Energieoptimalisatie van PV-systemen onder gedeeltelijke beschaduwing met behulp van verschillende techniekgebaseerde MPPT-methoden

Waarom slimme zonnepanelen ertoe doen

Dak- en utility‑schaal zonnecellen worden een van de belangrijkste manieren waarop we huizen, steden en zelfs ziekenhuizen van stroom voorzien. In de praktijk zijn panelen echter vaak gedeeltelijk beschaduwd door wolken, omliggende gebouwen of vuil, wat stilletjes de geproduceerde energie vermindert. Dit artikel onderzoekt hoe "intelligente" besturingsmethoden — gebaseerd op kunstmatige intelligentie — zonne-installaties kunnen helpen om bijna elke mogelijke watt eruit te persen, zelfs onder lastige, voortdurend veranderende omstandigheden.

Het verborgen probleem van ongelijke zoninstraling

Zonnepanelen gedragen zich niet op een eenvoudige, lineaire manier: als hun spanning verandert, volgt het vermogen een gebogen, vaak hobbelig verloop. Onder ideale, volle zonomstandigheden heeft deze curve één duidelijk piekpunt, het punt waarop het systeem maximaal vermogen levert. Bij gedeeltelijke beschaduwing kunnen echter meerdere kleinere pieken verschijnen. Standaardregelaars kunnen zich op een van deze "valse" pieken vastzetten in plaats van op het werkelijke globale maximum, waardoor 5–15% of meer van het potentiële energievermogen wordt verspild. Temperatuurschommelingen voegen een extra complicatielaag toe, doordat ze voortdurend verschuiven waar het maximale vermogenspunt ligt. Met een wereldwijde zonnecapaciteit die al boven de 630 gigawatt ligt en naar verwachting meer dan verdubbelt tegen 2030, vertaalt dit verborgen verlies zich in grote gemiste besparingen en onnodige infrastructuurkosten.

Hoe zonnestelsels het optimale punt zoeken

Om panelen op hun beste punt te laten werken, gebruiken zonnestelsels maximum power point tracking (MPPT)-regelaars. Traditionele methoden, zoals perturb‑and‑observe (P&O) of incrementele conductantie, verschuiven de bedrijfsspanning omhoog of omlaag en kijken of het vermogen stijgt of daalt. Deze methoden zijn simpel en goedkoop, maar hebben nadelen: ze kunnen traag reageren op plotselinge weersveranderingen, ze neigen te schommelen rond het optimum in plaats van netjes vast te lopen, en bij gedeeltelijke beschaduwing kunnen ze een lokale bobbel in de curve verwarren met het werkelijke optimum. In grote, netgekoppelde of off‑grid systemen beïnvloedt deze inefficiëntie niet alleen de energieopbrengst maar ook de omvang van batterijen en noodgeneratoren die planners moeten installeren.

Regelaars leren het beste punt "te herkennen"

De auteurs stellen twee slimme MPPT-regelaars voor op basis van kunstmatige neurale netwerken (ANN) en een adaptief neuro‑fuzzy inferentiesysteem (ANFIS). In plaats van blindelings proefondervindelijk te werk te gaan, worden deze regelaars getraind om patronen te herkennen in hoe paneelvermogen en spanning veranderen. Ze gebruiken twee eenvoudige signalen: hoe het vermogen verandert als de spanning verandert, en hoe snel de spanning zelf in de tijd verandert. Vanuit deze gegevens voorspelt de AI in één stap welke stuuractie de DC–DC‑converter moet nemen om dicht bij het werkelijke maximale vermogenspunt te komen. Trainingsgegevens komen uit gedetailleerde computersimulaties waarbij een verfijnde versie van de conventionele P&O‑methode eerst het exacte beste punt vindt. De AI leert vervolgens een directe mapping van het waargenomen gedrag van de panelen naar het juiste stuursignaal, zonder de beperkingen van het oudere algoritme te kopiëren.

Intelligente besturing aan de tand gevoeld

Met een gesimuleerde zonne-array die werd blootgesteld aan realistische schommelingen in zonlicht en temperatuur, vergeleken de onderzoekers hun ANN- en ANFIS-regelaars met de standaard P&O-aanpak. Bij uniforme belichting brachten beide AI‑gebaseerde regelaars het systeem snel dichtbij het theoretische maximum, waarbij de neurale‑netwerkregelaar ongeveer 99,5% van het best mogelijke vermogen bereikte en de ANFIS‑regelaar ongeveer 99,75%. Ze deden dat ongeveer vier tot zes keer sneller dan P&O en met veel minder "getril" in spanning, stroom en het stuursignaal van de converter, wat resulteerde in soepeler, stabieler vermogen. Bij gedeeltelijke beschaduwing — waar meerdere concurrerende pieken op de vermogen‑curve verschijnen — werd het voordeel nog duidelijker. De conventionele regelaar vestigde zich vaak op een kleinere piek, terwijl beide AI‑regelaars het globale maximum vonden en ongeveer 35% meer vermogen leverden dan P&O in de geteste schaduwsituatie. Belangrijk is dat deze winst gepaard ging met zeer lage rekeninspanning: elke regelstap kon in minder dan 0,2 milliseconde worden berekend, waardoor de methoden geschikt zijn voor goedkope hardware.

Wat dit betekent voor de toekomst van zonne-energie

Voor niet‑specialisten is de belangrijkste conclusie simpel: slimere besturingselektronica kan dezelfde zonnepanelen omvormen tot een merkbaar productievere energiecentrale, vooral wanneer de omstandigheden minder dan ideaal zijn. Door compacte AI‑modellen te gebruiken die snel reageren en niet vastlopen op valse pieken, helpen de voorgestelde ANN‑ en ANFIS‑regelaars panelen om vrijwel alle beschikbare energie te oogsten, slijtage aan vermogenselektronica te verminderen en de kosten van zonne-energie over de levensduur van een systeem te verlagen. Van de twee heeft de ANFIS‑benadering een lichte voorsprong in nauwkeurigheid en soepelheid, terwijl de ANN bijna even effectief en iets eenvoudiger is. Samen tonen ze aan hoe een bescheiden dosis kunstmatige intelligentie in de omvormer zonne-energie betrouwbaarder, betaalbaarder en aantrekkelijker kan maken voor zowel woningen als grootschalige projecten.

Bronvermelding: Benabdallah, N., Belabbas, B., Tahri, A. et al. Energy optimization of PV systems under partial shading conditions using various technique-based MPPT methods. Sci Rep 16, 5128 (2026). https://doi.org/10.1038/s41598-026-36117-w

Trefwoorden: zonne-energie, fotovoltaïsche systemen, maximum power point tracking, kunstmatige intelligentie besturing, gedeeltelijke beschaduwing