Интеллектуальное управление на основе нейронной сети RBF для динамической устойчивости и управления мощностью в микросетях с возобновляемыми источниками

Почему важен более интеллектуальный местный энергоснабжение

По мере того как в домах, на кампусах и в небольших сообществах появляется всё больше кровельных солнечных панелей и ветровых турбин, обеспечение непрерывности электроснабжения становится неожиданно сложной задачей. Солнечный свет и ветер меняются посекундно, из‑за чего локальные энергетические системы, или микросети, уязвимы к всплескам, просадкам напряжения и потере чистой энергии. В этой работе рассматривается интеллектуальный подход к управлению, который сочетает передовую силовую электронику и быстро обучающуюся нейронную сеть для поддержания устойчивости, эффективности и готовности к эксплуатации микросети с большой долей возобновляемой генерации.

Как удержать в равновесии небольшую сеть

Микросеть можно представить как систему электроснабжения размеров района, объединяющую солнечные панели, ветряные турбины, аккумуляторы и связь с более крупной сетью. Сложность в том, что каждый элемент ведёт себя по‑разному: солнечные панели выдают постоянный ток (DC), сеть использует переменный ток (AC), а ветряные установки изменяют выход по мере изменения ветра. Авторы проектируют микросеть, в которой солнечная энергия, энергия ветра и батарея подают питание в общий постоянный «шину», а та затем питает локальную сеть. Для поддержания баланса миниатюрной электроэнергетической системы они фокусируются на двух задачах, важные для обычных пользователей: стабильное напряжение и частота (чтобы бытовые приборы работали корректно) и высокая эффективность (чтобы минимизировать потери ценной возобновляемой энергии в виде тепла в электронике).

Более умные «мозги» для возобновляемой энергии

В основе системы лежит интеллектуальный контроллер на базе радиальной базисной функции нейронной сети (RBFNN). Простыми словами, это обучаемый «мозг», который быстро схватывает, как ведёт себя микросеть в разных условиях, и в реальном времени корректирует параметры управления. Он собирает измерения — такие как напряжение, ток и мощность по всей микросети, анализирует их и посылает оптимизированные команды локальным контроллерам, управляющим электроникой, подключённой к солнечным панелям, ветряку, батарее и интерфейсу с сетью. Благодаря быстрому обучению и адаптации на ходу RBFNN лучше справляется с резкими изменениями освещённости, ветра или спроса на электроэнергию по сравнению с традиционными контроллерами, которые часто требуют трудоёмкой ручной перенастройки.

Увеличение отдачи от солнца и сглаживание колебаний

Солнечные панели по своей природе дают относительно низкие напряжения, которые нужно повышать перед подачей в микросеть. Авторы предлагают специализированное устройство силовой электроники — повышающий преобразователь с Z‑источником и интегрированным связанным индуктором (Z‑SCIB), которое увеличивает выходное напряжение солнечной панели до более высокого и полезного уровня, одновременно снижая нагрузку на внутренние компоненты. Управление этим преобразователем осуществляет классический пропорционно‑интегральный (PI) контроллер, настройка которого автоматически оптимизируется био‑вдохновлённым поисковым методом, имитирующим миграцию гусей, — Grey Lag Goose Optimization (GGO). В сочетании Z‑SCIB и GGO‑настроенный PI быстро стабилизируют солнечное напряжение на целевом уровне, достигая эффективности примерно 97%, то есть потери энергии при преобразовании минимальны.

Ветер, батареи и качество чистой энергии

Ветроэнергия поступает в микросеть через двухобмоточный асинхронный генератор с двойной подачей, тип генератора, который может регулировать как активную мощность, так и реактивную мощность, поддерживающую напряжение сети. Его выход преобразуется в постоянный ток и тщательно регулируется перед присоединением к общей шине. Двунаправленный преобразователь связывает батарею с той же шиной, позволяя аккумулировать избыточную энергию, когда солнце и ветер дают много энергии, и отдавать её при росте спроса или падении возобновляемого ввода. Дополнительные PI‑контроллеры следят за безопасным зарядным током батареи и синхронизацией инвертора с внешней сетью. Моделирования показывают, что даже при колебаниях температуры, освещённости, скорости ветра и нагрузки система удерживает напряжение и ток стабильными и сохраняет искажения (вредные гармоники) на очень низком уровне.

Что это значит для повседневного энергопотребления

Исследование приходит к выводу, что сочетание эффективного солнечного повышающего преобразователя, гибкого ветрового генератора, умного управления батареями и надзорного контроллера на базе RBFNN может сделать микросети с высокой долей возобновляемых источников одновременно устойчивыми и высокоэффективными. На практике это означает меньше мерцаний, более полное использование чистой энергии и повышенную надёжность для мест, зависящих от локальной генерации — от отдалённых сел до городских кампусов. Хотя подход требует хороших обучающих данных для нейросети и добавляет некоторую вычислительную сложность, он чётко показывает путь к микросетям, которые автоматически адаптируются к хаотичному поведению реальной погоды и спроса на электроэнергию, приближая надёжную чистую энергию к повседневной жизни.

Цитирование: Chiluka, V., Sekhar, G.G.R., Reddy, C.R. et al. Intelligent RBF neural network-based control for dynamic stability and power control in renewable-integrated microgrids. Sci Rep 16, 6250 (2026). https://doi.org/10.1038/s41598-026-36641-9

Ключевые слова: управление микросетью, возобновляемая энергия, солнечная и ветровая энергия, аккумуляторное хранение, нейронный контроллер