数値最適化と太陽光発電モデルのパラメータ抽出への応用を目的とした改良型ニューラルネットワークアルゴリズム

日常に寄り添う、より賢い太陽光発電

太陽光パネルは屋根や野原に広がりつつありますが、入射する光の一筋一筋から最大の電力を引き出すことは依然として難題です。本稿は、エンジニアが太陽光パネルの仮想モデルをより正確に構築できるようにする新しい計算手法を紹介します。より良いモデルがあれば、より安価で信頼性が高く効率的な太陽光（PV）システムを設計・制御でき、その恩恵は最終的に家庭や企業、電力網に届きます。

なぜ太陽光パネルに「デジタルツイン」が必要か

実際のPVモジュールの背後には、温度や日照条件などに応じてどれだけの電流や電圧を出すかを予測する数学的な代替モデルがあります。これらのモデルは太陽光発電所の計画、最適運転点の追跡、常時ハードウェアを触らずに故障診断を行うために不可欠です。しかしモデルには内部抵抗やダイオード電流など直接測れない隠れたパラメータがあり、それらは電流–電圧の実測データから推定する必要があります。モデル内部の関係は強く非線形で局所解が多いため、特に二重ダイオードモデルやモジュール全体を表す詳細モデルでは、正しいパラメータを見つけるのが困難な探索問題になります。

自然界由来の探索から脳を模した探索へ

ここ10年ほど、エンジニアはクジラやコウモリ、海洋捕食者、教室の学習法など生物や物理現象に着想を得たメタヒューリスティック（経験則的探索）に頼ってPVパラメータを推定してきました。これらの手法は探索空間の探索と有望解周辺の微調整のバランスを取れるため有望です。同時に人工ニューラルネットワークは画像認識やロボティクスなどの分野を変革し、その構造や学習挙動が新たな最適化手法の発想源にもなりました。その一例がニューラルネットワークアルゴリズム（NNA）で、フィードバック型の神経網を模倣したメタヒューリスティックで強力なグローバル探索能力を持ちますが、問題が極めて複雑な場合は局所最適に陥りやすいという弱点があります。

改良型ニューラルネットワークアルゴリズム

著者らはNNAの弱点を克服するために特化して設計した改良型ニューラルネットワークアルゴリズム（ENNA）を提案します。ENNAは二つの主要な要素を追加します。第一に、摂動オペレータは正規分布（ベル型分布）と複数の候補解間の差分に基づく制御されたランダム性を注入し、既に学習した内容を損なわずに探索を行き詰まりから振動的に脱出させます。第二に、エリートオペレータは各候補がこれまでに得られた最良解と集団の平均位置の両方から学べるようにし、それらの影響を交差行列で混ぜ合わせます。加えて、ENNAは現在の最良解に従う、履歴集団を再訪する、エリート混合に向かって跳躍するという三つの異なる移動戦略を交互に用います。オリジナルのNNAと異なり、ENNAは実行中を通じてグローバルな探索と局所的な微調整の確率をより良く保ちます。

ENNAの試験運用

ENNAが理論的に優れているだけでないことを示すため、研究者らはまず国際的な最適化テストスイートから選んだ52の厳しいベンチマーク関数でこれを検証しました。これらの関数はアルゴリズム比較で広く使われ、単純なものから多くの局所解を持つ険しい複合的な地形まで含みます。これらの試験を通じて、ENNAは差分進化、均衡オプティマイザ、クジラ最適化、高度なNNA変種など十の強力な競合と比較して一貫して上位にランクされました。ENNAはおよそ80％の関数で平均的に最良解を達成するか最良と並び、統計検定によりこれらの改善が偶然によるものではないことが確認されました。

実機太陽光ハードウェアに適用したより厳密なモデル

実際の利得はENNAを実用的なPVパラメータ抽出に適用したときに現れます。チームは市販のシリコン太陽電池と36セルのPVモジュールから得た実測の電流–電圧データを用いました。彼らは広く用いられる単一ダイオードモデル、より詳細な二重ダイオードモデル、セルの直列・並列接続を考慮するモジュール全体モデルの三種類をフィッティングしました。いずれの場合も、ENNAは実測とシミュレーション曲線間の二乗平均平方根誤差を極めて小さく抑えました――単一ダイオードおよび二重ダイオードモデルで約0.00099、モジュールモデルで0.00243であり、既存研究の最先端アルゴリズムを上回るか同等の結果でした。適合した曲線は実験データとほとんど重なり、ENNAによって見つかった内部パラメータが実機の“デジタルツイン”として非常に忠実であることを示しています。

将来の太陽光システムにとっての意義

専門外の方への要点は、ENNAが太陽光発電の設計や制御の基盤となる数学モデルをより信頼性高く反復的に調整する手段を提供するということです。モデルの精度が上がれば、エンジニアはパネルの挙動をより正確に予測し、最大電力点を精密に特定し、新しい配置や材料の評価をより確信をもって行えます。ENNAは単純な手法より計算負荷が高い一方で、強力な探索能力と余分な調整パラメータが少ない点から、今日のスマートな太陽光発電所から将来のエネルギーや最適化課題まで、複雑な工学問題に対する魅力的な汎用ツールとなり得ます。

引用: 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

キーワード: 太陽エネルギー, 太陽光発電モデル, 最適化アルゴリズム, ニューラルネットワーク手法, パラメータ推定