DOI: https://doi.org/10.1038/s41598-025-90062-8
PMID: https://pubmed.ncbi.nlm.nih.gov/40044727
تاريخ النشر: 2025-03-05
المؤلف: M. Siva Ramkumar وآخرون
الموضوع الرئيسي: تحكم الشبكات الصغيرة وتحسينها
نظرة عامة
تتناول البحث الحاجة الملحة لإدارة الطاقة الفعالة في أنظمة الشبكات الصناعية، مدفوعة بزيادة الطلب على الطاقة ودمج مصادر الطاقة المتجددة (RES). يقدم خوارزمية هجينة جديدة، تجمع بين الاستيفاء التربيعي والبحث المحلي الجديد لتحسين غاز الإوز الرمادي (QI-NLS-G2O) مع شبكة بيرسيبترون منطقة نصف قطر غاوسي (GRZPNet)، تهدف إلى تحسين إدارة الشبكات الصغيرة متعددة الطاقة (MEMG). الهدف الرئيسي هو تقليل تكاليف إنتاج الكهرباء من خلال جدولة فعالة للمصادر الصغيرة، بما في ذلك توربينات الرياح (WT)، والألواح الشمسية (PV)، وتخزين البطاريات، مع الأخذ في الاعتبار عدم اليقين المرتبط بمصادر الطاقة المتجددة.
تظهر الطريقة المقترحة تحسينات كبيرة في دقة التوزيع وأداء MEMG، حيث تحقق تقليلاً في تأثيرات عدم اليقين لمصادر الطاقة المتجددة بنسبة تقارب 15% وتعزز كفاءة الأداء بنسبة تصل إلى 20% في المحاكاة. تكشف اختبارات الأداء باستخدام MATLAB/Simulink أن التقنية الهجينة تحقق قيمة سعة (CAP) تبلغ 47.25% وحالة شحن (SoC) تبلغ 97.52%، متفوقة على الطرق الحالية مثل HMADRL و NEGCN-PFOA و SAC و DRL بفارق كبير. تشير هذه النتائج إلى فعالية الطريقة في الحفاظ على صحة البطارية وضمان إدارة طاقة موثوقة في التطبيقات ذات الطلب العالي. تشمل اتجاهات البحث المستقبلية تعزيز القدرة على التكيف مع ظروف الحمل المتغيرة ودمج التعلم الآلي لتحسين دقة التنبؤ.
طرق
في هذا القسم، يقدم المؤلفون دالة متعددة الأهداف تهدف إلى تحسين تصميم نظام الشبكة الصغيرة (MG). الأهداف الرئيسية هي تلبية الطلبات على الحمل مع تقليل نفقات الوقود وتكاليف التشغيل والصيانة. يتم التعبير عن الدالة متعددة الأهداف رياضيًا في المعادلة (9) كما يلي:
\[
F_{\text{obj}} = \min_{i=1}^{4} \{F(c)\}
\]
هنا، يمثل \(F_{\text{obj}}\) الهدف لتقليل التكاليف الإجمالية المرتبطة بالوقود، والتشغيل، والصيانة لنظام MG. يتم تفصيل دالة التكلفة الإجمالية للوقود \(F(c)\) في المعادلة (10):
\[
F(c) = \sum_{i=1}^{N} \left( a_i + b_i P_{\text{DG},i} + c_i P_{\text{DG},i}^2 \right)
\]
تتضمن هذه الصياغة معاملات \(a_i\)، و \(b_i\)، و \(c_i\) التي تصف ديناميات تكلفة الوقود بالنسبة لتوليد الطاقة من وحدات التوليد الموزعة \(P_{\text{DG},i}\). يبرز دمج هذه الدوال التكلفة في هدف موحد تعقيد تحسين أنظمة MG مع معالجة الكفاءة الاقتصادية والتشغيلية.
نتائج
في هذه الدراسة، يتم تقديم نهج هجيني لتعظيم إنتاج الطاقة وتقليل تكاليف التوليد في أنظمة الشبكات الصغيرة، باستخدام مصادر البطاريات وتوربينات الرياح (WT) لتلبية الطلبات على الحمل. الطريقة المقترحة، التي تم تنفيذها في MATLAB/Simulink، ترتب مصادر الشبكة الصغيرة بشكل مثالي لاستيعاب الطلبات المتزايدة على الطاقة. تظهر النتائج أن توليد الطاقة من الرياح الفعلي يتقلب بين 0.7 و 1.1 p.u.، مع توقعات تتماشى بشكل وثيق ضمن نطاق عدم اليقين، مما يبرز بشكل خاص ذروة عند الساعة 15:00. وبالمثل، تظهر بيانات توليد الطاقة الشمسية (PV) ذروة حول الظهر، مما يعزز أهمية التنبؤ الدقيق والتعديلات في الوقت الفعلي في إدارة الطاقة.
