Многокритериальный подбор мощности и размещения РР в распределительной сети с помощью гибридной оптимизации горилльих отрядов-генетического алгоритма: реальный практический пример

Умнее локальная электроэнергия для повседневной надежности

Когда вы включаете свет, вы ожидаете мгновенное и стабильное питание — но обеспечить такую надежность становится всё сложнее по мере роста потребления и подключения новых возобновляемых источников к сети. Одна перспективная идея — распределить более мелкие энергоблоки, называемые распределёнными генераторами, по локальным сетям вместо того, чтобы полагаться только на большие удалённые станции. В этом исследовании показано, как новый метод компьютерного планирования может определить, где размещать эти небольшие установки и какой они должны быть мощности, чтобы сеть теряла меньше энергии, поддерживала стабильное напряжение и экономила значительные средства ежегодно.

Почему локальные генераторы важны

Традиционные энергосистемы передают электричество на большие расстояния от крупных станций к домам и предприятиям. По пути часть энергии теряется в линиях в виде тепла, а в отдалённых районах напряжение может проседать, особенно при росте спроса. Установка распределённых генераторов — например небольших газовых установок или возобновляемых источников, таких как солнечные и ветряные — прямо в локальных сетях может разгрузить перегруженные линии, сократить потери и улучшить качество напряжения. Но размещение этих установок не сводится к простому заполнению свободных точек: каждое возможное место и мощность влияют на остальную сеть, причём решения должны соответствовать строгим инженерным ограничениям. Задача планирования превращается в запутанную головоломку, сочетающую дискретные решения вкл/выкл (где ставить установки) и непрерывные решения (насколько они должны быть мощными), одновременно балансируя несколько целей.

Гибридный цифровой «поисковый отряд»

Чтобы справиться с этой задачей, авторы разработали гибридный метод поиска, который сочетает два хорошо известных семейства инструментов оптимизации. Одна часть — генетический алгоритм, вдохновлённый эволюцией, решает дискретные и поэтапные задачи — например, какие узлы сети должны принять новые генераторы. Другая часть — оптимизатор горилльих отрядов, рой-подобный метод, моделирующий групповое поведение и лидерство в стаях горилл, — отлично исследует плавные диапазоны значений, такие как точная выработка каждого генератора. В каждом цикле обе компоненты предлагают кандидаты-планы, объединяют их в полные макеты сети и проверяют их эффективность. Планы, которые сокращают потери энергии и улучшают напряжение, сохраняются и дорабатываются, а слабые отбрасываются. Позволяя каждому методу сосредоточиться на том, что у него получается лучше, гибридный подход может эффективнее исследовать очень сложное пространство решений и избегать попадания в локальные неудачные решения.

Тестирование на реалистичных энергосетях

Исследователи сначала проверили свой гибридный инструмент на 23 стандартных математических тестовых функциях, которые обычно используют для оценки того, насколько методы оптимизации исследуют сложные ландшафты. Гибрид стабильно находил очень хорошие решения и сходился быстрее, чем несколько известных техник, включая классические генетические алгоритмы и другие роевые подходы. Затем метод применили к двум распределительным сетям: общепринятой тестовой системе с 33 узлами и значительно большей реальной сети, упрощённой до 143 узлов. В обоих случаях инструмент исследовал различные режимы работы распределённых генераторов и рассматривал единичные цели (только снижение потерь или только улучшение напряжения) и комбинированные цели (балансировка обоих одновременно). Метод не только находил размещения, резко уменьшающие потери и выравнивающие напряжение, но и выстраивал кривые компромиссов, показывающие, сколько одного эффекта придётся пожертвовать ради увеличения другого.

Существенное сокращение потерь и расходов

Полученные результаты впечатляют. В тестовой системе на 33 узла лучшие решения сократили потери электроэнергии примерно до 94% и улучшили качество напряжения почти на 100% по сравнению с исходной сетью без добавленных генераторов. В практическом финансовом выражении годовые экономические потери в этой системе уменьшились примерно с 92 000 долларов до около 14 000 долларов — экономия более 78 000 долларов в год. В более крупной реальной сети на 143 шины потери снизились почти на 94%, а проблемы с напряжением сократились почти на 100%, превратив годовые потери примерно в 178 000 долларов в чуть более 32 000 долларов, с экономией свыше 145 000 долларов. Анализ также выявил, какие конкретные участки сетей наиболее чувствительны, давая планировщикам конкретные цели для модернизации.

Что это значит для будущей сети

Для неспециалистов ключевая мысль такова: более продуманные инструменты планирования могут раскрыть гораздо большую ценность локальных источников энергии, которые уже становятся обычным явлением — например, солнечные панели на крышах, батареи общественного масштаба и небольшие генераторы. Вместо размещения таких установок методом проб и ошибок или по простым правилам, описанный гибридный подход просматривает бесчисленные варианты, чтобы найти макеты, которые тратят гораздо меньше энергии, стабилизируют напряжение и существенно сокращают эксплуатационные расходы. По мере того как электроэнергетические сети интегрируют больше возобновляемых источников и обслуживают растущий спрос, такие интеллектуальные автоматизированные инструменты планирования могут сделать локальные сети более эффективными, надёжными и готовыми к более чистому энергетическому будущему.

Цитирование: Gacem, A., Romdhane, M., Kechida, R. et al. Multi-objective sizing and location of DG in distribution network by hybrid gorilla troops optimization-genetic algorithm: a real case study. Sci Rep 16, 11334 (2026). https://doi.org/10.1038/s41598-026-41868-7

Ключевые слова: распределённая генерация, сети распределения электроэнергии, алгоритмы оптимизации, стабильность напряжения, снижение потерь энергии