DOI: https://doi.org/10.1371/journal.pone.0340259
PMID: https://pubmed.ncbi.nlm.nih.gov/41615935
تاريخ النشر: 2026-01-30
المؤلف: Bilal Naji Alhasnawi وآخرون
الموضوع الرئيسي: أنظمة الطاقة المتجددة الهجينة
نظرة عامة
تتناول هذه الفقرة تطوير نظام إدارة الطاقة (EMS) لمحطات الطاقة المتجددة الهجينة، مع دمج تقنيات متنوعة مثل خلايا الوقود، وتوربينات الرياح، وخلايا الشمس، وأنظمة تخزين الطاقة بالبطاريات (ESS)، والميكروتوربينات. يتم التعامل مع مشكلة التحسين باستخدام خوارزمية “Hyper Learning Binary Dragonfly” (HLBDA)، التي تهدف إلى تعظيم الفوائد الاقتصادية من خلال تقليل تكاليف التشغيل وانبعاثات الملوثات. يتم تقييم النموذج المقترح مقارنة بأساليب التحسين الحالية، بما في ذلك الخوارزميات الجينية (GA) وخوارزمية تحسين جراد البحر (COA). تشير النتائج إلى أن HLBDA تتفوق على كل من GA وCOA، محققة توفيرًا في التكاليف بنسبة 12.4% وتقليلًا في انبعاثات الكربون بنسبة 9.54%، بينما تظهر أيضًا معدلات استخدام متفوقة للطاقة المتجددة.
تخلص الدراسة إلى أن EMS تعالج بفعالية القيود التشغيلية، وتقلل التكاليف الإجمالية، وتخفض الانبعاثات في تكوينات الشبكات الصغيرة. يُعتبر الإطار العشوائي المستخدم فعالًا في إدارة عدم اليقين في عمليات الشبكات الصغيرة. تؤكد نتائج المحاكاة فعالية EMS المقترح، حيث حققت HLBDA معدل استخدام للطاقة المتجددة بنسبة 27.34% ومعدل استخدام للبطارية بنسبة 77.21%. بالمقابل، أظهرت COA وGA مقاييس أداء أقل. يقترح المؤلفون أن البحث المستقبلي يمكن أن يستكشف نموذج سوق تداول الطاقة من نظير إلى نظير بناءً على نظرية الاحتمالات المدفوعة بالوقت لتعزيز الدراسة بشكل أكبر.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للطاقة في التنمية البشرية، مشيرة إلى أن أكثر من 1.3 مليار شخص في المناطق الريفية يفتقرون إلى الوصول الموثوق إلى الكهرباء بسبب مجموعة متنوعة من الحواجز التقنية والاقتصادية، كما أفادت الوكالة الدولية للطاقة (IEA). تواجه أنظمة الطاقة التقليدية المعتمدة على الوقود الأحفوري تحديات كبيرة، بما في ذلك القضايا الاقتصادية والسياسية والبيئية الناجمة عن انبعاثات غازات الدفيئة (GHG). استجابةً لذلك، هناك تحول متزايد نحو مصادر الطاقة المتجددة (RESs) وأنظمة تخزين الطاقة (ESSs)، خاصة في المواقع النائية حيث يكون الوصول إلى الشبكة التقليدية محدودًا. أصبح دمج RESs في الشبكات الصغيرة (MGs) شائعًا بشكل متزايد، حيث يمكن أن تخفف الأنظمة الهجينة التي تجمع بين RESs ومصادر الطاقة التقليدية من تقلبات الطاقة المتجددة وتعزز موثوقية الإمداد.
لتحسين الفوائد المالية والبيئية لهذه الأنظمة الهجينة، تعتبر أنظمة إدارة الطاقة (EMSs) الفعالة ضرورية. الهدف الرئيسي من EMS الشبكة الصغيرة هو توفير الكهرباء بأقل تكلفة مع التكيف مع ظروف الإمداد المتغيرة ومتطلبات الحمل. يتضمن ذلك إدارة تخزين الطاقة، وإجراء توقعات الطاقة في الوقت الحقيقي لـ RESs، وتحسين تعديلات الحمل لتقليل النفقات الإجمالية للطاقة. يقدم البحث إطار تخطيط ذكي يستخدم خوارزميات متقدمة، بما في ذلك خوارزميات توازن الحمل الهجينة والتوزيع (HLBDA)، والخوارزميات الجينية (GA)، وخوارزميات تحسين الدُعاء (COA)، لتعزيز الفوائد الاقتصادية مع تقليل انبعاثات GHG وتكاليف التشغيل. يتضمن النظام المقترح مصادر طاقة متنوعة، مثل الطاقة الشمسية (PV)، وتوربينات الرياح (WT)، وخلايا الوقود (FC)، والميكروتوربينات (MT)، ومشاركة الحمل الذكي، بينما يتناول أيضًا عدم اليقين في الإشعاع الشمسي وسرعة الرياح من خلال نهج قائم على السيناريو.
