Wielostrategiczny ulepszony algorytm sadowniczy dla optymalnej integracji źródeł odnawialnych i stacji ładowania pojazdów elektrycznych w mikrosieciach

Dlaczego inteligentniejsze ładowanie ma znaczenie w codziennym życiu

W miarę jak coraz więcej osób przesiada się na samochody elektryczne, a domy i firmy instalują dachowe panele słoneczne i turbiny wiatrowe, lokalne sieci elektryczne pracują ciężej niż kiedykolwiek. Jeśli te technologie są podłączane bez planu, okolicy grożą migotania napięcia, większe straty energii i dodatkowe obciążenie szerszej sieci. Artykuł bada sprytniejszy sposób decydowania, gdzie umieścić panele słoneczne, turbiny wiatrowe i stacje ładowania pojazdów elektrycznych w mikrosieci, tak by kierowcy mieli niezawodne ładowanie, oświetlenie pozostało stabilne, a system tracił mniej energii.

Rosnące wyzwanie w dzielnicach z czystą energią

Nowoczesne sieci rozdzielcze zmieniają się w aktywne mikrosieci, które muszą godzić zapotrzebowanie gospodarstw domowych, dachowe instalacje słoneczne, małe turbiny wiatrowe i skupiska stacji ładowania pojazdów elektrycznych. Produkcja z fotowoltaiki i wiatru wzrasta i spada wraz z pogodą, podczas gdy kierowcy podłączają się w nieprzewidywalnych porach i na różne okresy. Wspólnie te wahania mogą powodować odchylenia napięcia od bezpiecznych granic, przeciążenia niektórych linii i wymuszone niepożądane przepływy mocy między mikrosiecią a główną siecią. Wiele istniejących metod planowania traktuje każdą technologię oddzielnie lub zakłada stałe, przewidywalne warunki, więc słabo radzą sobie, gdy wszystkie te zmienne elementy oddziałują jednocześnie.

Nowe narzędzie planistyczne inspirowane sadami

Autorzy przedstawiają metodę planistyczną nazwaną Wielostrategicznym Ulepszonym Algorytmem Optymalizacji Sadowniczej. W tym podejściu każdy możliwy projekt mikrosieci traktowany jest jak drzewo w sadzie, a algorytm pozwala tym „drzewom” „rosnąć” w kierunku lepszych rozwiązań na przestrzeni wielu cykli. Łączy kilka technik przeszukiwania: lokalne dopracowywanie wokół dobrych projektów, mieszanie cech różnych kandydatów oraz selektywne zastępowanie słabych projektów, by utrzymać różnorodność. Wszystkie te kroki kierowane są oceną łączącą trzy cele: utrzymanie napięć blisko wartości zadanej, wygładzanie mocy wymienianej z główną siecią oraz ograniczanie rzeczywistych strat mocy w liniach. W przeciwieństwie do prostego metody prób i błędów lub wcześniejszych metaheurystyk, ta wielostrategiczna wersja została zaprojektowana tak, by unikać utknięcia w przeciętnych rozwiązaniach, gdy wiele celów konkuruje ze sobą.

Jak modeluje się samochody elektryczne i odnawialne źródła

Aby przetestować to narzędzie planistyczne w realistycznych warunkach, badanie buduje szczegółowe modele paneli słonecznych, turbin wiatrowych i pojazdów elektrycznych. Produkcja ze słońca zależy od nasłonecznienia i temperatury ogniw, z wiatru od zmieniającej się prędkości wiatru i warunków powietrza, a ładowanie pojazdów od przebiegu, godzin przyjazdu, czasu postoju i stanu naładowania baterii. Te zachowania są reprezentowane za pomocą rozkładów prawdopodobieństwa i wielu możliwych scenariuszy dziennych zamiast jednego stałego wzorca. Optymalizacja wybiera wtedy zarówno najlepsze lokalizacje i wielkości jednostek słonecznych i wiatrowych, jak i najlepsze miejsca oraz pojemności stacji ładowania na standardowej sieci testowej 33-węzłowej, jednocześnie kształtując zachowania ładowania tak, by lepiej dopasować je do produkcji odnawialnej i sygnałów cenowych.

Jak wygląda zoptymalizowana mikrosieć

Uruchomienie ulepszonego algorytmu sadowniczego na tym systemie testowym daje plan, który umieszcza kilka średniej wielkości jednostek słonecznych i wiatrowych oraz dziesięć stacji ładowania przy konkretnych węzłach sieci. W porównaniu z układem opartym na bardziej podstawowym algorytmie sadowniczym i znanymi metodami, takimi jak algorytmy genetyczne, optymalizacja roju cząstek oraz optymalizacja inspirowana wielorybami, nowe podejście zapewnia mniejsze wahania napięcia, niższe straty mocy i stabilniejszą moc na linii łączącej. W liczbach odchylenie napięcia i straty liniowe spadają o około jedną szóstą, a zmienność mocy na linii łączącej maleje o około jedną ósmą. Algorytm osiąga też te rozwiązania szybciej, wymagając mniej iteracji i mniejszego czasu obliczeń, co ma znaczenie, jeśli planujący chcą badać wiele różnych scenariuszy przyszłości.

Dlaczego te wyniki mają znaczenie dla przyszłych sieci

Dla osoby nietechnicznej kluczowy przekaz jest taki, że miejsce i sposób dodawania czystej energii i stacji ładowania jest równie ważne jak ich liczba. Traktując lokalną sieć jako system całościowy i uwzględniając niepewności dotyczące słońca, wiatru i zachowań kierowców, proponowana metoda planowania znajduje układy, które utrzymują napięcia w dobrym stanie, ograniczają marnotrawstwo i zmniejszają obciążenie połączenia z główną siecią. Oznacza to, że kierowcy EV mogą ładować się bardziej niezawodnie, energia odnawialna może być wykorzystywana efektywniej, a operatorzy sieci mogą odłożyć kosztowne modernizacje, pomagając społecznościom przejść ku czystszej, bardziej odpornej energii bez poświęcania codziennej wydajności.

Cytowanie: 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

Słowa kluczowe: mikrosieci, ładowanie pojazdów elektrycznych, integracja energii odnawialnej, redukcja strat mocy, algorytm optymalizacyjny