Многостратегическая оптимизационная платформа с использованием цифровых двойников на базе ИИ для снижения выбросов углерода в интеллектуальной сети

Почему для чистой энергетики нужны более умные системы управления

Солнечные панели на крышах и ветряные турбины на холмах уже стали обычным видом, но поддерживать стабильную подачу электроэнергии при зависимости от погоды сложнее, чем кажется. Когда солнце светит или ветер дует в «неподходящее» время, чистая электроэнергия часто теряется, а угольные и газовые станции все равно включаются, чтобы закрыть пробелы. В этой статье исследуется, как виртуальная копия сети — цифровой двойник на базе ИИ — может одновременно управлять несколькими типами накопителей энергии, чтобы сократить и выбросы, и расходы в реалистичной коммунальной энергетической системе.

Виртуальное зеркало современной энергетической сети

Исследователи создают детализированную цифровую копию интеллектуальной сети, обслуживающей смешанный жилой и коммерческий район. В реальной сети присутствуют солнечные панели, ветряки, традиционные линии электропередачи, дома и предприятия, а также три различных технологии накопления: батареи для быстрого отклика, термальные резервуары для управления теплом и оборудование для хранения водорода для долгосрочного хранения энергии. В компьютере цифровой двойник непрерывно получает данные с датчиков и умных счётчиков, с помощью нейронных сетей прогнозирует солнечную радиацию, ветер и спрос на завтра и моделирует поведение каждого устройства хранения. Поскольку двойник работает быстрее реального времени, он может протестировать множество вариантов управляющих решений и отправить наилучшие уставки назад в физическую сеть.

Три способа управлять накопителями

В основе исследования лежит сравнительный анализ трёх стратегий управления, которые принимают решения о зарядке и разрядке каждого накопителя. Самая простая — это основанная на правилах схема, построенная из правил вида «если — то», например «разряжать батарею при высоком спросе». Более продвинутый метод — предиктивное модельное управление (model predictive control), которое постоянно заглядывает на несколько часов вперёд, используя прогнозы двойника для планирования оптимального профиля зарядки и разрядки, но применяет только первый шаг перед повторным планированием. Третий метод, генетический алгоритм, рассматривает суточное расписание как популяцию кандидатных решений и «эволюционирует» лучшие из них на протяжении многих поколений. Все три подхода работают в одном и том же цифровом двойнике и сталкиваются с одинаковыми ценами, углеродными штрафами и ограничениями устройств, что позволяет справедливо сравнить их эффективность, вычислительные затраты и практичность.

Что происходит в реалистичный день в сети

Команда тестирует свою платформу на микроэнергосистеме масштаба сообщества с полным днём реалистичного спроса и генерации из возобновляемых источников. Без накопителей сеть вынуждена импортировать большие объёмы электроэнергии из предполагаемой углеродоёмкой системы, что приводит к высоким выбросам и умеренным затратам. После включения скоординированного портфеля накопителей картинка меняется: избыточная дневная солнечная энергия аккумулируется батареями, термальными резервуарами и водородом, затем высвобождается позднее, чтобы покрыть вечерний пик. По сравнению с базовой линией без накопления лучшая стратегия — предиктивное управление — сокращает выбросы примерно на 64% и снижает эксплуатационные расходы почти на 16%. Генетический алгоритм показывает почти такие же сокращения, но требует значительно больше вычислительного времени, тогда как подход на основе правил по‑прежнему уменьшает выбросы примерно вдвое, но фактически увеличивает затраты, поскольку не может так умело синхронизировать импорт из сети.

Выбор нужного уровня «умности»

За цифрами стоят важные компромиссы. Управление по правилам чрезвычайно быстрое и простое, что делает его надёжным страховочным вариантом при ограниченных вычислительных мощностях или прогнозах, но оно оставляет большой потенциал чистой энергии неиспользованным. Генетический алгоритм способен исследовать очень сложные расписания и учитывать запутанные детали, но ему требуется около двух минут тяжёлых вычислений для планирования одного дня — слишком медленно для частого перепланирования в реальной сети. Предиктивное модельное управление оказывается в оптимальной точке: оно явно учитывает все ограничения устройств, использует краткосрочные прогнозы для ожидания избыточной солнечной генерации и всплесков спроса и обычно решает задачу оптимизации за несколько секунд на стандартном оборудовании. Этот баланс прогнозирования, точности и скорости делает его привлекательным для реальных диспетчерских центров.

Что это значит для перехода на чистую энергетику

Для неспециалиста главный вывод таков: достижение климатических целей — это не только установка большего числа солнечных панелей и батарей; не менее важно, насколько интеллектуально мы управляем уже имеющимися ресурсами. Эта работа показывает, что цифровой двойник с поддержкой ИИ, контролирующий смесь технологий накопления, может превратить обычную коммунальную сеть в такую, которая гораздо меньше зависит от загрязняющей генерации и при этом экономит деньги. Среди изученных вариантов стратегия с заглядыванием вперёд выделяется как наиболее практичный способ координации батарей, теплового хранения и водорода одновременно. С дальнейшей доработкой и реальными испытаниями такие цифровые двойники могут стать повседневными инструментами для коммунальных компаний, тихо работающими в фоновом режиме, чтобы обеспечить надёжную и низкоуглеродную энергетику.

Цитирование: Sakthivel, S., Arivukarasi, M., Charulatha, G. et al. A multi strategy optimization framework using AI digital twins for smart grid carbon emission reduction. Sci Rep 16, 8570 (2026). https://doi.org/10.1038/s41598-026-38720-3

Ключевые слова: интеллектуальная сеть, цифровой двойник, накопление энергии, выбросы углерода, оптимизация ИИ