МОДЕЛЮВАННЯ СИСТЕМИ КЕРУВАННЯ MICROGRID У СЕРЕДОВИЩІ MATLAB/SIMULINK
Ключові слова:
відновлювана енергетика, мікромережа, накопичення енергії, сонячна електростанція
Анотація
Використання сонячних фотоелектричних установок для електропостачання віддалених територій постійно зростає. Проте інтеграція таких джерел у мікромережі супроводжується проблемами, пов’язаними з їх нестабільністю та залежністю від погодних умов. Запропоновано модель мікромережі із вбудованою системою енергоменеджменту на основі методу прогнозного керування. Структура мікромережі включає фотоелектричну станцію та акумуляторну систему зберігання енергії, що дає змогу забезпечувати оптимальний розподіл генерації між джерелами та підвищувати надійність енергопостачання. Запропонований алгоритм прогнозного керування використовується для регулювання процесів заряджання та розряджання батареї з метою згладжування коливань сонячної генерації. Моделювання виконувалося на основі реальних статистичних профілів електроспоживання та даних про сонячну інсоляцію. У дослідженні враховувалися критичні сценарії роботи мікромережі: коливання навантаження, непостійність відновлюваної генерації та виникнення часткового затінення сонячних модулів.
Посилання
1. Khatun E., Hossain M., Ali M., Halim M. A Review on Microgrids for Remote Areas Electrification-Technical and Economical Perspective. International Journal of Robotics and Control Systems. 2023. 3(4). 627–642. DOI: https://doi.org/10.31763/ijrcs.v3i4.985.
2. Liu G., Li Z, Xue Y., Tomsovic K. Microgrid Assisted Design for Remote Areas. Energies. 2022. 15(10). 3725. DOI: https://doi.org/10.3390/en15103725.
3. Jacob E., Farzaneh H. Decentralized model predictive control of hybrid renewable microgrids for maximizing the power extraction and enhancing system operation, using a novel enumeration based-weighting factor determination method. Results Eng. 2025. 26. 105477. DOI: https://doi.org/10.1016/j.rineng.2025.105477.
4. Arefifar S.A., Mohamed Y.A.-R.I., El-Fouly T.H.M. Supply-adequacy-based optimal construction of microgrids in smart distribution systems. IEEE Trans. Smart Grid. 2012. 3. 1491–1502. DOI: https://doi.org/10.1109/ TSG.2012.2198246.
5. Kumar K., Kwon S., Bae S. Deep reinforcement learning-based control strategy for integration of a hybrid energy storage system in microgrids. J. Energy Storage. 2025. 108. 114936. DOI: https://doi.org/10.1016/j.est.2024.114936.
6. Halko S., Halko K., Suprun O., Qawaqzeh M., Miroshnyk O. Mathematical Modelling of Cogeneration Photoelectric Module Parameters for Hybrid Solar Charging Power Stations of Electric Vehicles. 2022 IEEE 3rd KhPI Week on Advanced Technology (KhPIWeek), Kharkiv, Ukraine. 2022. 1–6. DOI: https://doi.org/10.1109/KhPIWeek57572.2022.9916397.
7. Галько С.В. Експериментальне дослідження і визначення параметрів когенераційного фотоелектричного модуля для гібридних сонячних електростанцій. Традиційні та інноваційні підходи до наукових досліджень : матеріали Міжнар. наук. конф., 10 квітня 2020 р. Луцьк : МЦНД. 2020. Т. 1. 83–90. DOI: https:// doi.org/10.36074/10.04.2020.v1.10.
8. Stanchev P., Vacheva G., Hinov N. Evaluation of Voltage Stability in Microgrid-Tied Photovoltaic Systems. Energies. 2023. 16(13). 4895. DOI: https://doi.org/10.3390/en16134895.
9. Naderi Y., Hosseini S.H., Savaghebi M., Dahidah M., Guerrero, J.M. Multi-objective model predictive control for microgrid applications. International Journal of Electrical Power & Energy Systems. 2023. 154. 109441. DOI: https://doi.org/10.1016/j.ijepes.2023.109441.
10. Savchenko O., Miroshnyk O., Moroz O., Trunova I., Sereda A., Dudnikov S., Kozlovskyi O., Buinyi R., Halko S. Improving the Efficiency of Solar Power Plants Based on Forecasting the Intensity of Solar Radiation Using Artificial Neural Networks. 2021 IEEE 2nd KhPI Week on Advanced Technology (KhPIWeek), Kharkiv, Ukraine. 2021. 137–140. DOI: https://doi.org/10.1109/KhPIWeek53812.2021.9570009.
