energia z sieci jest tania, i rozładowuje, gdy ceny rosną, jednocześnie eksportując nadmiar energii odnawialnej, gdy lokalne zapotrzebowanie i limity baterii na to pozwalają. Na przestrzeni wielu dni symulacji Ulepszony Algorytm Optymalizacji Wielorybów obniżył koszty eksploatacji mikrosieci o około 39,66% w porównaniu z tradycyjnymi algorytmami genetycznymi, metodami rojowymi i standardowym algorytmem wielorybów, przy jednoczesnym zmniejszeniu emisji.

Co to oznacza dla codziennych użytkowników energii

Dla osób niebędących specjalistami wniosek jest prosty: zarządzanie czystym, niezawodnym lokalnym systemem energetycznym to już nie tylko kwestia kupna sprzętu — w dużej mierze zależy od inteligentnego oprogramowania. Dzięki bardziej zaawansowanemu „autopilotowi” mikrosieci ten algorytm inspirowany wielorybami pozwala wydłużyć efektywne wykorzystanie każdego kilowatogodziny, bardziej polegać na odnawialnych źródłach i rzadziej sięgać po zanieczyszczające generatory rezerwowe czy drogie importy z sieci. W szerokim wdrożeniu takie inteligentne menedżery energii mogłyby zwiększyć odporność sąsiedztw na awarie, pomóc zakładom energetycznym w integracji rosnącej ilości energii słonecznej i wiatrowej bez kosztownych modernizacji oraz wspierać cele klimatyczne, automatycznie faworyzując czystszą energię, gdy tylko jest dostępna i opłacalna.

Cytowanie: El-Zaher, S.M., Ahmed, A.M., Ahmed, E.M. et al. Cost-effective and sustainable operation of microgrids using Improved Whale Optimization Algorithm. Sci Rep 16, 4811 (2026). https://doi.org/10.1038/s41598-026-35529-y

Słowa kluczowe: mikrosieci, system zarządzania energią, energia odnawialna, algorytm optymalizacyjny, magazynowanie w bateriach