Un algoritmo di rete neurale migliorato e le sue applicazioni per l'ottimizzazione numerica e l'estrazione dei parametri dei modelli fotovoltaici

Energia solare più intelligente per la vita di tutti i giorni

I pannelli solari stanno diventando elementi comuni su tetti e in campi in tutto il mondo, ma ottenere il massimo di elettricità da ogni raggio di sole resta una sfida. Questo articolo presenta una nuova tecnica informatica che aiuta gli ingegneri a costruire modelli virtuali dei pannelli solari più accurati. Con modelli migliori è possibile progettare e controllare sistemi fotovoltaici (PV) più economici, più affidabili e più efficienti—vantaggi che ricadono infine su proprietari di casa, aziende e rete elettrica.

Perché i pannelli solari hanno bisogno di un “gemello digitale”

Dietro ogni modulo PV fisico c’è un sostituto matematico—un modello—che predice quanta corrente e tensione il pannello fornirà in diverse condizioni, come temperatura e irraggiamento. Questi modelli sono fondamentali per pianificare parchi solari, individuare il punto operativo migliore e diagnosticare guasti senza sondare continuamente l'hardware. Ma i modelli contengono vari parametri nascosti, come resistenze interne e correnti di diodi, che non sono misurabili direttamente. Devono quindi essere dedotti da misure reali di corrente–tensione. Poiché le relazioni interne al modello sono fortemente non lineari e contengono molti trappole locali, trovare i valori corretti dei parametri è un problema di ricerca difficile, soprattutto per modelli più dettagliati come il modello a doppio diodo o i modelli completi di modulo PV.

Dalla ricerca ispirata alla natura alla ricerca ispirata al cervello

Nell'ultimo decennio gli ingegneri si sono rivolti ai cosiddetti algoritmi metaeuristici—metodi di ricerca ispirati al comportamento animale, alla fisica o ad altri processi naturali—per stimare i parametri PV. Tecniche basate su balene, pipistrelli, predatori marini, apprendimento-insegnamento in classe e molte altre hanno mostrato potenzialità perché bilanciano l'esplorazione dello spazio di ricerca con la messa a punto intorno a buone soluzioni. Parallelamente, le reti neurali artificiali hanno trasformato campi come il riconoscimento delle immagini e la robotica. La loro struttura e il loro comportamento di apprendimento hanno anche ispirato nuovi metodi di ottimizzazione. Uno di questi è l'Algoritmo di Rete Neurale (NNA), una metaeuristica che imita le reti neurali di feedback e possiede una forte capacità di ricerca globale, ma tende a rimanere intrappolata in ottimi locali quando il problema è molto complesso.

Un algoritmo di rete neurale potenziato

Gli autori propongono un Algoritmo di Rete Neurale Potenziato, o ENNA, progettato specificamente per superare le debolezze del NNA. ENNA aggiunge due ingredienti chiave. Primo, un operatore di perturbazione inietta casualità controllata basata sulla distribuzione normale (a campana) e sulle differenze tra più soluzioni candidate; questo scuote la ricerca fuori dai vicoli ciechi senza perdere quanto già appreso. Secondo, un operatore élite permette a ciascuna candidata di apprendere sia dalla migliore soluzione trovata finora sia dalla posizione media dell'intera popolazione, usando una matrice di crossover per mescolare queste influenze. Su questo, ENNA utilizza tre diverse strategie di movimento che alternano il seguire il miglior attuale, il riesaminare popolazioni storiche e il saltare verso la miscela élite. Diversamente dall'NNA originale, ENNA mantiene le probabilità di spostamenti globali e di ritocchi locali in un equilibrio migliore per tutta la durata dell'esecuzione.

Mettere ENNA alla prova

Per dimostrare che ENNA non è solo intelligente in teoria, i ricercatori lo hanno prima sfidato con 52 funzioni benchmark impegnative tratte da suite di test internazionali di ottimizzazione. Queste funzioni sono ampiamente usate per confrontare algoritmi e includono paesaggi semplici, accidentati e compositi con molte trappole locali. In questi test, ENNA si è classificato costantemente al vertice o vicino ad esso se confrontato con dieci forti concorrenti, tra cui evoluzione differenziale, equilibrium optimizer, whale optimization e varianti avanzate di NNA. ENNA ha ottenuto la migliore soluzione media o si è classificato pari merito per il migliore su circa l'80% delle funzioni, e test statistici hanno confermato che questi miglioramenti non erano dovuti al caso.

Modelli più precisi per hardware solare reale

Il vero valore emerge quando ENNA viene applicato all'estrazione pratica dei parametri PV. Il team ha usato dati misurati di corrente–tensione da una cella solare commerciale al silicio e da un modulo PV da 36 celle. Hanno adattato tre tipi di modello: il largamente usato modello a singolo diodo, il più dettagliato modello a doppio diodo e un modello completo di modulo che tiene conto delle connessioni serie e parallelo delle celle. In ogni caso, ENNA ha raggiunto errori quadratici medi estremamente bassi tra le curve misurate e simulate—circa 0,00099 per i modelli a singolo e doppio diodo e 0,00243 per il modulo—superando o pareggiando gli algoritmi di punta presenti in studi precedenti. Le curve adattate si sovrappongono quasi completamente ai dati sperimentali, indicando che i parametri interni trovati da ENNA forniscono un “gemello digitale” molto fedele dei dispositivi reali.

Cosa significa questo per i sistemi solari futuri

Per i non specialisti, la conclusione è che ENNA offre un modo più affidabile e ripetibile per mettere a punto i modelli matematici che stanno alla base della progettazione e del controllo dell'energia solare. Quando quei modelli sono più accurati, gli ingegneri possono prevedere meglio il comportamento dei pannelli, individuare il punto di massima potenza con maggiore precisione e valutare nuovi layout o materiali con maggiore fiducia. Sebbene ENNA sia computazionalmente più oneroso di alcuni metodi più semplici, le sue solide capacità di ricerca e l'assenza di parametri di taratura aggiuntivi lo rendono uno strumento generale interessante per problemi di ingegneria complessi, dai parchi solari più intelligenti di oggi ad altre sfide energetiche e di ottimizzazione in futuro.

Citazione: 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

Parole chiave: energia solare, modelli fotovoltaici, algoritmi di ottimizzazione, metodi di rete neurale, stima dei parametri