11. Basantes J.A., Paredes D.E., Llanos J.R., Ortiz D.E., Burgos C.D. Energy Management System (EMS) Based on Model Predictive Control (MPC) for an Isolated DC Microgrid. Energies. 2023. 16(6). 2912. DOI: https://doi.org/10.3390/en16062912.
12. Amar A., Yusupov Z. Real-Time Capable MPC-Based Energy Management of Hybrid Microgrid. Processes. 2025. 13(9). 2883. DOI: https://doi.org/10.3390/pr13092883.
13. Lim S, Lee J, Lee S. Model Predictive Control-Based Energy Management System for Cooperative Optimization of Grid-Connected Microgrids. Energies. 2025. 18(7). 1696. DOI: https://doi.org/10.3390/en18071696.
14. Miroshnyk O., Moroz O., Shchur T., Chepizhnyi A., Qawaqzeh M., Kocira S. Investigation of Smart Grid Operation Modes with Electrical Energy Storage System Energies. 2023. 16(6). 2638. DOI: https://doi.org/10.3390/en16062638.
15. Zhang Y., Gatsis N., Giannakis G.B. Robust energy management for microgrids with high-penetration renewables. IEEE Trans. Sustain. Energy. 2013. 4. 944–953. DOI: https://doi.org/10.1109/TSTE.2013.2255135.
16. Pazyi V., Miroshnyk O., Shchur T., Halko S., Nikolov M., Idzikowski A. Development of Simulation Model of Single-Phase Circuit Lock in the DigSILENT POWERFACTORY Program. System Safety: Human – Technical Facility – Environment. 2023. 5(1). 350–358. DOI: https://doi.org/10.2478/czoto-2023-0038.
17. Dall’Anese E., Zhu H., Giannakis G.B. Distributed optimal power flow for smart microgrids. IEEE Trans. Smart Grid. 2013. 4. 1464–1475. DOI: https://doi.org/10.1109/TSG.2013.2248175.
18. Halivor J.X. Model predictive control–based robust-control strategy of distribution control for a grid-connected AC microgrid. Front. Smart Grids. 2023. 2. 1188074. DOI: https://doi.org/10.3389/frsgr.2023.1188074.
19. Abdelghany M.B. et al. Integrating scenario-based stochastic-model predictive control strategy for economical/ environmental microgrid operations. International Journal of Hydrogen Energy. 2023. 48. 91. 35624–35638. DOI: https://doi.org/10.1016/j.ijhydene.2023.05.249.
20. Lim S., Lee J., Lee S. Model Predictive Control-Based Energy Management System for Cooperative Optimization of Grid-Connected Microgrids. Energies. 2025. 18(7). 1696. DOI: https://doi.org/10.3390/en18071696.
21. Barrios L.A., Valerino J.B., del Nozal A.R., Escano J.M., Martinez-Ramos J.L., Gonzalez-Longatt F. Stochastic unit commitment in microgrids based on model predictive control. In Proceedings of the 2018 International Conference on Smart Energy Systems and Technologies (SEST). Seville, Spain, 10–12 September 2018. 1–5. DOI: https://doi.org/10.1109/SEST.2018.8495736.
22. Галько С.В. Використання когенераційних фотоелектричних модулів для зарядки акумуляторів електромобілів. Праці ТДАТУ. Технічні науки. 2019. Вип. 19. Т. 3. 130–141. DOI: https://doi.org/10.31388/2078-0877-19-3-130-141.
23. Koushki M.M., Ayoubi E., Miveh M.R., Ghadimi A.A. A model predictive control for a four-leg inverter in a stand-alone microgrid under unbalanced condition. In Proceedings of the 2021 12th Power Electronics, Drive Systems, and Technologies Conference (PEDSTC). Tabriz, Iran, 2–4 February 2021. 1–5. DOI: https://doi.org/10.1109/PEDSTC52094.2021.9405873.
24. Al-Issa H.A., Qawaqzeh M., Kurashkin S., Halko S., Kvitka S., Vovk O., Miroshnyk O. Monitoring of power transformers using thermal model and permission time of overload. International Journal of Electrical and Computer Engineering (IJECE). 2022. 12(3). 2323–2334. DOI: https://doi.org/10.11591/ijece.v12i3.pp2323-2334.
