Vergleichende Analyse flacher und hybrider Deep-Learning-Modelle zur Vorhersage der Kühlleistung eines mit Nanofluids gekühlten Photovoltaikmoduls über mehrere Materialien hinweg

Warum die Kühlung von Solarmodulen wichtig ist

Solarmodule liefern die beste Leistung, wenn sie kühl bleiben; unter starker Sonneneinstrahlung kann ihre Temperatur jedoch stark ansteigen und so leise die erzeugte Strommenge verringern. Für Hausbesitzer, Energieversorger und alle, die auf saubere Energie setzen, bedeutet dieser Effizienzverlust weniger Kilowattstunden als erwartet. Diese Studie untersucht einen neuen Ansatz zur Modulkühlung: das Zirkulieren spezieller „Nanofluide“ hinter einem Solarmodul und den Einsatz künstlicher Intelligenz zur Vorhersage der Kühlwirkung. Ziel ist es, zeitaufwändige und teure Freilandexperimente zu reduzieren und zugleich die Solarstromausbeute unter realen Hitzeeinflüssen hoch zu halten.

Wie winzige Partikel heißen Modulen helfen können

Konventionelle Solarmodule sitzen einfach in der Sonne und erwärmen sich, wodurch ihre Leistung um etwa ein halbes Prozent pro Grad Celsius Temperaturanstieg sinkt. Eine Möglichkeit, dem entgegenzuwirken, ist aktive Kühlung mittels eines dünnen Rohrnetzes an der Rückseite. In diesem Aufbau wird eine Flüssigkeit durch die Rohre gepumpt und entzieht so Wärme. Anstatt nur reines Wasser zu verwenden, testeten die Forschenden Nanofluide: Wasser, das extrem kleine Partikel aus Aluminiumoxid (Al₂O₃) oder Titandioxid (TiO₂) in sehr geringen Volumenbruchteilen (0,01 %, 0,1 % und 1 %) enthält. Diese Nanopartikel können die Wärmeaufnahme und den Wärmetransport der Flüssigkeit verbessern und das Modul potenziell kühler und effizienter halten als Wasser allein.

Freilandtests mit sieben Kühlmitteln

Das Team installierte zwei identische 50-Watt-Solarmodule auf dem Campus einer Universität in einer heißen, trockenen Region der Türkei. Ein Modul erhielt Kupferrohre und Lamellen an der Rückseite zur Kühlung, das andere blieb als unbelüftetes Referenzmodul. Eine Pumpe förderte entweder Wasser oder eine von sechs Nanofluid-Mischungen mit festem Durchfluss durch die Kühlrohre. Über mehrere Tage sammelten sie alle 30 Minuten für jeweils sechs Stunden Messdaten, was 13 Datenpunkte pro Kühlmittel ergab. Bei jedem Durchlauf protokollierten sie Sonneneinstrahlung, Windgeschwindigkeit, Lufttemperatur, die Oberflächentemperaturen des Moduls an mehreren Stellen, Ein- und Austrittstemperaturen der Flüssigkeit sowie die elektrische Spannung und den Strom beider Module. Aus diesen Werten berechneten sie, wie sehr das Kühlsystem die elektrische Effizienz des Moduls verbesserte.

Algorithmen als Stellvertreter für Experimente

Da vollständige Tagesmessungen für jedes neue Kühlmittel oder Betriebsbedingungen langsam und arbeitsintensiv sind, trainierten die Autorinnen und Autoren Computermodelle, um die Beziehung zwischen den gemessenen Bedingungen und der resultierenden Kühlleistung zu erlernen. Sie testeten mehrere relativ einfache Ansätze — Bayesian Ridge Regression, Support Vector Regression und Random Forests — neben einem fortgeschritteneren hybriden Deep-Learning-Modell, das Convolutional Neural Networks (CNNs) und Long Short-Term Memory (LSTM)-Einheiten kombiniert. Die einfacheren „flachen“ Modelle behandelten jeden Mess-Snapshot für sich, während das CNN+LSTM-Modell auch betrachtete, wie sich Werte über die Zeit änderten, und so kurzfristige Schwankungen in Sonneneinstrahlung und Temperatur erfasste.

Was die Modelle über die Kühlleistung herausfanden

Über alle sieben Flüssigkeiten hinweg lieferte die Bayesian Ridge Regression durchweg genaue Vorhersagen, mit nur geringen Abweichungen zwischen prognostizierten und gemessenen Effizienzen und hohen Übereinstimmungswerten. Das hybride CNN+LSTM-Modell verbesserte die Genauigkeit für einige Materialien weiter, erreichte sehr niedrige Fehlerwerte und erklärte nahezu die gesamte Variation der Kühlleistung. Um diese „Black-Box“-Modelle zu öffnen, wendeten die Forschenden eine Methode namens SHAP an, die bewertet, wie stark jeder Eingangsparameter eine Vorhersage beeinflusst. Diese Analyse zeigte, dass Umgebungstemperatur, Sonneneinstrahlung und die elektrische Leistung des gekühlten Moduls (Spannung und Strom) die Haupttreiber der Kühlleistung waren, während Windgeschwindigkeit und einige detaillierte Oberflächentemperaturmessungen deutlich weniger beitrugen.

Folgen für zukünftige Solarsysteme

Einfach gesagt zeigt die Studie, dass gut gewählte Maschinelles-Lernen-Modelle zuverlässig vorhersagen können, welchen Nutzen aktive Kühlung eines Solarmoduls mit Wasser oder Nanofluiden bringt, und das mit nur relativ wenigen experimentellen Daten. Anstatt bei jeder Änderung einer Kühlmittelmischung, Konzentration oder Wettersituation neue ganztägige Tests durchzuführen, können Ingenieurinnen und Ingenieure auf diese trainierten Modelle zurückgreifen, um „Was-wäre-wenn“-Szenarien in Sekunden zu untersuchen. Die Arbeit hebt außerdem hervor, dass wenige Schlüsselmessgrößen — wie heiß es ist, wie stark die Sonneneinstrahlung ist und wie das gekühlte Modul elektrisch arbeitet — den Großteil der benötigten Information liefern. Zwar bemerken die Autorinnen und Autoren, dass größere und vielfältigere Datensätze nötig sind, bevor solche Werkzeuge überall und in allen Maßstäben einsetzbar sind, doch deuten ihre Ergebnisse auf eine intelligentere Auslegung und Steuerung gekühlter Solarmodule hin, mit der sich aus derselben Sonnenenergie mehr sauberen Strom gewinnen lässt.

Zitation: Özdemir, Y., Ziyadanoğulları, N.B., Bakış, E. et al. Comparative analysis of shallow and hybrid deep learning models for predicting the cooling efficiency of nanofluid-cooled photovoltaic panel across multiple materials. Sci Rep 16, 9216 (2026). https://doi.org/10.1038/s41598-026-40129-x

Schlüsselwörter: Kühlung von Solarmodulen, Nanofluide, Photovoltaik-Effizienz, maschinelles Lernen, Deep Learning