אלגוריתם רשת עצבית משופר ויישומיו לאופטימיזציה נומרית וחילוץ פרמטרים של מודלים פוטו־וולטאיים

חשמל סולרי חכם יותר לחיי היומיום

פאנלים סולאריים הופכים לנוף קבוע על גגות ובשדות ברחבי העולם, אך להפיק את מירב החשמל מכל קרן שמש נשאר אתגר. מאמר זה מציג שיטה מחשובית חדשה המסייעת למהנדסים לבנות דגמים וירטואליים מדויקים יותר של פאנלים סולאריים. עם דגמים משופרים הם יכולים לעצב ולנהל מערכות פוטו־וולטאיות (PV) זולות יותר, אמינות ויעילות—תועלות שמגיעות בסופו של דבר לבעלי בתים, לעסקים ולרשת החשמל.

מדוע לפאנלים סולאריים צריך "תאום דיגיטלי"

מאחורי כל מודול PV פיזי עומד מייצג מתמטי—מודל— שמנבא כמה זרם ומתחים יספק הפאנל בתנאים משתנים, כגון טמפרטורה ושמש. דגמים אלה חיוניים לתכנון חוות סולאריות, למעקב אחר נקודת הפעולה המיטבית ולאבחון תקלות בלי חקירה מתמדת של החומרה. אך במודל יש מספר פרמטרים פנימיים, כמו התנגדויות פנימיות וזרמי דיודה, שלא ניתנים למדידה ישירה. במקום זאת יש להסיקם מתוך מדידות זרם–מתח אמיתיות. מאחר שהקשר בתוך המודל לא־ליניארי מאוד וכולל מלכודות מקומיות רבות, מציאת ערכי הפרמטרים הנכונים היא בעיית חיפוש קשה, במיוחד עבור מודלים מפורטים יותר כמו מודל דו‑דיודי או מודלים של מודולים מלאים.

מחיפוש בהשראת הטבע לחיפוש בהשראת המוח

בעשור האחרון פנו מהנדסים לאלגוריתמים מטא‑היוריסטיים—שיטות חיפוש בהשראת התנהגויות בעלי חיים, פיזיקה או תהליכים טבעיים אחרים—להערכת פרמטרי PV. טכניקות המבוססות על לווייתנים, עטלפים, טורפי ים, למידה בהוראה‑למידה בכיתה ועוד רבות הראו פוטנציאל כי הן מאזנות בין חקירת מרחב החיפוש לכיול עדין סביב פתרונות טובים. במקביל, רשתות עצביות מלאכותיות חוללו מהפכה בתחומים כמו זיהוי תמונה ורובוטיקה. המבנה והתנהגות הלמידה שלהן הוסיפו השראה לשיטות אופטימיזציה חדשות. אחת מהן היא אלגוריתם רשת עצבית (NNA), מטא‑היוריסטי המדמה רשתות עצביות עם משוב ובעל יכולת חיפוש גלובלית חזקה, אך נוטה להיתקע באופטימה מקומית כאשר הבעיה מאוד מורכבת.

אלגוריתם רשת עצבית משופר

המחברים מציעים אלגוריתם רשת עצבית משופר, ENNA, שנועד במיוחד להתגבר על החולשות של NNA. ENNA מוסיף שני מרכיבים מרכזיים. ראשית, אופרטור הפרעה מזריק אקראיות מבוקרת המבוססת על התפלגות נורמלית (בבל‑שפיץ) ועל הבדלים בין מספר מועמדים; זה מרעיד את החיפוש מתוך סתירות מבלי לאבד את מה שכבר נלמד. שנית, אופרטור אליטה מאפשר לכל מועמד ללמוד גם מהפתרון הטוב ביותר שנמצא עד כה וגם מהממוצע של מיקום האוכלוסייה כולה, באמצעות מטריצת חצייה שממזגת השפעות אלה. מעל לזה, ENNA משתמש בשלוש אסטרטגיות תנועה שונות שמתחלפות בין מעקב אחרי הטוב הנוכחי, חזרה לאוכלוסיות היסטוריות וקדיחה לכיוון תערובת האליטה. בניגוד ל‑NNA המקורי, ENNA משמר איזון טוב יותר בין מהלכים גלובליים וכיוונון מקומי לאורך כל הריצה.

בדיקת ENNA

כדי להראות ש‑ENNA אינו רק רעיון מבריק תיאורטית, החוקרים קודם כל אתגרו אותו עם 52 פונקציות תקן תובעניות שנלקחו מחבילות מבחן בינלאומיות לאופטימיזציה. פונקציות אלו משמשות באופן נרחב להשוואת אלגוריתמים וכוללות נופים פשוטים, מחוספסים ומרוכבים עם מלכודות מקומיות רבות. במבחנים אלה, ENNA דורג בעקביות בראש או בקרבתו בהשוואה לעשרה מתחרים חזקים, כולל אבולוציה דיפרנציאלית, מאזן אופטימיזציה, אופטימיזציית לווייתנים וגרסאות מתקדמות של NNA. ENNA השיג או שיתף את הפתרון הממוצע הטוב בכ‑80% מהפונקציות, ובדיקות סטטיסטיות אישרו שהשיפורים אינם תוצאה של מקריות.

דגמים חדים יותר עבור חומרה סולארית אמיתית

התמורה האמיתית נראית כאשר ENNA מוחל על חילוץ פרמטרים מעשי ל‑PV. הצוות השתמש בנתוני זרם–מתח נמדדים מתא סיליקון מסחרי וממודול PV בעל 36 תאים. הם התאימו שלושה סוגי מודלים: המודל הנפוץ של דיודה בודדת, המודל המפורט יותר של שתי דיודות, ומודל מלא של מודול המתחשב בחיבורים טוריים ומקבילים של תאים. בכל המקרים ENNA השיג שגיאות שורש ממוצעת ריבועית נמוכות מאוד בין העקומות הנמדדות לסימולציה—כ‑0.00099 עבור מודל הדיודה הבודדת והדו‑דיודה וכ‑0.00243 עבור המודל של המודול—מתקדף או מתואם עם האלגוריתמים המובילים בעבודות קודמות. העקומות המותאמות כמעט חופפות לנתונים הניסיוניים, מה שמצביע על כך שהפרמטרים הפנימיים שמצא ENNA מספקים "תאום דיגיטלי" נאמן מאד למכשירים האמיתיים.

מה משמעות הדבר למערכות סולאריות בעתיד

לא-מומחים, המסקנה היא ש‑ENNA מציע דרך אמינה וחוזרת לכוונן את המודלים המתמטיים שתומכים בעיצוב ובבקרה של מערכות סולאריות. כאשר הדגמים האלה מדויקים יותר, מהנדסים יכולים לחזות טוב יותר כיצד פאנלים יתנהגו, לאתר את נקודת ההספק המקסימלית בדיוק רב יותר ולהעריך תצורות או חומרים חדשים בביטחון גבוה יותר. אף על פי ש‑ENNA כבידתי יותר חישובית מכמה שיטות פשוטות, יכולות החיפוש החזקות וחוסר הצורך בכיוונון מופרז הופכים אותו לכלי כללי אטרקטיבי לבעיות הנדסיות מורכבות, החל מחוות סולאריות חכמות היום ועד לאתגרים אחרים באנרגיה ואופטימיזציה בעתיד.

ציטוט: 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

מילות מפתח: אנרגיית שמש, מודלים פוטו־וולטאיים, אלגוריתמי אופטימיזציה, שיטות רשתות עצביות, הערכת פרמטרים