25. Mahto T., Mukherjee V. Energy storage systems for mitigating the variability of isolated hybrid power system. Renewable and Sustainable Energy Reviews. 2015. 51. 1564–1577. DOI: https://doi.org/10.1016/j.rser.2015.07.012.
26. Dali M., Belhadj J., Roboam X. Hybrid solar-wind system with battery storage operating in grid-connected and standalone mode: control and energy management – experimental investigation. Energy. 2010. 35. 2587–2595. DOI: https://doi.org/10.1016/j.energy.2010.03.005.
2. Liu G., Li Z, Xue Y., Tomsovic K. Microgrid Assisted Design for Remote Areas. Energies. 2022. 15(10). 3725. DOI: https://doi.org/10.3390/en15103725.
3. Jacob E., Farzaneh H. Decentralized model predictive control of hybrid renewable microgrids for maximizing the power extraction and enhancing system operation, using a novel enumeration based-weighting factor determination method. Results Eng. 2025. 26. 105477. DOI: https://doi.org/10.1016/j.rineng.2025.105477.
4. Arefifar S.A., Mohamed Y.A.-R.I., El-Fouly T.H.M. Supply-adequacy-based optimal construction of microgrids in smart distribution systems. IEEE Trans. Smart Grid. 2012. 3. 1491–1502. DOI: https://doi.org/10.1109/ TSG.2012.2198246.
5. Kumar K., Kwon S., Bae S. Deep reinforcement learning-based control strategy for integration of a hybrid energy storage system in microgrids. J. Energy Storage. 2025. 108. 114936. DOI: https://doi.org/10.1016/j.est.2024.114936.
6. Halko S., Halko K., Suprun O., Qawaqzeh M., Miroshnyk O. Mathematical Modelling of Cogeneration Photoelectric Module Parameters for Hybrid Solar Charging Power Stations of Electric Vehicles. 2022 IEEE 3rd KhPI Week on Advanced Technology (KhPIWeek), Kharkiv, Ukraine. 2022. 1–6. DOI: https://doi.org/10.1109/KhPIWeek57572.2022.9916397.
7. Галько С.В. Експериментальне дослідження і визначення параметрів когенераційного фотоелектричного модуля для гібридних сонячних електростанцій. Традиційні та інноваційні підходи до наукових досліджень : матеріали Міжнар. наук. конф., 10 квітня 2020 р. Луцьк : МЦНД. 2020. Т. 1. 83–90. DOI: https:// doi.org/10.36074/10.04.2020.v1.10.
8. Stanchev P., Vacheva G., Hinov N. Evaluation of Voltage Stability in Microgrid-Tied Photovoltaic Systems. Energies. 2023. 16(13). 4895. DOI: https://doi.org/10.3390/en16134895.
9. Naderi Y., Hosseini S.H., Savaghebi M., Dahidah M., Guerrero, J.M. Multi-objective model predictive control for microgrid applications. International Journal of Electrical Power & Energy Systems. 2023. 154. 109441. DOI: https://doi.org/10.1016/j.ijepes.2023.109441.
10. Savchenko O., Miroshnyk O., Moroz O., Trunova I., Sereda A., Dudnikov S., Kozlovskyi O., Buinyi R., Halko S. Improving the Efficiency of Solar Power Plants Based on Forecasting the Intensity of Solar Radiation Using Artificial Neural Networks. 2021 IEEE 2nd KhPI Week on Advanced Technology (KhPIWeek), Kharkiv, Ukraine. 2021. 137–140. DOI: https://doi.org/10.1109/KhPIWeek53812.2021.9570009.
11. Basantes J.A., Paredes D.E., Llanos J.R., Ortiz D.E., Burgos C.D. Energy Management System (EMS) Based on Model Predictive Control (MPC) for an Isolated DC Microgrid. Energies. 2023. 16(6). 2912. DOI: https://doi.org/10.3390/en16062912.
12. Amar A., Yusupov Z. Real-Time Capable MPC-Based Energy Management of Hybrid Microgrid. Processes. 2025. 13(9). 2883. DOI: https://doi.org/10.3390/pr13092883.
13. Lim S, Lee J, Lee S. Model Predictive Control-Based Energy Management System for Cooperative Optimization of Grid-Connected Microgrids. Energies. 2025. 18(7). 1696. DOI: https://doi.org/10.3390/en18071696.
14. Miroshnyk O., Moroz O., Shchur T., Chepizhnyi A., Qawaqzeh M., Kocira S. Investigation of Smart Grid Operation Modes with Electrical Energy Storage System Energies. 2023. 16(6). 2638. DOI: https://doi.org/10.3390/en16062638.
