Оптимальная конфигурация мощностей гибридных ветро‑фотоэлектрических систем с накоплением на основе усовершенствованного алгоритма хаотической эволюции

Обеспечение электроэнергией с помощью чистой энергии

По мере того как все больше электроэнергии вырабатывается ветровыми турбинами и солнечными панелями, поддержание надежности энергосистемы при приемлемых затратах превращается в тонкое равновесие. Поскольку ветер не всегда дует, а солнце не всегда светит, операторы сети должны решить, сколько ветровой, солнечной генерации и аккумуляторов установить, чтобы свет оставался включенным, не взвинчивая при этом расходы. В этом исследовании предлагается более продуманный подход к выбору этих мощностей — с помощью продвинутого поискового алгоритма, который просматривает множество вариантов и находит сочетания, обеспечивающие чистую энергию при меньших общих затратах.

Почему сложно уравновесить ветер, солнце и батареи

Проектирование гибридной энергосистемы, смешивающей ветровые парки, солнечные установки и накопители энергии, нельзя свести к простому суммированию средних выходов. Скорости ветра, освещенность и потребление электроэнергии меняются по часам, а у накопителей есть строгие ограничения на скорость и глубину зарядки и разрядки. Авторы строят математическую модель, описывающую, сколько мощности могут выдать турбины и панели при изменяющейся погоде, как батареи накапливают и отдают энергию и как все это должно соответствовать потребностям домохозяйств и предприятий. Их цель — минимизировать совокупные годовые затраты на строительство и эксплуатацию оборудования, при этом удовлетворяя спрос и соблюдая технические ограничения для сети и аккумуляторов.

Новый способ поиска наилучшего сочетания

Поскольку взаимосвязи между ветром, солнцем, накопителями и сетью сильно запутаны, традиционные методы планирования легко упускают хорошие решения. Поэтому команда обращается к классу компьютерных инструментов, известных как метаэвристические алгоритмы, которые имитируют природные процессы — эволюцию или стаи животных — для поиска в сложных пространствах. Развивая ранний метод хаотической эволюционной оптимизации, они предлагают улучшенную версию (ICEO), сочетающую три идеи: хаотический паттерн для одновременного исследования множества направлений, шаг самообучения, мягко корректирующий перспективные решения с помощью случайных «толчков», и редкие длинные прыжки, помогающие избежать плохих локальных решений. Когда прогресс замедляется, запускается фокусированный локальный поиск для тонкой доводки текущего лучшего варианта.

Проверка алгоритма

Прежде чем доверять ICEO реальной энергосистеме, исследователи сравнивают его с другими известными методами оптимизации на наборе стандартных тестовых задач, применяемых в этой области. Эти задачи имеют известные ответы и варьируются от гладких «чашеобразных» ландшафтов до грубых рельефов с множеством ложных пиков и впадин. По восьми таким тестам ICEO неоднократно находит решения не хуже и часто лучше тех, что дают девять конкурирующих алгоритмов, и делает это надежно при повторных запусках. Хотя метод тратит немного больше вычислительного времени по сравнению с некоторыми более простыми соперниками, дополнительные усилия окупаются за счет более высокой точности и лучшей устойчивости к застреванию в субоптимальных областях пространства поиска.

Проектирование реальной гибридной энергосистемы

Затем авторы применяют свой метод к практическому случаю, где ветропарк, солнечная станция и батарейная система должны обслуживать местный спрос на электричество при реалистичных погодных условиях. Используя измеренные суточные профили ветра, освещенности, температуры и потребления, ICEO определяет оптимальные размеры каждого компонента. В результате получается конфигурация примерно с 48.6 мегаватт ветровой мощности, 50 мегаватт солнечной и 65 мегаватт-часов накопителя энергии. В моделируемой работе солнечные панели обеспечивают большую часть дневного спроса, избыток мощности заряжает батареи, а более сильный ночной ветер помогает покрывать нагрузку и дает батареям отдохнуть. Когда выработка ВИЭ падает, накопленная энергия выдаётся для покрытия дефицита, при этом соблюдаются пределы по батареям и ограничения по обмену с сетью.

Что это значит для будущих сетей

Для неспециалистов ключевой вывод в том, что такие продвинутые поисковые техники, как ICEO, могут сделать чистые энергосистемы и дешевле, и надежнее. Тщательнее выбирая, сколько ветра, солнца и накопителей устанавливать, планировщики могут сократить инвестиционные и эксплуатационные расходы и при этом обеспечить соответствие поставок электроэнергии спросу в пасмурные, безветренные или пиковые периоды. Хотя лежащая в основе математика сложна, результат прост: более качественное компьютерное планирование поможет интегрировать большие доли возобновляемой энергии в сеть без ущерба для стабильности и доступности.

Цитирование: Dong, Y., Zhou, X., Cao, X. et al. Optimal capacity configuration of wind-photovoltaic-storage hybrid systems based on improved chaotic evolution optimization algorithm. Sci Rep 16, 9990 (2026). https://doi.org/10.1038/s41598-026-40610-7

Ключевые слова: планирование возобновляемой энергии, ветро‑солнечные системы с накоплением, энергохранение, алгоритмы оптимизации, надежность энергосистемы