Wielokryterialne określanie wielkości i lokalizacji źródeł rozproszonych w sieci dystrybucyjnej za pomocą hybrydowej optymalizacji stada goryli–algorytmu genetycznego: studium przypadku

Inteligentniejsza lokalna energia dla codziennej niezawodności

Kiedy przełączasz światło, oczekujesz natychmiastowego, stabilnego zasilania — ale zapewnienie tej niezawodności staje się trudniejsze w miarę wzrostu zapotrzebowania i przyłączeń odnawialnych źródeł do sieci. Jednym obiecującym pomysłem jest rozmieszczenie mniejszych jednostek zasilających, zwanych generatorami rozproszonymi, w lokalnych sieciach zamiast polegać wyłącznie na dużych, odległych elektrowniach. W badaniu pokazano, jak nowa metoda planowania oparta na obliczeniach może zdecydować, gdzie umieścić te mniejsze jednostki i jak duże powinny być, aby sieć traciła mniej energii, utrzymywała stabilne napięcia i generowała znaczne oszczędności roczne.

Dlaczego generatory lokalne są istotne

Tradycyjne systemy energetyczne przesyłają prąd na duże odległości z dużych elektrowni do domów i zakładów. Po drodze część energii jest tracona jako ciepło w liniach, a napięcie może opadać w odległych dzielnicach, zwłaszcza przy rosnącym zapotrzebowaniu. Instalacja generatorów rozproszonych — takich jak małe jednostki gazowe czy odnawialne źródła jak fotowoltaika i wiatr — bezpośrednio w lokalnych sieciach może odciążyć przeciążone linie, zmniejszyć straty i poprawić jakość napięcia. Jednak rozmieszczanie tych jednostek nie jest takie proste jak wypełnianie pustych miejsc: każda możliwa lokalizacja i moc wpływa na resztę sieci, a decyzje muszą też respektować rygorystyczne ograniczenia inżynierskie. Zadanie planistyczne staje się splecioną łamigłówką łączącą decyzje binarne (gdzie umieścić jednostki) z wyborami ciągłymi (jak duże powinny być), przy jednoczesnym balansowaniu kilku celów naraz.

Hybrydowa cyfrowa „grupa poszukiwawcza”

Aby rozwiązać tę łamigłówkę, autorzy zaprojektowali hybrydową metodę poszukiwania łączącą dwie dobrze znane rodziny narzędzi optymalizacyjnych. Jedna część to algorytm genetyczny, inspirowany ewolucją, który radzi sobie z decyzjami typu tak–nie i krokowymi — na przykład które węzły sieci powinny przyjąć nowe generatory. Druga część to optymalizator stada goryli, metoda roju wzorowana na grupowym ruchu i przywództwie w stadach goryli, która doskonale eksploruje gładkie przedziały wartości — na przykład dokładną moc każdego generatora. W każdym cyklu obie składowe proponują kandydackie plany, łączą je w kompletne układy sieci i oceniają ich skuteczność. Plany, które zmniejszają straty i poprawiają napięcie, są zachowywane i dopracowywane, podczas gdy słabsze odrzucane. Pozwalając każdej metodzie skupić się na tym, co robi najlepiej, podejście hybrydowe potrafi efektywniej przeszukiwać bardzo złożoną przestrzeń decyzyjną i unikać utknięcia w słabych rozwiązaniach.

Testy na realistycznych sieciach energetycznych

Badacze najpierw zweryfikowali swoje hybrydowe narzędzie na 23 standardowych funkcjach testowych matematyki optymalizacyjnej, powszechnie stosowanych do oceny, jak dobrze metody eksplorują złożone krajobrazy. Hybryda konsekwentnie znajdowała bardzo dobre rozwiązania i zbiegała szybciej niż kilka ustalonych technik, w tym klasyczne algorytmy genetyczne i inne podejścia roju. Następnie zastosowali metodę do dwóch sieci dystrybucyjnych: powszechnie stosowanego systemu referencyjnego z 33 punktami przyłączenia oraz znacznie większej, uproszczonej do 143 punktów rzeczywistej sieci. W obu przypadkach narzędzie badało różne warunki pracy generatorów rozproszonych oraz analizowało cele pojedyncze (tylko redukcja strat lub tylko poprawa napięcia) i cele złożone (balansowanie obu jednocześnie). Metoda nie tylko znalazła rozmieszczenia, które wyraźnie obniżały straty i wygładzały napięcia, lecz także wyznaczyła krzywe kompromisu pokazujące, ile jednego korzyści trzeba poświęcić, aby zyskać więcej drugiej.

Duże redukcje strat i kosztów

Uzyskane korzyści są uderzające. W systemie testowym z 33 punktami najlepsze rozwiązania zmniejszyły straty mocy nawet o około 94% i poprawiły jakość napięcia niemal w 100% w porównaniu z siecią wyjściową bez dodatkowych generatorów. W praktyce finansowej roczne straty ekonomiczne w tym systemie spadły z około 92 000 dolarów do około 14 000 dolarów — oszczędność ponad 78 000 dolarów rocznie. W większej, rzeczywistej sieci z 143 węzłami straty zmniejszyły się prawie o 94%, a problemy z napięciem zostały zredukowane niemal w 100%, przekształcając roczną stratę około 178 000 dolarów w nieco ponad 32 000 dolarów, co daje oszczędności powyżej 145 000 dolarów. Analiza ujawniła też, które konkretne części sieci są najbardziej wrażliwe, dając planistom konkretne cele modernizacji.

Co to znaczy dla przyszłej sieci

Dla nietechnicznego odbiorcy kluczowy przekaz jest taki, że inteligentniejsze narzędzia planistyczne mogą wydobyć znacznie więcej wartości z lokalnych źródeł zasilania, które już się upowszechniają — takich jak instalacje dachowe, magazyny energii na poziomie społeczności czy małe generatory. Zamiast umieszczać te jednostki metodą prób i błędów lub prostymi zasadami, opisane hybrydowe podejście przeszukuje niezliczone możliwości, aby znaleźć układy zużywające znacznie mniej energii, stabilizujące napięcia i istotnie obniżające koszty eksploatacji. W miarę jak sieci elektryczne pochłaniają więcej odnawialnych źródeł i obsługują rosnący popyt, takie inteligentne, zautomatyzowane planowanie może uczynić sieci lokalne bardziej wydajnymi, bardziej niezawodnymi i lepiej przygotowanymi na czystszą energetyczną przyszłość.

Cytowanie: 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

Słowa kluczowe: generacja rozproszona, sieci dystrybucji energii, algorytmy optymalizacyjne, stabilność napięcia, redukcja strat energii