Un algorithme de réseau neuronal amélioré et ses applications à l'optimisation numérique et à l'extraction de paramètres des modèles photovoltaïques

Une énergie solaire plus intelligente pour la vie quotidienne

Les panneaux solaires se multiplient sur les toits et dans les champs du monde entier, mais tirer le maximum d'électricité de chaque rayon de soleil reste un défi. Cet article présente une nouvelle technique informatique qui aide les ingénieurs à construire des modèles virtuels de panneaux solaires plus précis. Avec de meilleurs modèles, ils peuvent concevoir et piloter des systèmes photovoltaïques (PV) moins coûteux, plus fiables et plus efficaces — des bénéfices qui profitent en fin de compte aux particuliers, aux entreprises et au réseau électrique.

Pourquoi les panneaux solaires ont besoin d'un « jumeau numérique »

Derrière chaque module PV physique se cache un substitut mathématique — un modèle — qui prédit la quantité de courant et de tension que le panneau fournira dans différentes conditions, comme la température et l'ensoleillement. Ces modèles sont indispensables pour planifier des centrales solaires, suivre le meilleur point de fonctionnement et diagnostiquer des défauts sans sonder constamment le matériel. Mais les modèles comportent plusieurs paramètres cachés, tels que des résistances internes et des courants de diode, qui ne peuvent pas être mesurés directement. Ils doivent donc être déduits à partir de mesures réelles courant‑tension. Comme les relations à l'intérieur du modèle sont fortement non linéaires et renferment de nombreux pièges locaux, trouver les bonnes valeurs de paramètres est un problème de recherche difficile, particulièrement pour des modèles plus détaillés comme le modèle à double diode ou les modèles complets de modules PV.

De la recherche inspirée par la nature à la recherche inspirée par le cerveau

Au cours de la dernière décennie, les ingénieurs se sont tournés vers les algorithmes métaheuristiques — des méthodes de recherche inspirées par le comportement animal, la physique ou d'autres processus naturels — pour estimer les paramètres PV. Des techniques basées sur les baleines, les chauves‑souris, les prédateurs marins, l'enseignement‑apprentissage en classe et bien d'autres ont montré leur potentiel parce qu'elles équilibrent l'exploration de l'espace de recherche et le raffinement autour de bonnes solutions. Parallèlement, les réseaux neuronaux artificiels ont transformé des domaines comme la reconnaissance d'images et la robotique. Leur structure et leur comportement d'apprentissage ont aussi inspiré de nouvelles méthodes d'optimisation. L'une d'elles est l'algorithme de réseau neuronal (NNA), une métaheuristique qui imite les réseaux neuronaux à rétroaction et possède une forte capacité de recherche globale, mais qui a tendance à se bloquer dans des optima locaux lorsque le problème est très complexe.

Un algorithme de réseau neuronal amélioré

Les auteurs proposent un Algorithme de Réseau Neuronal Amélioré, ou ENNA, conçu spécialement pour surmonter les faiblesses du NNA. ENNA ajoute deux éléments clés. D'abord, un opérateur de perturbation injecte un aléa contrôlé basé sur la distribution normale (en cloche) et sur les différences entre plusieurs solutions candidates ; cela secoue la recherche hors des impasses sans perdre ce qui a déjà été acquis. Ensuite, un opérateur élite permet à chaque candidat d'apprendre à la fois de la meilleure solution trouvée jusqu'à présent et de la position moyenne de l'ensemble de la population, en utilisant une matrice de croisement pour mélanger ces influences. Par-dessus cela, ENNA utilise trois stratégies de mouvement différentes qui alternent entre suivre le meilleur courant, revisiter des populations historiques et sauter vers le mélange élite. Contrairement au NNA original, ENNA maintient un meilleur équilibre entre les mouvements globaux et les ajustements locaux tout au long de l'exécution.

Mettre ENNA à l'épreuve

Pour montrer qu'ENNA n'est pas seulement astucieux en théorie, les chercheurs l'ont d'abord confronté à 52 fonctions de référence exigeantes tirées de suites de tests internationales d'optimisation. Ces fonctions sont largement utilisées pour comparer des algorithmes et incluent des paysages simples, rugueux et composites avec de nombreux pièges locaux. Dans ces tests, ENNA s'est constamment classé parmi les meilleurs face à dix concurrents solides, y compris l'évolution différentielle, l'optimizateur d'équilibre, l'optimisation par baleine et des variantes avancées du NNA. ENNA a obtenu soit la meilleure solution moyenne, soit un ex æquo pour environ 80 % des fonctions, et des tests statistiques ont confirmé que ces améliorations n'étaient pas dues au hasard.

Des modèles plus précis pour du matériel solaire réel

Le vrai gain apparaît lorsque ENNA est appliqué à l'extraction pratique des paramètres PV. L'équipe a utilisé des données courant‑tension mesurées sur une cellule solaire en silicium commerciale et sur un module PV de 36 cellules. Ils ont ajusté trois types de modèles : le modèle à diode unique largement utilisé, le modèle à double diode plus détaillé, et un modèle complet de module qui tient compte des connexions série et parallèle des cellules. Dans tous les cas, ENNA a atteint des erreurs quadratiques moyennes (root‑mean‑square) extrêmement faibles entre les courbes mesurées et simulées — environ 0,00099 pour les modèles à diode unique et à double diode et 0,00243 pour le module — surpassant ou égalant les algorithmes de pointe des études antérieures. Les courbes ajustées se superposent presque aux données expérimentales, indiquant que les paramètres internes trouvés par ENNA fournissent un « jumeau numérique » très fidèle des dispositifs réels.

Ce que cela signifie pour les systèmes solaires futurs

Pour les non‑spécialistes, la conclusion est qu'ENNA offre une manière plus fiable et reproductible d'affiner les modèles mathématiques qui sous‑tendent la conception et le contrôle de l'énergie solaire. Lorsque ces modèles sont plus précis, les ingénieurs peuvent mieux prédire le comportement des panneaux, localiser le point de puissance maximale avec plus de précision et évaluer de nouveaux agencements ou matériaux en toute confiance. Bien qu'ENNA soit plus gourmand en calcul que certaines méthodes plus simples, ses fortes capacités de recherche et l'absence de nombreux paramètres de réglage en font un outil général attrayant pour des problèmes d'ingénierie complexes, des centrales solaires plus intelligentes d'aujourd'hui à d'autres défis énergétiques et d'optimisation à l'avenir.

Citation: 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

Mots-clés: énergie solaire, modèles photovoltaïques, algorithmes d'optimisation, méthodes de réseau neuronal, estimation de paramètres