Adaptiv flermålsoptimering av energihantering i mikronät med djup förstärkningsinlärning med hänsyn till batterinedbrytning och förnybar osäkerhet

Smartare lokal el för vardagen

Allt fler hem, campus och företag installerar solceller och batterier, och att avgöra när man ska köpa, lagra eller använda el blir en högriskbalansakt. Görs det rätt minskar kostnader och utsläpp; görs det fel slösas ren energi bort och dyra batterier slits ut. Den här studien undersöker hur en form av artificiell intelligens, kallad djup förstärkningsinlärning, kan fungera som en ”digital operatör” för ett sol‑och‑batteri‑mikronät, och lära sig dag för dag hur man håller kostnaderna låga, använder mer förnybar energi och skyddar batteriet från för tidigt åldrande — även när väderprognosen fejlar.

Varför små elnät spelar roll

Mikronät är kompakta elsystem som kopplar samman solpaneler, batterilagring, styrbara laster och en anslutning till stamnätet. De kan driva ett campus eller ett kvarter och hålla kritiska laster igång när huvudnätet belastas. Men de är svåra att driva: solinstrålning och efterfrågan varierar från minut till minut, elpriserna skiftar under dagen, och varje laddnings‑ och urladdningscykel bryter ner batteriet gradvis. Traditionella styrscheman förlitar sig på matematisk optimering och noggranna prognoser, vilket ofta fallerar när förhållanden avviker från förväntningarna eller när systemet blir för komplext.

En lärande styrning som tränar på erfarenhet

Forskarna byggde en detaljerad digital tvilling av ett campus‑stort mikronät i västra Saudiarabien, med 300 kW solpaneler, ett stort litiumjonbatteri, flexibla och icke‑flexibla laster samt en tvåvägsanslutning till huvudnätet. De tränade sedan en agent med djup förstärkningsinlärning — närmare bestämt ett avancerat Deep Q‑Network — för att driva detta virtuella system i 15‑minuterssteg över många simulerade år. Agenten observerade batteriets laddningsgrad, korttidsprognoser för sol och efterfrågan, elpriser och temperatur, och valde åtgärder som hur hårt batteriet skulle laddas eller urladdas och om skiftbara laster skulle köras. Efter varje steg fick den en belöning som kombinerade tre mål: att betala mindre för el, bromsa batterislitage och förlita sig mindre på fossilbaserad nätkraft.

Balans mellan kostnad, batterihälsa och ren energi

För att spegla verkliga avvägningar införlivade teamet en fysikbaserad modell för batteriåldring direkt i inlärningssignalen. Belöningsfunktionen bestraffade både kortsiktiga kostnader och långsiktig kapacitetsförlust och avskräckte hårt från att överskrida säkerhetsgränser som överladdning eller djuputladdning av batteriet. Efter ungefär 10 000 simulerade dagars träning upptäckte agenten strategier som människor ofta rekommenderar — men som den aldrig lärts ut explicit. Den lärde sig att föredra många måttliga cykler framför några djupa, att hålla batteriet i ett mellanläge där åldringen är långsammare, och att lämna tillräckligt med utrymme i batteriet före soliga timmar så att kommande solenergi kan lagras istället för att gå till spillo.

Slår en konventionell smart styrning

Den nya inlärningsbaserade styrningen testades mot en stark jämförelsemetod, känd som modellprediktiv styrning, som är vanligt i industrin och förutsätter goda prognoser. Över ett helt år av väder‑ och efterfrågedata sänkte den inlärda policyn de totala driftkostnaderna med cirka 12 procent, minskade batterikapacitetsförlusten med strax över 8 procent och ökade användningen av lokalt producerad solkraft med ungefär 10 procent. Den minskade också toppar i effektuttag från nätet och sänkte därmed hörande koldioxidutsläpp med nästan 14 procent. Kanske mest anmärkningsvärt var att den AI‑styrda lösningen, när den väl var tränad, fattade beslut på några tusendelssekunder — betydligt snabbare än de sekunder långa optimeringar som krävs av den konventionella metoden — vilket gör den lämplig för billig lokal hårdvara.

Robusthet när vädret har fel

Riktiga mikronät måste hantera molniga överraskningar och ofullständiga prognoser. Forskarna testade båda styrningarna med successivt mer felaktiga solprognoser. När prognosfelen blev allvarliga steg kostnaderna för den traditionella styrningen med mer än en femtedel, medan kostnadsökningen för den inlärningsbaserade styrningen var mindre än en tiondel. AI‑agenten hanterade också snabba svängningar i solinstrålningen mer elegant, genom att använda batteriet för att jämna ut effekterna utan att ta till skadliga djupa urladdningar. Den schemalade flexibla laster att sammanfalla med solproduktion och lågprisperioder, vilket ytterligare minskade belastningen på nätet.

Vad detta innebär för framtidens elsystem

I vardagstermer visar studien att en tränad AI kan driva ett sol‑och‑batterisystem som en skicklig operatör som bryr sig om dagens elräkning, morgondagens batterihälsa och klimatpåverkan från varje kilowattimme. Genom att lära direkt från data, istället för att förlita sig på perfekta prognoser och förenklade formler, levererar styrningen billigare, renare energi samtidigt som den förlänger livet för dyra batterier. Även om arbetet utfördes i simulering för ett campusmikronät i Saudiarabien, kan samma angreppssätt anpassas till andra platser och utvidgas till nätverk av mikronät, vilket erbjuder en lovande väg mot mer resilienta, effektiva och hållbara lokala energisystem.

Citering: Altimania, M.R.M., Basem, A., Saydullaev, B. et al. Adaptive multi-objective optimization of microgrid energy management using deep reinforcement learning considering battery degradation and renewable uncertainty. Sci Rep 16, 14296 (2026). https://doi.org/10.1038/s41598-026-44179-z

Nyckelord: mikronät, djup förstärkningsinlärning, batterihälsa, förnybar energi, energiförvaltning