Современные распределенные энергетические сети (РЭС) представляют собой сложную и динамичную инфраструктуру, характеризующуюся большим количеством распределенных генераторов, потребителей и накопителей энергии. Эффективное управление такими сетями требует интеллектуальных и адаптивных систем, способных быстро реагировать на изменяющиеся условия, обеспечивать стабильность и надежность энергоснабжения, а также эффективно интегрировать возобновляемые источники энергии (ВИЭ) [1]. Традиционные подходы к управлению РЭС, основанные на централизованном контроле и классических алгоритмах, оказываются недостаточно эффективными для решения этих задач, что обусловлено их недостаточной адаптивностью, высокой вычислительной сложностью и ограниченной масштабируемостью. С целью повышения эффективности рассматривается новый, концептуальный подход к управлению РЭС, основанный на применении нейроморфных вычислений. Этот подход позволяет создать децентрализованную, адаптивную, энергоэффективную и робастную систему управления, способную эффективно функционировать в условиях высокой динамичности и неопределенности.

Предлагаемый подход основывается на многоуровневой иерархической архитектуре, состоящей из трех основных уровней управления: локального, регионального и центрального. Каждый уровень обладает собственным набором функций, задач и алгоритмов, взаимодействующих между собой для достижения общей цели – оптимизации работы всей РЭС [2]. Нижний уровень представлен локальными нейроморфными контроллерами (LNC), интегрированными в каждый узел сети, включая подстанции, распределительные пункты, промышленные потребители, домашние солнечные панели, ветрогенераторы и накопители энергии. LNC выполняют локальное управление и оптимизацию режимов работы оборудования, осуществляют сбор данных с локальных датчиков (ток, напряжение, температура, состояние оборудования), проводят обработку информации с помощью спайковых нейронных сетей (SNN), вырабатывают локальные управляющие сигналы и адаптируются к местным условиям. Принципиальным отличием LNC является использование событийно-ориентированных вычислений, при которых SNN реагируют только на значимые изменения, что позволяет значительно снизить вычислительную нагрузку и энергопотребление. LNC используют методы обучения на местах (on-device learning), что позволяет им адаптироваться к локальным условиям и изменениям в поведении потребителей без необходимости подключения к централизованным системам. Например, LNC на домашней солнечной панели будет самостоятельно оптимизировать ее работу в зависимости от погодных условий и уровня энергопотребления дома, а LNC на подстанции будет реагировать на перегрузки и перенапряжения, перераспределяя нагрузку между соседними линиями.

На среднем уровне находятся региональные нейроморфные контроллеры (RNC), которые координируют работу группы LNC в пределах региональной сети. RNC агрегируют данные, поступающие от LNC, проводят их анализ, осуществляют управление потоками энергии, оптимизируют работу региональной сети и прогнозируют краткосрочные изменения в нагрузке [2]. RNC используют алгоритмы консенсуса, которые обеспечивают согласованное действие локальных контроллеров, а также методы многоагентного усиленного обучения, позволяющие RNC адаптироваться к изменяющимся условиям и достигать оптимальных решений. Взаимодействие между LNC и RNC осуществляется с помощью спайковых сигналов, что обеспечивает быстрое и эффективное реагирование на изменения в сети. RNC, например, могут перераспределять энергию между районами в случае перегрузки одного из них или координировать работу накопителей энергии для сглаживания пиков потребления. RNC используют алгоритмы прогнозирования на основе SNN и методов машинного обучения, которые помогают им предсказывать изменения в потреблении и выработке энергии в краткосрочной перспективе, что позволяет им принимать проактивные меры для поддержания стабильности региональной сети [3].

Центральный нейроморфный контроллер (CNC) располагается на верхнем уровне и отвечает за глобальное управление всей РЭС. CNC принимает решения на основе данных, агрегированных RNC, выполняет долгосрочное прогнозирование спроса и генерации, оптимизирует планы производства и распределения энергии, а также осуществляет взаимодействие с внешними системами, включая рынок электроэнергии, оператора сети и метеорологические службы. CNC использует нейросети (например, Transformer) для долгосрочного прогнозирования и алгоритмы глобальной оптимизации для распределения ресурсов между региональными сетями. Важным аспектом работы CNC является управление рисками, включая выявление и управление потенциальными сбоями и аномалиями на уровне всей сети. CNC также отвечает за интеграцию новых объектов в РЭС и обеспечивает ее масштабируемость. Например, если в энергосистему добавляется новая ветроэлектростанция, CNC должен скоординировать ее подключение к сети и оптимизировать ее работу с учетом текущих условий.

Для лучшего понимания механики работы стоит смоделировать производственную ситуацию, когда в регионе происходит внезапное увеличение потребления электроэнергии из-за аномальной жары [4]. Локальные нейроморфные контроллеры  на каждом доме и предприятии быстро реагируют на это изменение, корректируя потребление и обеспечивая стабильную работу локального оборудования. Региональные нейроморфные контроллеры, получая информацию от LNC, перенаправляют энергию из районов с меньшим потреблением в районы с повышенным спросом. RNC также координируют работу накопителей энергии, чтобы сгладить пики потребления. Центральный нейроморфный контроллер, анализируя всю ситуацию на уровне сети, предсказывает дальнейшее увеличение спроса и дает инструкции региональным контроллерам. CNC также прогнозирует потенциальную нагрузку на сеть в будущем и координирует работу электростанций для удовлетворения растущего спроса. В результате, благодаря скоординированным действиям всех уровней управления, РЭС успешно справляется с ситуацией аномального роста потребления, обеспечивая стабильность и надежность энергоснабжения. Сравнить производительность и энергоэффективность нейроморфных систем управления с классическими представлен в таблице 1.

Таблица 1

Сравнительный анализ эффективности систем управления

Внедрение нейроморфных систем управления в РЭС позволит создать адаптивную, энергоэффективную и робастную систему, способную эффективно интегрировать возобновляемые источники энергии, оптимизировать управление накопителями энергии, снизить потери в сетях и повысить надежность электроснабжения. Кроме того, данный подход обеспечивает гибкость и масштабируемость системы управления, позволяя адаптировать ее к новым требованиям и условиям.