Ein verbessertes neuronales Netzwerk-Algorithmus und seine Anwendungen für numerische Optimierung und Parameterbestimmung von Photovoltaik‑Modellen

Intelligentere Solarenergie für den Alltag

Solarzellen werden zunehmend auf Dächern und in Freiflächen weltweit installiert, doch aus jedem Sonnenstrahl die maximale Elektrizität herauszuholen, bleibt eine Herausforderung. Dieser Artikel stellt eine neue Computertechnik vor, die Ingenieuren hilft, genauere virtuelle Modelle von Solarmodulen zu erstellen. Mit besseren Modellen lassen sich PV‑Systeme entwerfen und steuern, die kostengünstiger, zuverlässiger und effizienter sind — Vorteile, die letztlich Hausbesitzer, Unternehmen und das Stromnetz erreichen.

Warum Solarmodule einen „digitalen Zwilling“ brauchen

Hinter jedem physischen PV‑Modul steht ein mathematischer Stellvertreter — ein Modell — das vorhersagt, wie viel Strom und Spannung das Modul unter verschiedenen Bedingungen wie Temperatur und Einstrahlung liefert. Diese Modelle sind entscheidend für die Planung von Solarparks, das Auffinden des optimalen Arbeitspunkts und die Fehlerdiagnose, ohne die Hardware ständig zu prüfen. Die Modelle enthalten jedoch mehrere verborgene Parameter, etwa Innenwiderstände und Diodenströme, die nicht direkt messbar sind. Stattdessen müssen sie aus realen Strom‑Spannungs‑Messungen abgeleitet werden. Da die Zusammenhänge im Modell stark nichtlinear sind und viele lokale Fallen aufweisen, ist die Bestimmung der richtigen Parameterwerte eine schwierige Suchaufgabe — insbesondere bei detaillierteren Modellen wie dem Zwei‑Dioden‑Modell oder kompletten PV‑Modulmodellen.

Von naturinspirierten zu gehirninspirierten Suchverfahren

In den letzten zehn Jahren haben sich Ingenieure sogenannten Metaheuristiken zugewandt — Suchmethoden, die von Tierverhalten, physikalischen Prozessen oder anderen Naturphänomenen inspiriert sind — zur Schätzung von PV‑Parametern. Verfahren, die sich an Walen, Fledermäusen, Meeresräubern, Lehr‑Lern‑Prozessen im Klassenzimmer und vielen anderen orientieren, zeigten Potenzial, weil sie Erkundung des Suchraums mit Feintuning um gute Lösungen herum ausbalancieren. Parallel dazu haben künstliche neuronale Netzwerke Felder wie Bilderkennung und Robotik revolutioniert. Ihre Struktur und ihr Lernverhalten haben auch neue Optimierungsansätze inspiriert. Eine solche Methode ist der Neural Network Algorithm (NNA), eine Metaheuristik, die Feedback‑Neural‑Networks nachahmt und starke globale Suchfähigkeiten besitzt, aber bei sehr komplexen Problemen dazu neigt, in lokalen Optima stecken zu bleiben.

Ein verbesserter Neural Network Algorithm

Die Autoren schlagen einen Enhanced Neural Network Algorithm, kurz ENNA, vor, der speziell entwickelt wurde, um die Schwächen des NNA zu überwinden. ENNA fügt zwei wesentliche Komponenten hinzu. Erstens injiziert ein perturbation operator kontrollierte Zufälligkeit basierend auf der Normalverteilung (Glockenkurve) und auf Unterschieden zwischen mehreren Kandidatenlösungen; das befreit die Suche aus Sackgassen, ohne bereits Gelernter zu verlieren. Zweitens erlaubt ein elite operator jedem Kandidaten, sowohl vom bisher besten gefundenen Ergebnis als auch von der durchschnittlichen Position der gesamten Population zu lernen, wobei eine Crossover‑Matrix diese Einflüsse mischt. Darüber hinaus nutzt ENNA drei unterschiedliche Bewegungsstrategien, die zwischen dem Folgen des aktuellen Besten, dem Wiederbesuchen historischer Populationen und dem Springen in Richtung der Elite‑Mischung alternieren. Im Gegensatz zum ursprünglichen NNA hält ENNA die Chancen für globale Sprünge und lokale Feinabstimmung während des gesamten Laufs besser ausbalanciert.

