Un algoritmo de red neuronal mejorado y sus aplicaciones para optimización numérica y extracción de parámetros de modelos fotovoltaicos

Una energía solar más inteligente para la vida cotidiana

Los paneles solares se están convirtiendo en elementos habituales en tejados y campos de todo el mundo, pero extraer la máxima electricidad de cada rayo de sol sigue siendo un reto. Este artículo presenta una nueva técnica informática que ayuda a los ingenieros a construir modelos virtuales más precisos de los paneles solares. Con mejores modelos pueden diseñar y controlar sistemas fotovoltaicos (FV) que sean más baratos, más fiables y más eficientes —beneficios que llegan en última instancia a hogares, empresas y a la red eléctrica.

Por qué los paneles solares necesitan un “gemelo digital”

Detrás de cada módulo FV físico hay un sustituto matemático —un modelo— que predice cuánta corriente y tensión entregará el panel en distintas condiciones, como temperatura e irradiación. Estos modelos son vitales para planificar parques solares, seguir el punto de operación óptimo y diagnosticar fallos sin tener que sondar continuamente el hardware. Pero los modelos tienen varios parámetros ocultos, como resistencias internas y corrientes de diodo, que no pueden medirse directamente. En su lugar, deben inferirse a partir de medidas reales de corriente–tensión. Debido a que las relaciones dentro del modelo son altamente no lineales y contienen muchas trampas locales, encontrar los valores correctos de los parámetros es un problema de búsqueda complejo, especialmente para modelos más detallados como el de doble diodo o modelos completos de módulos FV.

De la búsqueda inspirada en la naturaleza a la inspirada en el cerebro

En la última década, los ingenieros han recurrido a los llamados algoritmos metaheurísticos —métodos de búsqueda inspirados en el comportamiento animal, la física u otros procesos naturales— para estimar parámetros FV. Técnicas basadas en ballenas, murciélagos, depredadores marinos, enseñanza‑aprendizaje en aulas y muchas otras han mostrado potencial porque equilibran la exploración del espacio de búsqueda con el ajuste fino alrededor de buenas soluciones. En paralelo, las redes neuronales artificiales han transformado campos como el reconocimiento de imágenes y la robótica. Su estructura y comportamiento de aprendizaje también han inspirado nuevos métodos de optimización. Uno de esos métodos es el Algoritmo de Red Neuronal (NNA), una metaheurística que imita redes neuronales de retroalimentación y tiene una fuerte capacidad de búsqueda global, pero que tiende a quedar atrapada en óptimos locales cuando el problema es muy complejo.

Un algoritmo de red neuronal mejorado

Los autores proponen un Algoritmo de Red Neuronal Mejorado, o ENNA, diseñado específicamente para superar las debilidades del NNA. ENNA añade dos ingredientes clave. Primero, un operador de perturbación inyecta aleatoriedad controlada basada en la distribución normal (en forma de campana) y en diferencias entre varios candidatos; esto sacude la búsqueda fuera de callejones sin perder lo ya aprendido. Segundo, un operador elite permite que cada candidato aprenda tanto de la mejor solución encontrada hasta el momento como de la posición media de toda la población, usando una matriz de cruce para mezclar estas influencias. Además, ENNA emplea tres estrategias de movimiento distintas que alternan entre seguir al mejor actual, revisitar poblaciones históricas y saltar hacia la mezcla elite. A diferencia del NNA original, ENNA mantiene mejor equilibradas las oportunidades de movimientos globales y los ajustes locales a lo largo de la ejecución.

Poniendo ENNA a prueba

Para demostrar que ENNA no es solo una idea teórica, los investigadores lo retaron primero con 52 funciones de referencia exigentes extraídas de suites internacionales de prueba de optimización. Estas funciones se usan ampliamente para comparar algoritmos e incluyen paisajes simples, accidentados y compuestos con muchas trampas locales. En estas pruebas, ENNA se situó de forma consistente entre los mejores frente a diez competidores fuertes, incluidos evoluciones diferenciales, equilibrium optimizer, whale optimization y variantes avanzadas de NNA. ENNA alcanzó la mejor solución media o quedó empatado en aproximadamente el 80 % de las funciones, y pruebas estadísticas confirmaron que estas mejoras no se debieron al azar.

Modelos más precisos para hardware solar real

El verdadero beneficio aparece cuando ENNA se aplica a la extracción práctica de parámetros FV. El equipo usó datos medidos de corriente–tensión de una célula solar de silicio comercial y de un módulo FV de 36 celdas. Ajustaron tres tipos de modelos: el ampliamente usado modelo de un solo diodo, el más detallado modelo de doble diodo y un modelo de módulo completo que tiene en cuenta las conexiones en serie y paralelo de las celdas. En todos los casos, ENNA logró errores cuadráticos medios extremadamente bajos entre las curvas medidas y simuladas —alrededor de 0,00099 para los modelos de uno y dos diodos y 0,00243 para el módulo— superando o igualando a los algoritmos punteros de estudios previos. Las curvas ajustadas casi se solapan con los datos experimentales, lo que indica que los parámetros internos hallados por ENNA proporcionan un “gemelo digital” muy fiel de los dispositivos reales.

Qué significa esto para los futuros sistemas solares

Para no especialistas, la conclusión es que ENNA ofrece una forma más fiable y repetible de afinar los modelos matemáticos que sustentan el diseño y el control de la energía solar. Cuando esos modelos son más precisos, los ingenieros pueden predecir mejor el comportamiento de los paneles, localizar con mayor precisión el punto de máxima potencia y evaluar nuevas disposiciones o materiales con mayor confianza. Aunque ENNA es computacionalmente más costoso que algunos métodos más sencillos, sus fuertes capacidades de búsqueda y la ausencia de parámetros de ajuste adicionales lo convierten en una herramienta general atractiva para problemas de ingeniería complejos, desde parques solares más inteligentes hoy hasta otros retos de energía y optimización en el futuro.

Cita: 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

Palabras clave: energía solar, modelos fotovoltaicos, algoritmos de optimización, métodos de redes neuronales, estimación de parámetros