النتائج
تقيم نتائج الدراسة أداء نموذج نظام إدارة الطاقة (EMS) المقترح باستخدام خوارزميات تحسين متنوعة، وبشكل خاص خوارزمية “Hyper Learning Binary Dragonfly” (HLBDA)، والخوارزميات الجينية (GA)، وخوارزمية تحسين جراد البحر (COA). الأهداف الرئيسية للنموذج هي تقليل تكاليف الكهرباء وانبعاثات الملوثات مع تحسين أوقات الانتظار. تشير النتائج إلى أن نهج الجدولة لمدة 24 ساعة يوازن بشكل فعال بين هذه الأهداف. من بين الخوارزميات المختبرة، تفوقت HLBDA على الآخرين، محققة تقليلًا بنسبة 12.4% في تكاليف التشغيل و9.54% في انبعاثات الكربون مقارنةً بـ GA. بالإضافة إلى ذلك، أظهرت HLBDA معدل استخدام للطاقة المتجددة بنسبة 27.34% وكفاءة تخزين الطاقة بالبطارية بنسبة 77.21%، مما يبرز قدرتها على التكيف مع تقلبات توليد الطاقة المتجددة مع الحفاظ على استقرار الشبكة.
بالمقابل، أظهرت خوارزميات COA وGA مقاييس أداء أقل، حيث حققت COA استخدامًا للطاقة المتجددة بنسبة 25.67% وكفاءة بطارية بنسبة 69.14%، بينما سجلت GA 24.81% و67.82% على التوالي. احتلت خوارزمية GA المرتبة الأدنى من حيث التكلفة والانبعاثات، مما يبرز قيود الخوارزميات التقليدية في معالجة المشكلات متعددة الأهداف المعقدة. من الجدير بالذكر أنه خلال ساعات الذروة، أسفرت إدارة الحمل الاستراتيجية لـ HLBDA عن توفير بنسبة 14.1% مقارنةً بـ GA، مما يبرز فعاليتها في تقليل الاعتماد على الشبكة الرئيسية وتحسين تبادل الطاقة. بشكل عام، تُظهر الدراسة بنجاح مزايا HLBDA في إدارة طاقة الشبكة الصغيرة تحت ظروف عدم اليقين، متفوقة بشكل كبير على نظرائها في كل من المقاييس الاقتصادية والبيئية.
المناقشة
في قسم المناقشة من الورقة، تسلط مراجعة الأدبيات الشاملة الضوء على منهجيات متنوعة لتحسين أنظمة إدارة الطاقة (EMS) في الشبكات الصغيرة، مع التركيز بشكل خاص على جدولة الطاقة الموزعة (DERs) قبل يوم. يعترف المؤلفون بمساهمات العديد من الدراسات التي تستكشف تقنيات إدارة الطلب (DSM) المتنوعة وتأثيراتها على عمليات الشبكة الصغيرة. تشمل النتائج الرئيسية تطبيق خوارزميات متقدمة، مثل نظرية الفوضى والتعلم العميق، لتعزيز كفاءة EMS، بالإضافة إلى دمج مصادر الطاقة المتجددة (RES) مثل أنظمة الطاقة الشمسية (PV)، وتوربينات الرياح (WT)، وأنظمة تخزين الطاقة بالبطاريات (BESS) في أطر الشبكات الصغيرة.