ENNA in der Praxis getestet

Um zu zeigen, dass ENNA nicht nur theoretisch clever ist, haben die Forschenden es zunächst mit 52 anspruchsvollen Benchmark‑Funktionen aus internationalen Optimierungstest‑Suiten konfrontiert. Diese Funktionen werden häufig zum Vergleich von Algorithmen verwendet und umfassen einfache, zerklüftete und zusammengesetzte Landschaften mit vielen lokalen Fallen. In diesen Tests rangierte ENNA durchgängig an oder nahe der Spitze im Vergleich zu zehn starken Konkurrenten, darunter Differential Evolution, Equilibrium Optimizer, Whale Optimization und fortgeschrittene NNA‑Varianten. ENNA erzielte entweder die beste Durchschnittslösung oder teilte sich den Spitzenplatz bei etwa 80 Prozent der Funktionen, und statistische Tests bestätigten, dass diese Verbesserungen nicht zufällig waren.

Scharfere Modelle für reale Solargeräte

Der eigentliche Nutzen zeigt sich, wenn ENNA auf die praktische PV‑Parameterextraktion angewendet wird. Das Team nutzte gemessene Strom‑Spannungs‑Daten einer kommerziellen Silizium‑Solarzelle und eines 36‑Zellen‑PV‑Moduls. Sie passten drei Modelltypen an: das weit verbreitete Ein‑Dioden‑Modell, das detailliertere Zwei‑Dioden‑Modell und ein vollständiges Modulmodell, das Serien‑ und Parallelschaltungen der Zellen berücksichtigt. In allen Fällen erreichte ENNA extrem niedrige quadratische Mittelwert‑Fehler (RMSE) zwischen den gemessenen und simulierten Kurven — etwa 0,00099 für das Ein‑ und Zwei‑Dioden‑Modell und 0,00243 für das Modul — und übertraf oder erreichte die Ergebnisse führender State‑of‑the‑Art‑Algorithmen aus früheren Studien. Die angepassten Kurven überlappen fast die experimentellen Daten, was darauf hindeutet, dass die von ENNA gefundenen internen Parameter einen sehr getreuen „digitalen Zwilling“ der realen Geräte liefern.

Was das für zukünftige Solarsysteme bedeutet

Für Nicht‑Spezialisten ist die Schlussfolgerung, dass ENNA eine zuverlässigere und reproduzierbarere Methode bietet, um die mathematischen Modelle zu optimieren, die dem Entwurf und der Regelung von Solarstrom zugrunde liegen. Sind diese Modelle genauer, können Ingenieure besser vorhersagen, wie Module sich verhalten, den Punkt maximaler Leistung präziser lokalisieren und neue Layouts oder Materialien mit größerer Sicherheit bewerten. Obwohl ENNA rechenintensiver ist als einige einfachere Verfahren, machen seine starken Suchfähigkeiten und das Fehlen zusätzlicher Einstellparameter es zu einem attraktiven allgemeinen Werkzeug für komplexe Ingenieursprobleme — von intelligenteren Solarparks heute bis hin zu anderen Energie‑ und Optimierungsherausforderungen in der Zukunft.

Zitation: Chi, A., Mirjalili, S. & Zhang, Y. An enhanced neural network algorithm and its applications for numerical optimization and parameter extraction of photovoltaic models. Sci Rep 16, 7306 (2026). https://doi.org/10.1038/s41598-026-37918-9

Schlüsselwörter: Solarenergie, Photovoltaik‑Modelle, Optimierungsalgorithmen, Neurale Netzwerkmethoden, Parameterschätzung