Intelligent RBF-neuralt nätverksbaserat styrsystem för dynamisk stabilitet och effektreglering i förnybarintegrerade mikronät

Varför smartare lokal elförsörjning spelar roll

När hushåll, campus och små samhällen installerar fler taksolpaneler och vindkraftverk blir det oväntat komplicerat att hålla strömmen stabil. Solinstrålning och vind varierar från minut till minut, vilket gör lokala elsystem, eller mikronät, sårbara för flimmer, spänningsdippar och förlorad ren energi. Denna artikel undersöker en intelligent styrmetod som kombinerar avancerad elektronik med ett snabbinlärande neuralt nätverk för att hålla ett förnybar-tungt mikronät stabilt, effektivt och redo för verklig drift.

Att hålla ett litet nät i balans

Ett mikronät är som ett kvartersstort elsystem som kan kombinera solpaneler, vindkraftverk, batterier och en anslutning till det större elnätet. Utmaningen är att varje del beter sig olika: solpaneler ger likström (DC), nätet använder växelström (AC) och vindkraftverk ändrar sin effekt när vinden varierar. Författarna utformar ett mikronät där solkraft, vindkraft och ett batteri kopplas in på en gemensam DC–"buss" som sedan matar det lokala nätet. För att hålla detta miniatyrkraftsystem i balans fokuserar de på två mål som vardagsanvändare bryr sig om: stabil spänning och frekvens (så att apparater fungerar korrekt) och hög verkningsgrad (så att lite av den värdefulla förnybara energin förloras som värme i elektroniken).

Smartare system för förnybar energi

I systemets kärna finns en intelligent regulator byggd kring ett Radial Basis Function-neuralt nätverk (RBFNN). Enkelt uttryckt är detta en maskininlärnings–"hjärna" som snabbt kan lära sig hur mikronätet beter sig under många olika förhållanden och sedan justera styrinställningarna i realtid. Den samlar in mätvärden som spänning, ström och effekt från hela mikronätet, analyserar dem och skickar optimerade kommandon till lokala regulatorer som styr elektroniken kopplad till solpaneler, vindkraftverk, batteri och nätgränssnittet. Eftersom RBFNN lär sig snabbt och kan anpassa sig i farten hanterar den plötsliga förändringar i solljus, vind eller elbehov bättre än traditionella regulatorer, som ofta kräver tidsödande manuell omställning.

Förbättrad solkraft och dämpning av fluktuationer

Solpaneler ger naturligtvis relativt låga spänningar som måste höjas innan de kan mata mikronätet. Författarna introducerar en specialiserad effekt-elektronikenhet, kallad Z-source integrerad koppad induktor boost (Z-SCIB)-omvandlare, som kan höja solens utspänning till en mycket högre, mer användbar nivå samtidigt som belastningen på dess interna komponenter hålls låg. Denna omvandlare styrs av en klassisk proportional–integral (PI)-regulator vars inställningar automatiskt optimeras av en bioinspirerad sökmetod modellerad på gåsars migration, kallad Grey Lag Goose Optimization (GGO). Tillsammans får Z-SCIB-omvandlaren och GGO-finjusterade PI-regulatorn snabbt solspänningen att nå sitt målvärde, med en verkningsgrad på cirka 97 %, vilket innebär att mycket lite solenergi går förlorad i konverteringsprocessen.

Vind, batterier och ren effektkvalitet

Vindenergi ansluts till mikronätet via en dubbelmatad asynkronmaskin, en typ av vindkraftsgenerator som kan justera både mängden aktiv effekt som levereras och den reaktiva effekten som hjälper till att stödja nätspänningen. Dess utgång omvandlas till DC och regleras noggrant innan den går med i den gemensamma bussen. En tvåvägsomvandlare kopplar ett batteri till samma buss, vilket gör det möjligt för batteriet att ta upp överskottskraft när sol och vind är rikliga och leverera den när efterfrågan stiger eller förnybar produktion faller. Ytterligare PI-regulatorer håller batteriets laddningsström säker och nätvändande växelriktare synkroniserad med huvudnätet. Simuleringar visar att även när temperatur, solinstrålning, vindhastighet och belastning varierar håller systemet nätspänningen och strömmen stabil och håller elektrisk distorsion (skadliga övertoner) mycket låg.

Vad det betyder för vardaglig energianvändning

Studien avslutar att kombinationen av en effektiv solboostomvandlare, en flexibel vindgenerator, smart batterihantering och en RBFNN-baserad övervakningsregulator kan göra förnybar-tunga mikronät både stabila och mycket effektiva. I praktiken innebär det färre flimmer, bättre utnyttjande av ren energi och förbättrad tillförlitlighet för platser som är beroende av lokal produktion, från avlägsna byar till urbana campus. Även om metoden fortfarande är beroende av bra träningsdata för det neurala nätverket och medför viss beräkningsmässig komplexitet visar den en tydlig väg mot mikronät som automatiskt kan anpassa sig till verklighetens kaotiska väder- och effektbehov och föra tillförlitlig ren energi närmare vardagen.

Citering: Chiluka, V., Sekhar, G.G.R., Reddy, C.R. et al. Intelligent RBF neural network-based control for dynamic stability and power control in renewable-integrated microgrids. Sci Rep 16, 6250 (2026). https://doi.org/10.1038/s41598-026-36641-9

Nyckelord: mikronätstyrning, förnybar energi, sol- och vindkraft, batterilagring, neuralt nätverksregulator