Методи керування Microgrid в умовах невизначеності

Богдан  Велігорський; Максим  Хоменко

doi:10.25140/2411-5363-2026-2(44)-466-483

Автор(и)

Богдан Велігорський Національний університет «Чернігівська політехніка», Україна https://orcid.org/0009-0008-4492-4156
Максим Хоменко Національний університет «Чернігівська політехніка», Україна https://orcid.org/0000-0001-9084-3527

DOI:

https://doi.org/10.25140/2411-5363-2026-2(44)-466-483

Ключові слова:

невизначеність; прогнозне керування; Microgrid; відновлювальні джерела електроенергії; модельно-прогнозне керування; навчання з підкріпленням; оптимальне керування

Анотація

Представлено складові Microgrid та наведено два основні режими роботи. Наведено приклади невизначеностей, які існують у Microgrid. Розглянуто методи керування Microgrid в умовах невизначеності та виконано їх порівняння між собою з погляду легкості інтеграції в систему, обчислювальної ефективності та ефективності роботи конкретно при невизначеності. Обґрунтовано поділ усіх методів керування Microgrid на 3 групи: Conventional, Advanced та Intelligent.

Посилання

Zhang, P. (2024). Microgrids: Theory and practice. https://www.google.com.ua/books/edition/Microgrids/Uvj6EAAAQBAJ.

Sandeep, S.D., Mohanty, S., Mohanty, S.B & Puhan, P.S. (2025). A comprehensive review on DC microgrid control and energy management strategies. Results in Engineering, 26 https://doi.org/10.1016/j.rineng.2025.105479.

Nkambule. M.S., Hasan. A.N. & Shongwe. T.. (2025). A review of intelligent control strategies for energy management systems in microgrids. Energy Conversion and Management: X. https://doi.org/10.1016/j.ecmx.2025.101323.

Yogithanjali Saimadhuri, K. N., & Janaki, M. (2025). Advanced control strategies for microgrids: A review of droop control and virtual impedance techniques. Results in Engineering, 25, 103799. https://doi.org/10.1016/j.rineng.2024.103799.

Samal, K.B., Mahapatra, M., Pati, S & Debnath, M.K. (2026). A review on microgrid control: Conventional, advanced and intelligent control approaches. Unconventional Resources. Volume 9. https://doi.org/10.1016/j.uncres.2025.100297.

Guyer, J. P. (2021). An introduction to electric power microgrids. The Clubhouse Press. https://www.google.com.ua/books/edition/An_Introduction_to_Electric_Power_Microg/HvQuEAAAQBAJ.

Guillermo, J., Aniruddha, D. & Shankar, P. (2005). PID Controllers for Time-Delay Systems. Birkhauser Boston. https://www.google.com.ua/books/edition/PID_Controllers_for_Time_Delay_Systems/gpE5Mae-RlAC.

Chacko, S. J., P. C., N., & Abraham, R. J. (2024). Optimizing LQR controllers: A comparative study. Results in Control and Optimization, 14, 100387. https://doi.org/10.1016/j.rico.2024.100387.

Camacho, E. F., & Alba, C. B. (2013). Model predictive control. Springer. https://www.google.com.ua/books/edition/Model_Predictive_Control/tXZDAAAAQBAJ.

Ellis, M., Liu, J., & Christofides, P. D. (2016). Economic model predictive control: Theory, formulations and chemical process applications. Springer. https://www.google.com.ua/books/edition/Economic_Model_Predictive_Control/U0zADAAAQBAJ

Yamashita, D.Y., Vechiu I. & Gaubert J.. (2020). A review of hierarchical control for building microgrids. Renewable and Sustainable Energy Reviews. 118. https://doi.org/10.1016/j.rser.2019.109523.

Luus, R. (2000). Iterative Dynamic Programming. CRC Press. https://www.google.com.ua/books/edition/Iterative_Dynamic_Programming/NWYWUgmx7EoC.

Sigaud, O. & Buffet, O. (2010). Markov Decision Process in Artificial Intelligence. Wiley. https://www.google.com.ua/books/edition/Markov_Decision_Processes_in_Artificial/2J8_-O4-ABIC.

Introduction to Artificial Intelligence. (2020). IndraStra Global. https://www.google.com.ua/books/edition/Introduction_to_Artificial_Intelligence/1L8OEAAAQBAJ.

Machine learning: Concepts, methodologies, tools and applications. (2011). Information Resources Management Association. https://www.google.com.ua/books/edition/Machine_Learning_Concepts_Methodologies/1GWcHmCrl0QC.

Alaelddin, F. M., Sultan S.M., Lee, J. & Lim, S. (2023). Deep-reinforcement-learning-based IoT sensor data cleaning framework for enhanced data analytics, Sensors 23 (4) 1791. https://doi.org/10.3390/s23041791.

Pinosky, A., Abraham, I., Broad, A., Argall B. & Murphey, T.D. (2023). Hybrid control for combining model-based and model-free reinforcement learning, Int. J. Robot Res. 42 (6), 337–355. https://doi.org/10.1177/02783649221083331.

Chambers L. (1995). The Practical Handbook of Genetic Algorithms. CRC Press. https://www.google.com.ua/books/edition/The_Practical_Handbook_of_Genetic_Algori/JOavDwAAQBAJ.