Exploitation des réseaux de neurones artificiels pour la détermination précise des paramètres des systèmes photovoltaïques : irradiation, température et MPPT

Une énergie solaire plus intelligente pour la vie quotidienne

Les panneaux solaires équipent désormais toits, exploitations agricoles et même parkings, mais en tirer le maximum d’électricité est plus complexe qu’il n’y paraît. L’ensoleillement et la température varient constamment, et les circuits de commande traditionnels peuvent être lents et inefficients. Cette étude montre comment les réseaux de neurones artificiels — des systèmes informatiques inspirés du cerveau — peuvent aider les panneaux solaires à extraire automatiquement presque chaque watt possible, tout en utilisant moins de capteurs et du matériel moins coûteux.

Pourquoi le soleil et la chaleur rendent l’énergie solaire instable

Les panneaux solaires fonctionnent au mieux à un point de fonctionnement particulier où tension et courant se combinent pour fournir la puissance maximale. Ce point idéal se déplace tout au long de la journée lorsque des nuages passent, l’angle du soleil change et les panneaux chauffent. Les régulateurs conventionnels traquent ce point en faisant osciller légèrement la tension de fonctionnement et en observant la réponse en puissance. Ces méthodes sont simples mais dépassent souvent la cible, mettent du temps à se stabiliser et gaspillent de l’énergie en oscillant constamment autour du point au lieu de se verrouiller sur le véritable point de puissance maximale.

Réduire les capteurs sans perdre d’information

Pour suivre précisément le meilleur point de fonctionnement, les ingénieurs mesurent traditionnellement l’irradiation incidente et la température des cellules à l’aide d’un pyranomètre et de sondes de température. Ces instruments ajoutent coût, complexité et besoins de maintenance — surtout dans les grandes centrales. Les auteurs proposent un premier réseau de neurones qui se passe entièrement de ces capteurs dédiés. Il ne considère que deux mesures électriques basiques d’un panneau de référence : la tension en circuit ouvert et le courant de court-circuit. À partir de ces valeurs, le réseau apprend à déduire l’intensité lumineuse et la température du panneau, même sous des conditions météorologiques changeantes rapidement.

Laisser le réseau piloter le convertisseur de puissance

Une fois l’irradiation et la température estimées, le défi suivant est de commander l’électronique de puissance pour que les panneaux opèrent exactement au point de puissance maximale. Ici, un second réseau de neurones prend le relais. Il reçoit en entrée les estimations d’irradiation et de température et fournit en sortie le réglage optimal du « cycle de service » pour le convertisseur DC–DC qui relie les panneaux à la charge. Ce cycle de service détermine comment le convertisseur élève la tension du panneau et module le flux de courant. En apprenant directement à partir de simulations détaillées du système photovoltaïque, le réseau peut basculer presque instantanément vers le meilleur réglage au lieu de le rechercher lentement.

Tests sous un ciel réel

L’équipe a soumis son approche en deux étapes à une série de simulations numériques et d’expérimentations réelles. Ils ont d’abord entraîné et testé les réseaux avec des données issues des fiches techniques des panneaux puis avec des relevés météorologiques réels de la ville côtière ensoleillée de Hurghada en Égypte. Enfin, ils ont construit des bancs matériels en intérieur, en utilisant des alimentations programmables pour simuler les panneaux, et en extérieur, avec trois modules solaires réels. Dans tous les cas, le système basé sur les réseaux de neurones a estimé l’irradiation et la température bien plus précisément que les formules traditionnelles et a piloté le convertisseur pour extraire presque toute l’énergie disponible, avec de très faibles ondulations de tension et de courant et des temps de réponse de l’ordre de quelques millièmes de seconde.

Ce que cela signifie pour l’avenir de l’énergie solaire

Pour un non-spécialiste, le résultat peut se résumer à doter les panneaux solaires d’une sorte de « sens intelligent » de leur environnement. En s’appuyant sur des algorithmes d’apprentissage rapides plutôt que sur de nombreux capteurs physiques et un contrôle par essai-erreur, le système transforme les variations météorologiques d’un problème en une contrainte à laquelle il peut s’adapter rapidement. L’étude montre qu’avec des réseaux de neurones soigneusement entraînés, une installation solaire peut atteindre près de 100 % de sa production théorique tout en restant simple et relativement peu coûteuse. À mesure que ces idées sont étendues aux grandes centrales, aux systèmes raccordés au réseau et à des modèles d’apprentissage machine plus avancés, elles promettent une électricité solaire plus propre, plus fiable et plus abordable.

Citation: 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

Mots-clés: énergie solaire, systèmes photovoltaïques, réseaux de neurones, suivi du point de puissance maximale, contrôle des énergies renouvelables