15. Zhang Y., Gatsis N., Giannakis G.B. Robust energy management for microgrids with high-penetration renewables. IEEE Trans. Sustain. Energy. 2013. 4. 944–953. DOI: https://doi.org/10.1109/TSTE.2013.2255135.
16. Pazyi V., Miroshnyk O., Shchur T., Halko S., Nikolov M., Idzikowski A. Development of Simulation Model of Single-Phase Circuit Lock in the DigSILENT POWERFACTORY Program. System Safety: Human – Technical Facility – Environment. 2023. 5(1). 350–358. DOI: https://doi.org/10.2478/czoto-2023-0038.
17. Dall’Anese E., Zhu H., Giannakis G.B. Distributed optimal power flow for smart microgrids. IEEE Trans. Smart Grid. 2013. 4. 1464–1475. DOI: https://doi.org/10.1109/TSG.2013.2248175.
18. Halivor J.X. Model predictive control–based robust-control strategy of distribution control for a grid-connected AC microgrid. Front. Smart Grids. 2023. 2. 1188074. DOI: https://doi.org/10.3389/frsgr.2023.1188074.
19. Abdelghany M.B. et al. Integrating scenario-based stochastic-model predictive control strategy for economical/ environmental microgrid operations. International Journal of Hydrogen Energy. 2023. 48. 91. 35624–35638. DOI: https://doi.org/10.1016/j.ijhydene.2023.05.249.
20. Lim S., Lee J., Lee S. Model Predictive Control-Based Energy Management System for Cooperative Optimization of Grid-Connected Microgrids. Energies. 2025. 18(7). 1696. DOI: https://doi.org/10.3390/en18071696.
21. Barrios L.A., Valerino J.B., del Nozal A.R., Escano J.M., Martinez-Ramos J.L., Gonzalez-Longatt F. Stochastic unit commitment in microgrids based on model predictive control. In Proceedings of the 2018 International Conference on Smart Energy Systems and Technologies (SEST). Seville, Spain, 10–12 September 2018. 1–5. DOI: https://doi.org/10.1109/SEST.2018.8495736.
22. Галько С.В. Використання когенераційних фотоелектричних модулів для зарядки акумуляторів електромобілів. Праці ТДАТУ. Технічні науки. 2019. Вип. 19. Т. 3. 130–141. DOI: https://doi.org/10.31388/2078-0877-19-3-130-141.
23. Koushki M.M., Ayoubi E., Miveh M.R., Ghadimi A.A. A model predictive control for a four-leg inverter in a stand-alone microgrid under unbalanced condition. In Proceedings of the 2021 12th Power Electronics, Drive Systems, and Technologies Conference (PEDSTC). Tabriz, Iran, 2–4 February 2021. 1–5. DOI: https://doi.org/10.1109/PEDSTC52094.2021.9405873.
24. Al-Issa H.A., Qawaqzeh M., Kurashkin S., Halko S., Kvitka S., Vovk O., Miroshnyk O. Monitoring of power transformers using thermal model and permission time of overload. International Journal of Electrical and Computer Engineering (IJECE). 2022. 12(3). 2323–2334. DOI: https://doi.org/10.11591/ijece.v12i3.pp2323-2334.
25. Mahto T., Mukherjee V. Energy storage systems for mitigating the variability of isolated hybrid power system. Renewable and Sustainable Energy Reviews. 2015. 51. 1564–1577. DOI: https://doi.org/10.1016/j.rser.2015.07.012.
26. Dali M., Belhadj J., Roboam X. Hybrid solar-wind system with battery storage operating in grid-connected and standalone mode: control and energy management – experimental investigation. Energy. 2010. 35. 2587–2595. DOI: https://doi.org/10.1016/j.energy.2010.03.005.
Опубліковано
2025-11-25
Як цитувати
Оксенич, Р. В., Оберемок, Д. О., Тоберт, О. Ю., Мірошник, О. О., & Галько, С. В. (2025). МОДЕЛЮВАННЯ СИСТЕМИ КЕРУВАННЯ MICROGRID У СЕРЕДОВИЩІ MATLAB/SIMULINK. Праці Таврійського державного агротехнологічного університету, 26(3), 39-45. https://doi.org/10.32782/2078-0877-2025-25-3-4
Розділ
ЕЛЕКТРОЕНЕРГЕТИКА, ЕЛЕКТРОТЕХНІКА ТА ЕЛЕКТРОМЕХАНІКА
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
