Flermålsbestämning av storlek och placering av DG i distributionsnät med hybrid gorilla troops optimization-genetisk algoritm: en verklig fallstudie

Smartare lokal kraft för vardaglig tillförlitlighet

När du tänder en lampa förväntar du dig omedelbar och stabil ström — men att leverera den tillförlitligheten blir svårare i takt med att elbehovet ökar och fler förnybara källor ansluts till nätet. En lovande idé är att sprida mindre kraftenheter, så kallade distribuerade generatorer, i lokala nät istället för att förlita sig enbart på stora, avlägsna kraftverk. Denna studie visar hur en ny datorbaserad planeringsmetod kan avgöra var dessa mindre enheter bör placeras och hur stora de bör vara så att nätet slösar mindre energi, håller spänningarna stabila och sparar avsevärda summor varje år.

Varför lokala generatorer spelar roll

Traditionella kraftsystem skickar elektricitet över långa avstånd från stora anläggningar till hem och fabriker. På vägen förloras en del av energin som värme i ledningarna, och spänningen kan sjunka i avlägsna områden, särskilt när efterfrågan ökar. Att installera distribuerade generatorer — såsom små gasturbiner eller förnybara källor som sol och vind — direkt i lokala nät kan avlasta överbelastade ledningar, minska förluster och förbättra spänningskvaliteten. Men att placera dessa enheter är inte lika enkelt som att fylla tomma platser: varje möjlig plats och storlek påverkar resten av nätet, och besluten måste också följa strikta ingenjörsmässiga begränsningar. Planeringsuppgiften blir ett intrikat pussel som blandar av- och på-val (var enheter ska placeras) med kontinuerliga val (hur stora de ska vara), samtidigt som flera mål måste vägas mot varandra.

En hybrid digital ”sökarstyrka”

För att hantera detta pussel utformade författarna en hybrid sökmetod som kombinerar två välkända familjer av optimeringsverktyg. En del är en genetisk algoritm, inspirerad av evolution, som hanterar ja–nej- och stegvise beslut — såsom vilka nätverksnoder som bör hysa nya generatorer. Den andra delen är gorilla troops optimizer, en svärm-liknande metod modellerad på grupprörelse och ledarskap i gorillaband, som utmärker sig vid utforskning av jämna värdeintervall — såsom den exakta effekten hos varje generator. I varje cykel föreslår de två komponenterna kandidatplaner, förenar dem till kompletta nätuppställningar och testar hur väl de presterar. Planer som minskar energiförluster och förbättrar spänningarna behålls och förfinas, medan svagare alternativ avskrivs. Genom att låta varje metod fokusera på det den gör bäst kan den hybrida ansatsen söka i ett mycket komplicerat beslutsutrymme mer effektivt och undvika att fastna i dåliga lösningar.

Testning på realistiska nät

Forskarna verifierade först sitt hybridverktyg på 23 standardiserade matematiska testfunktioner som ofta används för att bedöma hur väl optimeringsmetoder utforskar komplexa landskap. Hybriden hittade konsekvent mycket bra lösningar och konvergerade snabbare än flera etablerade tekniker, inklusive klassiska genetiska algoritmer och andra svärmbaserade metoder. Därefter tillämpade de metoden på två elkraftdistributionsnät: ett allmänt använt benchmarksystem med 33 anslutningspunkter och ett mycket större verkligt nät förenklat till 143 punkter. I båda fallen undersökte verktyget olika driftförhållanden för de distribuerade generatorerna och granskade enkla mål (endast förlustminskning eller endast spänningsförbättring) samt kombinerade mål (balansering av båda samtidigt). Metoden fann inte bara placeringar som kraftigt minskade förluster och jämnade ut spänningarna, den kartlade också kompromisskurvor som visar hur mycket av en fördel som måste offras för att vinna mer av den andra.

Stora minskningar av spill och kostnad

Resultaten är anmärkningsvärda. I 33-punkts testsystemet minskade de bästa lösningarna effektförlusterna med upp till cirka 94 % och förbättrade spänningskvaliteten med nära 100 % jämfört med det ursprungliga nätet utan tillagda generatorer. I praktiska ekonomiska termer sjönk de årliga ekonomiska förlusterna i det systemet från ungefär 92 000 dollar till omkring 14 000 dollar — en besparing på mer än 78 000 dollar per år. I det större, verkliga 143-nods nätet sjönk förlusterna med nästan 94 % och spänningsproblemen minskade med nästan 100 %, vilket förvandlade en årlig förlust på cirka 178 000 dollar till strax över 32 000 dollar, med besparingar på över 145 000 dollar. Analysen visade också vilka specifika delar av näten som var mest känsliga, vilket gav planerare konkreta mål för uppgraderingar.

Vad detta betyder för framtidens nät

För icke-specialister är huvudbudskapet att smartare planeringsverktyg kan frigöra mycket mer värde från lokala kraftkällor som redan blir vanliga, såsom takmonterad sol, batterier i samhällsskala och små generatorer. Istället för att placera dessa enheter efter prövning och fel eller med enkla regler söker den beskrivna hybrida metoden genom otaliga möjligheter för att hitta uppställningar som slösar betydligt mindre energi, stabiliserar spänningar och avsevärt sänker driftskostnaderna. I takt med att elnäten tar emot fler förnybara källor och tjänar en växande efterfrågan kan sådan intelligent, automatiserad planering hjälpa till att göra lokala nät mer effektiva, mer tillförlitliga och bättre rustade för en renare energiframtid.

Citering: 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

Nyckelord: distribuerad kraftproduktion, kraftdistributionsnät, optimeringsalgoritmer, spänningsstabilitet, reducering av energiförluster