Nowatorskie sterowanie inteligentne z optymalizacją RBFNN‑class topper dla poprawy stabilności w hybrydowej niezależnej mikro­sieci

Utrzymanie światła w odległych miejscach

Wiele odległych wiosek, wysp i społeczności pozbawionych dostępu do sieci zaczyna się zasilać za pomocą kombinacji paneli słonecznych, małych turbin wiatrowych i baterii. Utrzymanie stabilnego zasilania, gdy nadchodzi zachmurzenie lub wiatr słabnie, jest jednak trudniejsze, niż się wydaje. Artykuł przedstawia nową metodę „inteligentnego” sterowania, która pomaga takim małym sieciom energetycznym, zwanym niezależnymi mikrosieciami, dostarczać gładką, niezawodną energię elektryczną z mniejszą liczbą zwarć wizualnych, mniejszym szumem elektrycznym i lepszym wykorzystaniem czystej energii.

Jak działa mała sieć energetyczna

Badanie dotyczy kompaktowego układu zasilania łączącego trzy kluczowe elementy: instalację fotowoltaiczną, turbinę wiatrową i dużą baterię, wszystkie połączone wspólną linią prądu stałego (DC). Z tej wspólnej magistrali urządzenie elektroniczne zwane falownikiem wytwarza regularny trójfazowy prąd przemienny (AC), którego używają domy i urządzenia. Energia ze słońca i wiatru jest z natury niestabilna — nasłonecznienie i wiatr zmieniają się szybko — dlatego bateria przejmuje role magazynu nadmiaru energii lub uzupełnienia jej deficytów. Cały system musi na bieżąco żonglować tymi przepływami, aby linia DC utrzymywała się blisko docelowego napięcia, a prąd AC dostarczany do odbioru pozostawał czysty i stabilny.

Dlaczego tradycyjne sterowanie zawodzi

Konwencjonalne regulatory w takich systemach wykorzystują stałe ustawienia strojone ręcznie. Mogą działać dobrze wokół jednego punktu pracy, ale mają trudności, gdy warunki zmieniają się szybko: nagły skok zapotrzebowania, przesuwające się chmury czy porywisty wiatr. Metody te często dopuszczają zauważalne wahania napięcia i generują zniekształcone przebiegi prądu, które mogą obciążać urządzenia i marnować energię. Bardziej zaawansowane podejścia oparte na logice rozmytej lub złożonych modelach predykcyjnych potrafią się lepiej adaptować, ale zwykle wymagają dużej mocy obliczeniowej i skomplikowanych zbiorów reguł, co utrudnia ich uruchamianie w czasie rzeczywistym na przystępnym sprzęcie.

Dwuwarstwowe podejście inteligentne

Autorzy proponują dwuwarstwowy schemat sterowania, łączący szybkodziałającą sieć neuronową z wolniejszym nadzorczym optymalizatorem. Niższa warstwa wykorzystuje sieć neuronową z funkcjami bazowymi radialnymi (RBF), rodzaj modelu uczenia maszynowego dobrze radzącego sobie z nieliniowym zachowaniem. Monitoruje ona, jak daleko napięcie DC i prądy falownika odbiegają od wartości zadanych, a następnie szybko koryguje polecenia konwertera i falownika, aby naprawić te błędy. Na tym poziomie działa algorytm „Class Topper Optimization”, pełniący rolę trenera. Zainspirowany tym, jak uczniowie uczą się od najlepszego w klasie, okresowo ocenia on wydajność systemu — analizując odchylenia napięcia i stopień sinusoidalności prądu — i delikatnie stroi kluczowe wzmocnienia sterowania oraz szybkości uczenia w bezpiecznych granicach. Oddzielenie szybkiego uczenia od wolniejszej optymalizacji pozwala zachować responsywność systemu bez utraty stabilności.

Testy inteligentnego regulatora

Aby sprawdzić skuteczność nowej metody, badacze zasymulowali mikrosieć z instalacją słoneczną o mocy 10 kilowatów, turbiną wiatrową 20 kilowatów i baterią o pojemności 60 kilowatogodzin. Poddali ją gwałtownym zmianom nasłonecznienia, prędkości wiatru i obciążenia, w tym skokom od niskiego do pełnego zapotrzebowania oraz obciążeniom nieliniowym, które zwykle wprowadzają silne zakłócenia elektryczne. W porównaniu ze standardowym regulatorem proporcjonalno‑ całkującym oraz prostszym sterownikiem sieci neuronowej, nowy schemat utrzymywał napięcie DC znacznie bliżej wartości zadanej, rekonwalescencja po zakłóceniach była około dwa razy szybsza, a niepożądane tętnienia zostały zredukowane. Prąd elektryczny dostarczany do odbioru stał się niemal idealnie gładki, a zniekształcenia harmoniczne utrzymano zdecydowanie poniżej powszechnie stosowanych limitów jakości energii IEEE.

Znaczenie dla przyszłych mikrosieci

Dla osób niebędących specjalistami kluczowy wniosek jest taki, że to inteligentne ramy sterowania pomagają małym systemom opartym na odnawialnych źródłach zachowywać się bardziej jak solidna konwencjonalna sieć: światła pozostają stabilne, silniki pracują płynnie, a wrażliwa elektronika jest lepiej chroniona, nawet gdy pogoda i zapotrzebowanie szybko się zmieniają. Ponieważ metoda jest mało obciążająca obliczeniowo i modułowa, można ją wdrożyć na praktycznych sterownikach cyfrowych i rozszerzyć na większe lub wielostrefowe mikrosieci bez konieczności ponownego szkolenia od zera. Krótko mówiąc, praca pokazuje obiecującą drogę ku bardziej niezawodnym, czystszym lokalnym systemom energetycznym, które mogą dostarczać wysokiej jakości energię do miejsc oddalonych od tradycyjnych linii zasilających.

Cytowanie: 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

Słowa kluczowe: mikrosieć, sterowanie energią odnawialną, sterownik sieci neuronowej, magazyn energii bateryjnej, jakość energii