تعتبر مساهمات الورقة مهمة، حيث تعالج الفجوات الموجودة في الأدبيات من خلال اقتراح EMS جديدة تتضمن مصادر RES متعددة وتأخذ في الاعتبار عدم اليقين في توقعات الحمل وتوليد الطاقة. يتم تقييم خوارزمية توازن الحمل الهجينة والتوزيع (HLBDA) مقابل طرق التحسين التقليدية، مما يوضح فعاليتها في تقليل تكاليف الطاقة وانبعاثات الكربون. يقدم المؤلفون وصفًا تفصيليًا للنظام، بما في ذلك نماذج رياضية لـ PV وWT وBESS، ويشكلون مشكلة إدارة التشغيل لتقليل كل من التكاليف التشغيلية والآثار البيئية مع الالتزام بمختلف القيود. تهدف هذه الدراسة في النهاية إلى تعزيز الفهم وتنفيذ EMS الفعالة في الشبكات الصغيرة المتصلة بالشبكة، مما يساهم في ممارسات إدارة الطاقة المستدامة.
القيود
تسلط مراجعة الأدبيات الضوء على عدة قيود وفجوات كبيرة في الفهم الحالي لأنظمة إدارة الطاقة (EMS) للشبكات الصغيرة المتصلة بالشبكة التي تتضمن موارد الطاقة المتجددة المتنوعة مثل أنظمة الطاقة الشمسية (PV)، وتوربينات الرياح (WT)، وخلايا الوقود (FC)، والميكروتوربينات (MT)، وأنظمة تخزين الطاقة بالبطاريات (BESS). من الجدير بالذكر أنه لا توجد دراسات شاملة تستكشف دمج هذه التقنيات ضمن إطار EMS.
بالإضافة إلى ذلك، لم تستخدم العديد من الدراسات الحالية خوارزميات التوزيع المعتمدة على الحمل الهرمي (HLBDA) بشكل فعال لتقليل التكاليف وتقليل الانبعاثات. تشير هذه السهوات إلى فرصة ضائعة لتحسين الكفاءة التشغيلية للشبكات الصغيرة. علاوة على ذلك، غالبًا ما يتم تجاهل تأثير عدم اليقين في توقعات الحمل والتقلب المحتمل في إنتاج أنظمة PV وWT، مما يشير إلى الحاجة إلى أساليب نمذجة أكثر قوة تأخذ في الاعتبار هذه العوامل الحرجة.
DOI: https://doi.org/10.1371/journal.pone.0340259
PMID: https://pubmed.ncbi.nlm.nih.gov/41615935
Publication Date: 2026-01-30
Author(s): Bilal Naji Alhasnawi et al.
Primary Topic: Hybrid Renewable Energy Systems
Overview
This section discusses the development of an energy management system (EMS) for hybrid renewable power plants, integrating various technologies such as fuel cells, wind turbines, solar cells, battery energy storage systems (ESS), and micro-turbines. The optimization problem is approached using the Hyper Learning Binary Dragonfly Algorithm (HLBDA), aimed at maximizing economic benefits by minimizing operating costs and pollutant emissions. The proposed model is benchmarked against existing optimization methods, including Genetic Algorithms (GA) and the Crayfish Optimization Algorithm (COA). The results indicate that the HLBDA outperforms both GA and COA, achieving a 12.4% cost saving and a 9.54% reduction in carbon emissions, while also demonstrating superior renewable energy utilization rates.
The study concludes that the EMS effectively addresses operational limitations, reduces overall costs, and lowers emissions in microgrid configurations. The stochastic framework employed is deemed effective for managing uncertainties in microgrid operations. Simulation results validate the proposed EMS’s efficacy, with HLBDA achieving a renewable energy utilization rate of 27.34% and a battery utilization rate of 77.21%. In contrast, COA and GA exhibited lower performance metrics. The authors suggest future research could explore a peer-to-peer energy trading market model based on time-driven prospect theory to further enhance the study.
Introduction
The introduction highlights the critical role of energy in human development, noting that over 1.3 billion people in rural areas lack reliable access to electricity due to various techno-economic barriers, as reported by the International Energy Agency (IEA). Conventional fossil fuel-based power systems face significant challenges, including economic, political, and environmental issues stemming from greenhouse gas (GHG) emissions. In response, there is a growing shift towards Renewable Energy Sources (RESs) and Energy Storage Systems (ESSs), particularly in remote locations where traditional grid access is limited. The integration of RESs into microgrids (MGs) is becoming increasingly common, as hybrid systems that combine RESs with conventional energy sources can mitigate the intermittency of renewable energy and enhance supply reliability.
