Минимизированное по ошибке LO-моделирование автономных микроэлектрических сетей с электромобилями с использованием разложения Тейлора–Лоранжа и оптимизации на основе BBO с учётом ограничений устойчивости и установившегося состояния

Поддержание электроснабжения в отдалённых районах

Отдалённые населённые пункты и острова всё чаще полагаются на небольшие автономные энергосистемы, известные как микроэлектросети. Эти системы объединяют электроэнергию от солнечных панелей, ветряков, биотопливных генераторов, аккумуляторов и даже припаркованных электромобилей, выступающих в роли мобильных батарей. Управлять всем этим в реальном времени — сложная задача балансировки: напряжение и частота должны оставаться стабильными, несмотря на постоянно меняющийся солнечный свет, ветер и потребности в зарядке. В статье, кратко изложенной здесь, предложен метод существенного упрощения моделирования таких микроэлектросетей, который облегчает их проектирование и управление без потери надёжности.

Почему важны небольшие энергосети

Автономные микроэлектросети обещают чистое и надёжное электроснабжение в местах, удалённых от традиционных линий электропередачи либо где основная сеть ненадёжна. Они комбинируют разнообразные устройства: фотоэлектрические панели, ветряки, дизельные и биогазовые генераторы, микротурбины, накопители энергии и электромобили, которые могут как потреблять энергию, так и отдавать её в систему. Вместе эти компоненты формируют гибкую, но сложную сеть, поведение которой описывается «высоко‑порядковой» моделью с множеством динамических компонентов. Такие подробные модели точны, но могут быть медленны в моделировании и неудобны при разработке регуляторов, поддерживающих напряжение и частоту в допустимых пределах.

Превращение сложной системы в простую

Авторы решают эту проблему, сводя седьмирядное математическое описание автономной микроэлектросети с интегрированными электромобилями к гораздо более простой модели второго порядка. Проще говоря, они сжимают длинный подробный рецепт до короткой версии, которая по сути не меняет вкуса. Ключевая идея — рассмотреть систему с двух взаимодополняющих точек зрения. Одна точка зрения концентрируется на медленных процессах, например на том, как система устанавливается после возмущения; другая — на быстрых резких изменениях, таких как кратковременные колебания мощности или напряжения. Математически эти два взгляда описываются разложениями Тейлора и Лоранжа, которые расширяют поведение системы вокруг низких и высоких частот соответственно.

Пусть виртуальный медведь ищет наилучшее соответствие

Чтобы упрощённая модель как можно точнее имитировала исходную, авторы формулируют задачу как задачу оптимизации: они определяют функцию «пригодности», количественно оценивающую расхождение между сложной и упрощённой моделями с обеих — медленной и быстрой — точек зрения. Эта функция объединяет три отдельных члена ошибки, выведенных из разложений Тейлора и Лоранжа. Затем компьютер ищет наилучший набор параметров для простой модели с помощью натуралистичного метода, названного алгоритмом оптимизации коричневого медведя (Brown Bear Optimization). Этот алгоритм, отчасти вдохновлённый тем, как бурые медведи метят и чуют следы, исследует множество возможных комбинаций параметров и постепенно сходится к тем, которые минимизируют ошибку.

Устойчивость и точность как непреложные правила

В процессе оптимизации необходимо соблюдать два жёстких требования. Во‑первых, упрощённая модель должна иметь нулевую ошибку установившегося состояния, то есть после любого возмущения она должна устанавливаться на точно такое же конечное значение, как и исходная система. Во‑вторых, она должна удовлетворять классическому критерию устойчивости Гурвица, что гарантирует отсутствие неконтролируемого дрейфа или самопроизвольных колебаний. При этих ограничениях алгоритм оптимизации коричневого медведя выдаёт модель второго порядка, которая воспроизводит ключевое поведение исходной микроэлектросети как во временной, так и в частотной областях. В сравнении с моделями, полученными традиционными методами снижения порядка, предложенный подход последовательно даёт меньшие ошибки по стандартным метрикам и лучшее совпадение на графиках переходных процессов, импульсных реакций и частотных характеристик.

Что это значит для будущих микроэлектросетей

Для неспециалистов смысл таков: авторы разработали компактный математический эквивалент очень сложной автономной микроэлектросети с участием электромобилей. Эта редуцированная модель достаточно точна, чтобы воспроизводить основные динамические свойства исходной системы, и при этом достаточно проста, чтобы ускорять моделирование и делать практичнее проектирование регуляторов. В долгосрочной перспективе такие инструменты могут помочь инженерам проектировать более чистые и надёжные микроэлектросети для удалённых сообществ и критически важных объектов, обеспечивая лучшее использование возобновляемых источников энергии и электромобилей без ущерба для устойчивости и качества электропитания.

Цитирование: Chaudhary, R., Singh, V.P., Mathur, A. et al. Error minimized LO modeling of electric vehicle integrated off-grid microgrids using Taylor-Laurent series expansion and BBO based optimization under stability and steady state constraints. Sci Rep 16, 13561 (2026). https://doi.org/10.1038/s41598-026-43306-0

Ключевые слова: автономная микроэлектросеть, электромобили, снижение порядка модели, возобновляемая энергия, алгоритм оптимизации