Улучшённый алгоритм генерации, вдохновлённый материаловедением, для регулирования частоты нагрузки в энергосистемах с интегрированными электромобилями

Почему важно сохранять стабильность напряжения и частоты

Каждое устройство в наших домах — от холодильников до зарядных устройств для телефонов — зависит от того, что сеть поддерживает почти постоянную частоту. По мере того как всё больше электромобилей (ЭМ) подключается к сети и регионы всё шире обмениваются энергией на большие расстояния, удерживать эту частоту становится труднее. В этом исследовании предлагается новый способ тонкой настройки регуляторов сети, который позволяет координировать традиционные электростанции и большие парки ЭМ, сохраняя систему устойчивой и надёжной.

Электромобили как помощники, а не только потребители

Современные энергосистемы становятся всё более взаимосвязанными, большие территории обмениваются электроэнергией через межсистемные линии. Одновременно миллионы ЭМ появляются как гибкие, быстро реагирующие нагрузки. ЭМ не только потребляют энергию; при подключении через подходящую электронику они кратковременно могут возвращать мощность в сеть, помогая стабилизировать частоту после возмущений, таких как резкий рост спроса. Однако режимы зарядки и использования ЭМ непредсказуемы, а возобновляемые источники вроде ветра и солнца добавляют дополнительные флуктуации. Традиционные схемы управления, основанные на простых правилах настройки, часто испытывают трудности при таком сочетании неопределённостей, что ведёт к нежелательным колебаниям частоты и потоков мощности между зонами.

Способ поиска, вдохновлённый химией

Авторы опираются на недавний алгоритм «генерации материалов», позаимствовавший идеи из того, как атомы формируют стабильные химические соединения. С этой точки зрения каждый возможный набор настроек регулятора рассматривается как материал, составленный из разных «элементов». Алгоритм формирует, разрушает и рекомбинирует эти виртуальные материалы, оценивая их «устойчивость» по тому, насколько хорошо они удерживают частоту сети и потоки по межсистемным линиям в пределах допустимого в компьютерных моделях. Но первоначальная версия этого подхода имела слабое место, знакомое многим методам поиска: она могла преждевременно застревать на лишь удовлетворительном решении и прекращать дальнейшее исследование, особенно в сложных задачах высокой размерности.

Добавление разумной параболы, чтобы не застрять в локуме

Чтобы преодолеть это, в работе предложен Улучшённый алгоритм генерации материалов (IMGA). Вдобавок к операциям, вдохновлённым химией, IMGA периодически выполняет небольшой локальный шаг аппроксимации: он берёт три соседних решения и аппроксимирует их зависимость от качества простым изгибом — параболой. По этой кривой алгоритм оценивает более удачную близкую точку для следующей проверки. Этот шаг квадратичной интерполяции даёт поиску направление, позволяя быстрее локализовать перспективные области без опоры на единственного «лучшего» лидера. Вероятностный переключатель решает, когда применять этот криволинейный приём, а когда — исходную случайную рекомбинацию, что сохраняет разнообразие кандидатов и помогает поиску вырываться из локальных тупиков.

Тестирование идеи на общей сети с парками электромобилей

Чтобы проверить, оправдан ли такой более умный поиск на практике, авторы моделируют сеть из двух взаимосвязанных областей, каждая из которых снабжается от традиционных тепловых электростанций и крупных парков ЭМ. Они используют каскадный регулятор: внешний контур быстро реагирует на внезапные изменения, а внутренний устраняет установившуюся ошибку. IMGA настраивает коэффициенты этого каскадного регулятора так, чтобы в симуляции отклонения частоты и колебания мощности по межсистемной линии были как можно меньше и короче. Улучшённый алгоритм сравнивают с несколькими хорошо известными методами поиска, включая рой частиц и другие современные метаэвристики, в ряде сценариев: с участием ЭМ и без, при возмущениях в одной или другой области и при нерегулярных ступенчатых изменениях спроса.

Что показали симуляции

Во всех случаях IMGA последовательно находит настройки регуляторов, которые обеспечивают более плавную реакцию сети по сравнению с альтернативами. Алгоритм сходится быстрее и надёжнее, демонстрируя меньший разброс между лучшими и худшими прогонками. При активной помощи ЭМ настроенный регулятор сокращает глубину начального провала частоты примерно вдвое и укорачивает время установления на несколько секунд по сравнению с работой без поддержки ЭМ. При произвольных изменениях нагрузки контроллер, настроенный IMGA, поддерживает частоту и обмен мощностью между двумя областями ближе к желаемым значениям, чем ранее предложенные решения, быстрее затухая колебания и ограничивая перерегулирование.

Что это значит для будущих сетей

Проще говоря, исследование показывает, что более умный метод поиска, сочетающий идеи из материалового моделирования и аппроксимации кривой, может находить лучшие способы настройки регуляторов сети, эффективно используя парки ЭМ как стабилизирующих партнёров. Улучшённый алгоритм даёт более жёсткий контроль частоты и более плавное распределение мощностей между регионами в моделированиях, даже когда условия шумные и меняются. Хотя модели ЭМ и сети пока упрощены и проверены на двухзонной системе, результаты указывают на то, что такие продвинутые инструменты настройки могут помочь будущим энергосистемам с большим количеством ЭМ оставаться стабильными и надёжными без дорогостоящего избыточного проектирования.

Цитирование: Almutairi, S.Z., Ginidi, A.R. An improved material-inspired generation algorithm for load frequency control in EV-integrated power systems. Sci Rep 16, 13020 (2026). https://doi.org/10.1038/s41598-026-47360-6

Ключевые слова: электромобили, устойчивость энергосети, регулирование частоты, алгоритмы оптимизации, умные сети