Временно-связанная многозадачная распределительно-робастная шанс-констрейнед модель для повышения устойчивости сети с использованием мобильных аварийных генераторов

Почему важно сохранять электроснабжение после катастроф

Когда сильный шторм или скоординированная атака выводит из строя всю энергосеть страны, целые регионы остаются без света на часы и даже дни. Больницы переключаются на резервное питание, светофоры перестают работать, а бизнес становится неподвижным. Эта работа изучает более интеллектуальный способ использования мобильных аварийных генераторов — электростанций на колесах — чтобы восстанавливать подачу электроэнергии быстрее и надежнее, даже когда дороги заблокированы, а степень повреждений неизвестна. Исследование фокусируется на условиях, похожих на районы Индии, подверженные бедствиям, но имеет отношение к любой территории, сталкивающейся с экстремальной погодой и другими крупномасштабными угрозами.

Привозить электростанции туда, где они нужны

Вместо того чтобы полагаться исключительно на стационарные резервные генераторы, энергокомпании могут отправлять мобильные аварийные генераторы (МАГ), установленные на грузовиках. Эти блоки можно доставить к поврежденным подстанциям или критически важным зданиям и подключить, чтобы восстановить электроснабжение в локальных участках. Проблема в том, что МАГ ограничены по числу, им требуется топливо и обученные бригады для перемещения и эксплуатации. После циклона или наводнения дороги могут быть перекрыты, время поездок непредсказуемо, а новые повреждения могут появляться по мере развития ситуации. Авторы утверждают, что рассмотрение использования МАГ как простой задачи одноразового размещения игнорирует эту реальность и может привести к планам, которые на бумаге выглядят хорошо, но терпят неудачу на практике.

Планирование наперед в условиях глубокой неопределенности

Исследование предлагает рамочную модель планирования, которая рассматривает весь 12-часовой период восстановления с шагом в полчаса. Модель определяет, где каждый МАГ должен начинать, когда он должен перемещаться, сколько электроэнергии производить, когда необходимо заправляться и какая бригада должна им управлять. Одновременно она учитывает физику протекания электричества по поврежденной сети, чтобы каждая предлагаемая расстановка была действительно выполнимой. Ключевая особенность — способ обработки неопределенности: вместо допущения одного набора вероятных сценариев повреждений модель строит защитную «оболочку» вокруг того, что подсказывают исторические данные, обеспечивая работоспособность плана для целого семейства правдоподобных будущих состояний, а не только для явно сымитированных сценариев.

Балансировка затрат и устойчивости, а не выбор только одного

Любая реалистичная энергокомпания должна взвешивать стоимость топлива, времени бригад и использования генераторов против социальных и экономических потерь от отсутствия электроэнергии у потребителей. Поэтому авторы рассматривают планирование как задачу с двумя целями: минимизировать эксплуатационные затраты и минимизировать «необслуженную энергию» — объем электрической нагрузки, который остается неудовлетворенным во времени. С помощью эволюционного алгоритма поиска рамочная модель генерирует плавное «меню» опций — называемое фронтом Парето — которое показывает, например, сколько дополнительной устойчивости можно получить за каждый дополнительный рупий затрат. В одной крупной тестовой системе с 118 узлами и 16 МАГ переход от плана, ориентированного исключительно на стоимость, к более ориентированному на устойчивость увеличил затраты примерно на 10%, но примерно вдвое сократил ожидаемый объем необслуженной энергии — с 92 до 42 мегаватт-часов.

Что показывают моделирования про «умную мобильность»

Тесты на стандартных эталонных сетях показывают, что явное моделирование перемещений МАГ, смен бригад и заправок во времени окупается. По сравнению с более жесткими подходами, которые либо закрепляют МАГ на местах, либо игнорируют неопределенность дорожных условий и степени повреждений, новый метод снижает ожидаемую необслуженную энергию на 14–20% при аналогичных бюджетах. В смоделированных бедствиях МАГ сначала направляют в изолированные участки для восстановления «островков» питания, а затем постепенно перенаправляют к центральным подстанциям, которые помогают восстановить связь более крупных зон. Средние задержки в пути около получаса на МАГ более чем компенсируются ускоренным общим восстановлением, поскольку план заранее учитывает, где генераторы будут наиболее ценны через несколько часов.

Выводы для энергоустойчивых сетей

Для неспециалиста главный вывод в том, что мобильность в сочетании с интеллектуальным планированием с учетом рисков может ускорить восстановление сетей после крупных ударов без значительного роста расходов. Вместо того чтобы размещать резервные генераторы в фиксированных точках и полагаться на удачу, энергокомпании могут использовать такие инструменты для предварительного расчета «сценариев действий»: детализированных 12-часовых расписаний, указывающих, куда отправить каждый мобильный генератор, когда его заправлять и какие кварталы приоритезировать. Поскольку метод разработан для работы с неполной информацией о повреждениях и дорожных условиях, он предлагает практическую схему для стран, желающих укрепить свои энергосистемы в эпоху усиления штормов, тепловых волн и потенциальных кибер-физических атак.

Цитирование: Ashokaraju, D., Ramamoorthy, M.L., Simon, D. et al. A time-coupled multi-objective distributionally robust chance-constrained framework for grid resilience enhancement using mobile emergency generators. Sci Rep 16, 6204 (2026). https://doi.org/10.1038/s41598-026-37197-4

Ключевые слова: устойчивость энергосети, мобильные аварийные генераторы, восстановление после бедствий, планирование энергосистем, оптимизация