Новый интеллектуальный контроль с оптимизацией RBFNN‑Class Topper для повышения устойчивости гибридной автономной микросети

Сохранять свет в удалённых местах

Многие отдалённые деревни, острова и общины вне сети всё чаще обеспечивают себя электроэнергией с помощью сочетания солнечных панелей, небольших ветряных турбин и аккумуляторов. Но поддерживать стабильное освещение при появлении облаков или затишье ветра сложнее, чем кажется. В этой статье представлен новый «интеллектуальный» метод управления, который помогает таким небольшим энергетическим системам — автономным микросетям — обеспечивать плавное и надёжное электроснабжение с меньшим количеством мерцаний, меньшим электрическим шумом и более эффективным использованием чистой энергии.

Как работает небольшая электросеть

В работе рассматривается компактная энергетическая система, объединяющая три ключевых элемента: солнечную электростанцию, ветряную турбину и большую батарейную ёмкость, все соединённые общей линией постоянного тока (DC). От этой общей шины электронное устройство — инвертор — формирует привычный трёхфазный переменный ток (AC), используемый в домах и оборудовании. Солнечная и ветровая генерация по своей природе неустойчивы — солнце и ветер меняются быстро — поэтому роль аккумулятора состоит в накоплении избыточной энергии или восполнении дефицита. Вся система должна постоянно балансировать эти потоки, чтобы напряжение на DC‑шине оставалось близким к заданному значению, а подаваемая на нагрузку переменная составляющая была чистой и стабильной.

Почему традиционные методы управления недостаточны

Обычные контроллеры в таких системах используют фиксированные настройки, настроенные вручную. Они могут хорошо работать вблизи одной рабочей точки, но испытывают трудности при быстрых изменениях условий: внезапный скачок потребления, быстро проходящие облака или порывистый ветер. Эти методы часто допускают заметные колебания напряжения и искажённые формы тока, что может нагружать устройства и приводить к потерям энергии. Более продвинутые подходы на основе нечеткой логики или сложных прогнозных моделей могут адаптироваться лучше, но обычно требуют больших вычислительных ресурсов и сложных правил, что затрудняет их реализацию в реальном времени на доступном оборудовании.

Двухслойный интеллектуальный подход к управлению

Авторы предлагают схему управления из двух уровней, сочетающую быстро реагирующую нейронную сеть и более медленный надзорный оптимизатор. Нижний уровень использует радиально‑базисную нейронную сеть — тип моделей машинного обучения, хорошо работающий с нелинейным поведением. Она отслеживает отклонения напряжения DC и токов инвертора от желаемых значений и оперативно корректирует команды преобразователя и инвертора для устранения этих ошибок. Над ней действует «Алгоритм оптимизации Class Topper», выполняющий роль наставника. Вдохновлённый идеей, что ученики учатся у лучшего в классе, он периодически оценивает эффективность работы системы — по показателям отклонения напряжения и синусоидальности тока — и мягко настраивает ключевые коэффициенты управления и скорости обучения в пределах безопасных границ. Такое разделение быстрого обучения и более медленной оптимизации позволяет системе оставаться отзывчивой, не допуская нестабильности.

Испытание «умного» контроллера

Чтобы проверить эффективность нового метода, исследователи смоделировали микросеть с 10‑киловаттной солнечной установкой, 20‑киловаттной ветряной турбиной и аккумулятором ёмкостью 60 киловатт‑часов. Систему подвергли резким изменениям освещённости, скорости ветра и нагрузке, включая ступенчатые переходы от низкого к полному спросу и нелинейные нагрузки, обычно вызывающие сильный электрический шум. По сравнению с классическим пропорционально‑интегральным контроллером и более простым контроллером на нейронной сети новая схема удерживала напряжение DC значительно ближе к целевому, восстанавливалась после возмущений примерно вдвое быстрее и уменьшала нежелательные пульсации. Ток, подаваемый на нагрузку, стал практически идеально плавным, а гармонические искажения удерживались значительно ниже широко используемых стандартов качества электроэнергии IEEE.

Почему это важно для будущих микросетей

Для неспециалистов главный вывод в том, что эта интеллектуальная структура управления помогает небольшим энергетическим системам на основе возобновляемых источников работать более похоже на надёжную традиционную сеть: свет остаётся стабильным, двигатели работают плавно, а чувствительная электроника лучше защищена, даже при быстро меняющейся погоде и спросе. Поскольку метод требует небольших вычислительных ресурсов и построен модульно, его можно реализовать на практических цифровых контроллерах и расширять на более крупные или многозональные микросети без полной перенастройки. Иными словами, работа показывает многообещающее направление к более надёжным, чистым локальным энергетическим системам, способным доставлять высококачественную электроэнергию в отдалённые районы.

Цитирование: Myla, A., Gorantla, S. A novel intelligent control using RBFNN-class topper optimization for stability enhancement in hybrid standalone microgrid. Sci Rep 16, 14008 (2026). https://doi.org/10.1038/s41598-026-44798-6

Ключевые слова: микросеть, управление возобновляемой энергией, контроллер на нейронной сети, аккумуляторное хранилище энергии, качество электроэнергии