To optimize the financial and ecological benefits of these hybrid systems, effective energy management systems (EMSs) are essential. The primary objective of an MG EMS is to deliver electricity at the lowest cost while adapting to varying supply conditions and load demands. This involves managing energy storage, conducting real-time energy forecasts for RESs, and optimizing load adjustments to reduce overall power expenditures. The paper presents an intelligent planning framework that employs advanced algorithms, including Hybrid Load Balancing and Dispatch Algorithms (HLBDA), Genetic Algorithms (GA), and Cuckoo Optimization Algorithms (COA), to enhance economic benefits while minimizing GHG emissions and operating costs. The proposed system incorporates various energy sources, such as photovoltaic (PV), wind turbines (WT), fuel cells (FC), microturbines (MT), and smart load participation, while also addressing uncertainties in solar radiation and wind speed through a scenario-based approach.
Results
The results of the study evaluate the performance of the proposed Energy Management System (EMS) model using various optimization algorithms, specifically the Hyper Learning Binary Dragonfly Algorithm (HLBDA), Genetic Algorithms (GA), and Crayfish Optimization Algorithm (COA). The primary objectives of the model are to minimize electricity costs and pollutant emissions while optimizing wait times. The findings indicate that a 24-hour scheduling approach effectively balances these goals. Among the algorithms tested, HLBDA outperformed the others, achieving a 12.4% reduction in operating costs and a 9.54% decrease in carbon emissions compared to the GA. Additionally, HLBDA demonstrated a renewable energy utilization rate of 27.34% and a battery energy storage efficiency of 77.21%, showcasing its capability to adapt to fluctuations in renewable energy generation while maintaining grid stability.
In contrast, the COA and GA algorithms exhibited lower performance metrics, with COA achieving a renewable energy utilization of 25.67% and battery efficiency of 69.14%, while GA recorded 24.81% and 67.82%, respectively. The GA algorithm ranked lowest in terms of cost and emissions, highlighting the limitations of traditional algorithms in addressing complex multi-objective problems. Notably, during peak hours, HLBDA’s strategic load management resulted in a 14.1% cost saving compared to GA, further emphasizing its effectiveness in reducing reliance on the main grid and optimizing energy exchange. Overall, the study successfully demonstrates the advantages of the HLBDA in managing microgrid energy under uncertain conditions, significantly outperforming its counterparts in both economic and environmental metrics.
Discussion
In the discussion section of the paper, a comprehensive literature review highlights various methodologies for optimizing energy management systems (EMS) in microgrids, particularly focusing on day-ahead scheduling of distributed energy resources (DERs). The authors acknowledge the contributions of numerous studies that explore diverse demand-side management (DSM) techniques and their impacts on microgrid operations. Key findings include the application of advanced algorithms, such as chaos theory and deep learning, to enhance EMS efficiency, as well as the integration of renewable energy sources (RES) like photovoltaic (PV) systems, wind turbines (WT), and battery energy storage systems (BESS) into microgrid frameworks.
The paper’s contributions are significant, addressing existing gaps in the literature by proposing a novel EMS that incorporates multiple RES and accounts for uncertainties in load forecasting and energy generation. The proposed hybrid load balancing and dispatch algorithm (HLBDA) is evaluated against traditional optimization methods, demonstrating its effectiveness in reducing energy costs and carbon emissions. The authors present a detailed system description, including mathematical models for PV, WT, and BESS, and formulate the operational management problem to minimize both operational costs and environmental impacts while adhering to various constraints. This study ultimately aims to advance the understanding and implementation of efficient EMS in grid-connected microgrids, contributing to sustainable energy management practices.
Limitations
The literature review highlights several significant limitations and gaps in the current understanding of energy management systems (EMS) for grid-connected microgrids that incorporate diverse renewable energy resources such as photovoltaic (PV) systems, wind turbines (WT), fuel cells (FC), microturbines (MT), and battery energy storage systems (BESS). Notably, there is a lack of comprehensive studies that explore the integration of these technologies within an EMS framework.
Additionally, many existing studies have not employed hierarchical load-based dispatch algorithms (HLBDA) to effectively minimize costs and reduce emissions. This oversight suggests a missed opportunity for optimizing the operational efficiency of microgrids. Furthermore, the impact of uncertainties in load forecasting and the potential output variability of PV and WT systems has often been overlooked, indicating a need for more robust modeling approaches that account for these critical factors.