En ny intelligent reglering med RBFNN-klassens topperoptimering för förbättrad stabilitet i hybrid fristående mikronät

Hålla ljusen tända i avlägsna områden

Många avlägsna byar, öar och samhällen utanför elnätet börjar förse sig med elektricitet genom en blandning av solpaneler, små vindturbiner och batterier. Men att hålla spänningen stabil när moln passerar eller vinden mattas är svårare än det låter. Denna artikel presenterar en ny ”intelligent” styrmetod som hjälper sådana små elnät, kallade fristående mikronät, att leverera jämn och tillförlitlig el med färre flimmer, mindre elektriskt brus och bättre utnyttjande av ren energi.

Hur ett litet elnät fungerar

Studien granskar ett kompakt elsystem som kombinerar tre viktiga delar: en solcellsanläggning, en vindturbin och ett stort batteripaket, alla sammankopplade på en gemensam likspänningslinje (DC). Från denna gemensamma ryggrad genererar en elektronisk enhet kallad inverter den reguljära trefasiga växelström (AC) som hushåll och utrustning använder. Sol- och vindkraft är i grunden ostadiga — sol och vind varierar snabbt — så batteriet träder in för att lagra överskottsenergi eller fylla luckor. Hela systemet måste konstant jonglera dessa flöden så att DC-linjen håller sig nära sin målvärde och att den AC som levereras till lasten förblir ren och stabil.

Varför traditionell reglering inte räcker till

Konventionella regulatorer i sådana system använder fasta inställningar som ställs in manuellt. De kan fungera bra kring en driftpunkt, men har svårt när förhållandena förändras snabbt: ett plötsligt hopp i efterfrågan, moln som snabbt sveper förbi eller byiga vindar. Dessa metoder tillåter ofta märkbara svängningar i spänning och ger förvrängda strömvågor som kan belasta utrustning och slösa energi. Mer avancerade angreppssätt baserade på fuzzylogik eller komplexa prediktiva modeller kan anpassa sig bättre, men de tenderar att kräva tung beräkning och invecklade regelsystem, vilket gör dem svåra att köra i realtid på prisvärd hårdvara.

En tvåskikts intelligent styrmetod

Författarna föreslår ett tvåskikts styrschema som kombinerar ett snabbrörligt neuralt nätverk med en långsammare övervakande optimerare. Det lägre skiktet använder ett radialt basfunktionsneuralt nätverk (RBFNN), en typ av maskininlärningsmodell som är särskilt lämpad för att hantera icke‑linjärt beteende. Det övervakar hur mycket DC-spänningen och inverterströmmena avviker från sina önskade värden och justerar därefter snabbt kommandon till omriktare och inverter för att korrigera dessa fel. Ovanpå detta fungerar en ”Class Topper Optimization Algorithm” som en tränare. Inspirerad av hur elever lär sig från den främsta i klassen granskar den periodiskt hur väl systemet presterar — med avseende på spänningsavvikelser och hur sinusformad strömmen är — och finjusterar försiktigt nyckelkontrollvinster och inlärningshastigheter inom säkra gränser. Denna separation mellan snabb inlärning och långsammare optimering håller systemet responsivt utan att bli instabilt.

Test av den smarta regulatorn

För att utvärdera den nya metodens prestanda simulerade forskarna ett mikronät med en 10‑kilowatt solcellsanläggning, en 20‑kilowatt vindturbin och ett 60‑kilowattimmars batteri. De utsatte det för snabba förändringar i solljus, vindhastighet och last, inklusive stegsändringar från låg till full efterfrågan och icke‑linjära laster som normalt introducerar starkt elektriskt brus. Jämfört med en standard proportional–integral regulator och en mer grundläggande neuralt nätverksregulator höll det nya systemet DC-spänningen mycket närmare målvärdet, återhämtade sig från störningar ungefär dubbelt så snabbt och minskade oönskade svängningar. Den elektriska strömmen som levererades till lasten blev nästan perfekt jämn, med harmonisk förvrängning väl under de allmänt använda IEEE-gränserna för elkvalitet.

Varför detta är viktigt för framtida mikronät

För icke‑specialister är huvudslutsatsen att denna intelligenta styrarkitektur hjälper små förnyelsebaserade elsystem att bete sig mer som ett robust konventionellt nät: ljusen håller sig stabila, motorer går smidigt och känslig elektronik skyddas bättre, även när väder och efterfrågan förändras snabbt. Eftersom metoden är beräkningsmässigt lätt och modulär kan den implementeras på praktiska digitala regulatorer och utvidgas till större eller flerområdes mikronät utan nyinlärning från grunden. Kort sagt visar arbetet en lovande väg mot mer tillförlitliga, renare lokala elsystem som kan leverera högkvalitativ el till platser långt från traditionella kraftledningar.

Citering: 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

Nyckelord: mikronät, styrning av förnybar energi, neuralt nätverksregulator, batterienergilagring, elkvalitet