Nutzen künstlicher neuronaler Netze zur genauen Bestimmung von PV-Anlagenparametern: Strahlung, Temperatur und MPPT

Intelligentere Solarenergie für den Alltag

Solarzellen findet man heute auf Dächern, Feldern und sogar Parkplätzen, doch das Maximum an erzeugbarer Energie herauszuholen ist komplizierter als es scheint. Sonneneinstrahlung und Temperatur ändern sich ständig, und herkömmliche Regelkreise können langsam und ineffizient sein. Diese Studie zeigt, wie künstliche neuronale Netze — Computersysteme, die vom Gehirn inspiriert sind — Solarzellen dabei helfen können, nahezu jede verfügbare Watt-Leistung automatisch auszuschöpfen, während sie weniger Sensoren und günstigere Hardware benötigen.

Warum Sonne und Wärme die Solarleistung schwanken lassen

Solarzellen arbeiten am besten an einem bestimmten Betriebspunkt, an dem Spannung und Strom kombiniert die maximale Leistung liefern. Dieser optimale Punkt verschiebt sich im Tagesverlauf, wenn Wolken vorüberziehen, der Sonnenwinkel sich ändert und die Module sich erwärmen. Konventionelle Regler suchen diesen Punkt, indem sie die Betriebsspannung leicht erhöhen oder verringern und die Leistungsreaktion beobachten. Diese Methoden sind einfach, neigen aber oft zum Überschießen, benötigen Zeit zum Einpendeln und verschwenden Energie durch ständige Oszillationen anstatt den eigentlichen Maximum-Power-Point stabil zu halten.

Sensoren reduzieren, ohne Einsicht zu verlieren

Um den besten Betriebspunkt präzise zu verfolgen, messen Ingenieure traditionell die Sonneneinstrahlung und die Zelltemperatur mit einem Pyranometer und Temperaturfühlern. Diese Instrumente erhöhen Kosten, Komplexität und Wartungsaufwand — insbesondere in großen Solarfeldern. Die Forschenden schlagen ein erstes neuronales Netz vor, das auf diese dedizierten Sensoren ganz verzichtet. Stattdessen nutzt es nur zwei grundlegende elektrische Messwerte eines einzigen Referenzmoduls: Leerlaufspannung und Kurzschlussstrom. Aus diesen Werten lernt das Netz, die Einstrahlung und die Temperatur des Moduls zu erschließen, selbst bei schnell wechselndem Wetter.

Das Netz die Leistungswandler steuern lassen

Nachdem Einstrahlung und Temperatur geschätzt sind, besteht die nächste Herausforderung darin, die Leistungselektronik so zu steuern, dass die Module genau am Maximum-Power-Point arbeiten. Hier setzt ein zweites neuronales Netz an. Es erhält die geschätzten Werte für Einstrahlung und Temperatur als Eingänge und liefert den optimalen Tastgrad (Duty Cycle) für den DC–DC-Wandler, der die Module mit der Last verbindet. Dieser Tastgrad bestimmt, wie der Wandler die Modulspannung anhebt und den Stromfluss formt. Indem das Netz direkt aus detaillierten Simulationen des Solar­systems lernt, kann es nahezu sofort auf die beste Einstellung springen, statt sie langsam zu suchen.

Prüfung unter realen Himmelbedingungen

Das Team testete seinen zweistufigen Ansatz in Computersimulationen und in praktischen Versuchen. Zunächst trainierten und prüften sie die Netze mit Daten aus Modulspezifikationen und dann mit tatsächlichen Wetteraufzeichnungen aus der sonnigen Küstenstadt Hurghada in Ägypten. Schließlich bauten sie Hardware‑Aufbauten sowohl im Labor, mit programmierbaren Netzteilen zur Nachbildung von Modulen, als auch im Freien mit drei echten Solarmodulen. In allen Fällen schätzte das neuronale Netz die Einstrahlung und Temperatur deutlich genauer als traditionelle Formeln und trieb den Leistungswandler so, dass nahezu die gesamte verfügbare Energie gewonnen wurde — mit sehr geringen Spannung- und Stromwelligkeiten und Reaktionszeiten von nur wenigen Tausendstelsekunden.

Was das für die Zukunft der Solarenergie bedeutet

Für Nicht‑Fachleute lässt sich das Ergebnis als eine Art «intelligenter Sinn» der Module für ihre Umgebung beschreiben. Indem schnelle Lernalgorithmen statt vieler physischer Sensoren und Trial‑and‑Error‑Regelung verwendet werden, verwandelt das System wechselndes Wetter von einem Problem in eine schnell adaptierbare Größe. Die Studie zeigt, dass mit sorgfältig trainierten neuronalen Netzen eine Solaranlage nahezu 100 % ihrer theoretischen Leistung erreichen kann, während sie einfach und relativ kostengünstig bleibt. Wenn diese Ideen auf größere Kraftwerke, netzgekoppelte Systeme und fortgeschrittenere Machine‑Learning‑Modelle ausgeweitet werden, versprechen sie saubereren, zuverlässigeren und günstigeren Solarstrom.

Zitation: Abdelqawee, I.M., Selmy, M., ALI, M.N. et al. Harnessing artificial neural networks for accurate PV system parameters determination: radiation, temperature, and MPPT. Sci Rep 16, 9682 (2026). https://doi.org/10.1038/s41598-026-40175-5

Schlüsselwörter: Solarenergie, Photovoltaiksysteme, Neuronale Netze, Maximum-Power-Point-Tracking, Regelung erneuerbarer Energien