يتم مقارنة أداء النموذج المقترح مع الاستراتيجيات الحالية، مثل DDPG و SAC و TD3، مما يكشف عن تقارب أسرع نحو الأداء الأمثل، مستقرًا حول عائد متوسط قدره 3500 بعد حوالي 4000 تكرار. تشير تحليل التكاليف إلى تكاليف تشغيل مستقرة بين 7000 و 8000 وحدة عبر الفصول، مما يظهر القدرة على التحمل في ظل ظروف التشغيل المتغيرة. يتم توضيح قدرة الشبكة الصغيرة على التكيف بشكل أكبر من خلال سيناريوهات مختلفة من التغيرات المفاجئة في الإنتاج المتجدد، مما يظهر قدرتها على الحفاظ على التوازن والاستقرار في إمدادات الطاقة. بشكل عام، تؤكد النتائج فعالية الطريقة المقترحة في تعزيز أداء الشبكة الصغيرة وكفاءة التكاليف، مما يجعلها حلاً قابلاً للتطبيق في التطبيقات الواقعية.
مناقشة
يقدم البحث خوارزمية هجينة جديدة تدمج QI-NLS-G2O و GRZPNet لتحسين إدارة الطاقة في الشبكات الصغيرة متعددة الطاقة (MEMGs)، مما يعالج بشكل فعال عدم اليقين الناتج عن مصادر الطاقة المتجددة (RES). من خلال استخدام نماذج الأداء خارج التصميم لأجهزة تحويل الطاقة، تعزز هذه الطريقة التنبؤ بالطلب على الحمل ودقة توزيع الطاقة داخل الشبكات الصغيرة الصناعية. تشير النتائج إلى أن الطريقة الهجينة تحسن بشكل كبير من نمذجة النظام، وفعالية تكاليف التشغيل، وإدارة الموارد، حتى في ظل تقلبات إنتاج الطاقة المتجددة، مثل تلك الناتجة عن مصادر الرياح والطاقة الشمسية.
تتضمن بنية نظام الشبكة الصغيرة، كما هو موضح في الشكل 1، مكونات مختلفة بما في ذلك نقطة الربط المشترك (PCC)، ومغذيات شعاعية، والعديد من المصادر الصغيرة مثل الألواح الشمسية (PV) وتوربينات الرياح (WT). تم تصميم النظام لتلبية الطلبات على الحمل بشكل أساسي من خلال المصادر المتجددة، مع استخدام تخزين البطاريات لتعويض أي نقص. تم اشتقاق النماذج الرياضية للألواح الشمسية، وأنظمة الرياح، والبطاريات لدعم وظيفة الخوارزمية، مما يضمن تقييمات أداء دقيقة. تظهر الطريقة المقترحة مقاييس أداء متفوقة، حيث تحقق نسبة تكلفة متوسطة (CAP) تبلغ 47.25% وحالة شحن (SoC) تبلغ 97.52%، متفوقة بشكل كبير على التقنيات الحالية. تؤكد هذه النتائج على إمكانية الخوارزمية في إدارة الطاقة بشكل فعال في التطبيقات ذات الطلب العالي وتقترح طرقًا للبحث المستقبلي لتعزيز القدرة على التكيف والقدرات التنبؤية.
DOI: https://doi.org/10.1038/s41598-025-90062-8
PMID: https://pubmed.ncbi.nlm.nih.gov/40044727
Publication Date: 2025-03-05
Author(s): M. Siva Ramkumar et al.
Primary Topic: Microgrid Control and Optimization
Overview
The research addresses the critical need for effective energy management in industrial grid systems, driven by increasing energy demands and the integration of renewable energy sources (RES). It introduces a novel hybrid algorithm, combining Quadratic Interpolation and New Local Search for Greylag Goose Optimization (QI-NLS-G2O) with a Gaussian Radius Zone Perceptron Net (GRZPNet), aimed at optimizing the management of Multi-Energy Microgrids (MEMG). The primary objective is to minimize electricity production costs through efficient scheduling of micro-sources, including Wind Turbines (WT), Photovoltaic arrays (PV), and battery storage, while accounting for the uncertainties associated with RES.
The proposed method demonstrates significant improvements in dispatching accuracy and MEMG performance, achieving a reduction in RES uncertainty impacts by approximately 15% and enhancing performance efficiency by up to 20% in simulations. Performance testing using MATLAB/Simulink reveals that the hybrid technique achieves a Capacity (CAP) value of 47.25% and a State of Charge (SoC) of 97.52%, outperforming existing methods such as HMADRL, NEGCN-PFOA, SAC, and DRL by substantial margins. These findings indicate the method’s effectiveness in maintaining battery health and ensuring reliable energy management in high-demand applications. Future research directions include enhancing adaptability to varying load conditions and integrating machine learning for improved predictive accuracy.
Methods
In this section, the authors present a multi-objective function aimed at optimizing the design of a microgrid (MG) system. The primary goals are to satisfy load demands while minimizing fuel expenses and operating and maintenance costs. The multi-objective function is mathematically expressed in Equation (9) as follows:
\[
F_{\text{obj}} = \min_{i=1}^{4} \{F(c)\}
\]
Here, \(F_{\text{obj}}\) represents the objective to minimize the overall costs associated with fuel, operation, and maintenance of the MG system. The total fuel cost function \(F(c)\) is detailed in Equation (10):
\[
F(c) = \sum_{i=1}^{N} \left( a_i + b_i P_{\text{DG},i} + c_i P_{\text{DG},i}^2 \right)
\]
This formulation incorporates coefficients \(a_i\), \(b_i\), and \(c_i\) that characterize the fuel cost dynamics in relation to the power generation from distributed generation units \(P_{\text{DG},i}\). The integration of these cost functions into a unified objective highlights the complexity of optimizing MG systems while addressing economic and operational efficiency.
Results
In this study, a hybrid approach for maximizing power output and minimizing generation costs in microgrid systems is presented, utilizing battery sources and wind turbines (WT) to meet load demands. The proposed method, implemented in MATLAB/Simulink, optimally arranges microgrid sources to accommodate increasing energy demands. Results demonstrate that actual wind power generation fluctuates between 0.7 and 1.1 p.u., with forecasts closely aligning within an uncertainty band, particularly highlighting a peak at 15:00. Similarly, photovoltaic (PV) generation data exhibit a peak around noon, reinforcing the importance of accurate forecasting and real-time adjustments in energy management.
The proposed model’s performance is compared against existing strategies, such as DDPG, SAC, and TD3, revealing faster convergence to optimal performance, stabilizing around an average return of 3500 after approximately 4000 iterations. Cost analysis indicates stable operational costs between 7000 and 8000 units across seasons, demonstrating resilience to varying operational conditions. The microgrid’s adaptability is further illustrated through various scenarios of sudden changes in renewable output, showcasing its capability to maintain balance and stability in energy supply. Overall, the findings underscore the effectiveness of the proposed method in enhancing microgrid performance and cost efficiency, making it a viable solution for real-world applications.
Discussion
The research presents a novel hybrid algorithm that integrates QI-NLS-G2O and GRZPNet to optimize energy management in Multi-Energy Microgrids (MEMGs), effectively addressing uncertainties from Renewable Energy Sources (RES). By utilizing off-design performance models for energy conversion devices, this approach enhances load demand forecasting and energy dispatching accuracy within industrial microgrids. The findings indicate that the hybrid method significantly improves system modeling, operational cost-effectiveness, and resource management, even amidst fluctuating renewable energy outputs, such as those from wind and solar sources.
The architecture of the microgrid system, as illustrated in Figure 1, incorporates various components including a Point of Common Coupling (PCC), radial feeders, and multiple micro sources like photovoltaic (PV) arrays and wind turbines (WT). The system is designed to meet load demands primarily through renewable sources, with battery storage utilized to compensate for any shortfalls. The mathematical models for PV arrays, wind systems, and batteries are derived to support the algorithm’s functionality, ensuring accurate performance assessments. The proposed method demonstrates superior performance metrics, achieving a Cost Average Percentage (CAP) of 47.25% and a State of Charge (SoC) of 97.52%, significantly outperforming existing techniques. These results underscore the algorithm’s potential for effective energy management in high-demand applications and suggest avenues for future research to enhance adaptability and predictive capabilities.