Een verbeterd neuraal netwerkalgoritme en de toepassingen ervan voor numerieke optimalisatie en parameterbepaling van fotovoltaïsche modellen

Slimmere zonne-energie voor het dagelijks leven

Zonnepanelen verschijnen steeds vaker op daken en in velden wereldwijd, maar het maximale uit iedere zonnestraal halen blijft een uitdaging. Dit artikel introduceert een nieuwe computermethode die ingenieurs helpt om nauwkeurigere virtuele modellen van zonnepanelen te bouwen. Met betere modellen kunnen zij fotovoltaïsche (PV) systemen ontwerpen en aansturen die goedkoper, betrouwbaarder en efficiënter zijn — voordelen die uiteindelijk terechtkomen bij huiseigenaren, bedrijven en het elektriciteitsnet.

Waarom zonnepanelen een “digitaal tweeling” nodig hebben

Achter elk fysiek PV‑module staat een wiskundige tegenhanger — een model — dat voorspelt hoeveel stroom en spanning het paneel zal leveren onder verschillende omstandigheden, zoals temperatuur en zoninstraling. Deze modellen zijn essentieel voor het plannen van zonneparken, het volgen van het beste werkpunt en het diagnosticeren van storingen zonder constant in de hardware te hoeven ingrijpen. Maar de modellen bevatten meerdere verborgen parameters, zoals interne weerstanden en diode‑stromen, die niet rechtstreeks meetbaar zijn. In plaats daarvan moeten ze uit echte stroom‑spanningmetingen worden afgeleid. Omdat de relaties in het model sterk niet‑lineair zijn en veel lokale valkuilen bevatten, is het vinden van de juiste parameterwaarden een lastig zoekprobleem, vooral voor meer gedetailleerde modellen zoals het dubbel‑diodemodel of volledige PV‑modulemodellen.

Van door de natuur geïnspireerd zoeken naar door het brein geïnspireerd zoeken

In het afgelopen decennium hebben ingenieurs zich gewend tot zogenaamde metaheuristieke algoritmen — zoekmethoden geïnspireerd door diergedrag, natuurkundige processen of andere natuurlijke verschijnselen — om PV‑parameters te schatten. Technieken gebaseerd op walvissen, vleermuizen, mariene roofdieren, lesgeven en leren in klaslokalen, en vele anderen lieten veelbelovende resultaten zien omdat ze exploratie van de zoekruimte combineren met verfijning rond goede oplossingen. Tegelijkertijd hebben kunstmatige neurale netwerken vakgebieden zoals beeldherkenning en robotica getransformeerd. Hun structuur en leermechanismen inspireerden ook nieuwe optimalisatiemethoden. Een van die methoden is het Neural Network Algorithm (NNA), een metaheuristiek die feedback‑neurale netwerken nabootst en sterke globale zoekcapaciteit heeft, maar geneigd is vast te lopen in lokale optima wanneer het probleem zeer complex is.

Een verbeterd neuraal netwerkalgoritme

De auteurs stellen een Enhanced Neural Network Algorithm, of ENNA, voor die specifiek is ontworpen om de zwaktes van NNA te overwinnen. ENNA voegt twee kernelementen toe. Ten eerste injecteert een perturbatieoperator gecontroleerde willekeurigheid gebaseerd op de normale (belvormige) verdeling en op verschillen tussen meerdere kandidaatoplossingen; dit schudt de zoektocht uit doodlopende wegen zonder te verliezen wat al geleerd is. Ten tweede laat een elite‑operator elke kandidaat leren van zowel de beste tot nu toe gevonden oplossing als van de gemiddelde positie van de gehele populatie, met behulp van een crossover‑matrix om deze invloeden te mengen. Daarnaast gebruikt ENNA drie verschillende bewegingsstrategieën die afwisselen tussen het volgen van de huidige beste, het opnieuw bezoeken van historische populaties en het springen naar de elite‑mix. In tegenstelling tot het oorspronkelijke NNA houdt ENNA de balans tussen globale bewegingen en lokale verfijning beter in stand tijdens de hele uitvoering.

ENNA op de proef gesteld

Om te laten zien dat ENNA niet alleen theoretisch slim is, testten de onderzoekers het eerst op 52 veeleisende benchmarkfuncties afkomstig uit internationale optimalisatietestsets. Deze functies worden veel gebruikt om algoritmen te vergelijken en omvatten eenvoudige, grillige en samengestelde landschappen met veel lokale valkuilen. Over deze tests heen scoorde ENNA consequent bij of in de buurt van de top vergeleken met tien sterke concurrenten, waaronder differentiële evolutie, equilibrium optimizer, whale optimization en geavanceerde NNA‑varianten. ENNA behaalde of deelde de beste gemiddelde oplossing op ongeveer 80 procent van de functies, en statistische toetsen bevestigden dat deze verbeteringen niet door toeval verklaard kunnen worden.

Scherpere modellen voor echte zonneapparatuur

De echte winst komt wanneer ENNA wordt toegepast op praktische PV‑parameterbepaling. Het team gebruikte gemeten stroom‑spanninggegevens van een commercieel silicium zonnecel en van een PV‑module met 36 cellen. Zij pasten drie modeltypen toe: het veelgebruikte enkel‑diodemodel, het meer gedetailleerde dubbel‑diodemodel en een volledig modulemodel dat rekening houdt met serie‑ en parallelverbindingen van cellen. In alle gevallen behaalde ENNA extreem lage wortel‑gemiddelde kwadratische fouten tussen de gemeten en de gesimuleerde curves — ongeveer 0,00099 voor de enkel‑ en dubbel‑diodemodellen en 0,00243 voor het modulemodel — en versloeg of evenaarde daarmee toonaangevende state‑of‑the‑art algoritmen uit eerdere studies. De gefitte curves overlappen bijna geheel met de experimentele data, wat aangeeft dat de interne parameters die door ENNA zijn gevonden een zeer getrouwe "digitale tweeling" van de echte apparaten opleveren.

Wat dit betekent voor toekomstige zonnestelsels

Voor niet‑specialisten is de conclusie dat ENNA een betrouwbaardere en herhaalbare manier biedt om de wiskundige modellen te verfijnen die ten grondslag liggen aan het ontwerp en de besturing van zonne-energiesystemen. Wanneer die modellen nauwkeuriger zijn, kunnen ingenieurs beter voorspellen hoe panelen zich zullen gedragen, het punt van maximale vermogen preciezer lokaliseren en nieuwe indelingen of materialen met meer vertrouwen evalueren. Hoewel ENNA rekenkundig zwaarder is dan sommige eenvoudiger methoden, maken de sterke zoekcapaciteiten en het ontbreken van extra afstemmingsparameters het tot een aantrekkelijk algemeen hulpmiddel voor complexe technische problemen, van slimmere zonneparken vandaag tot andere energie‑ en optimalisatie-uitdagingen in de toekomst.

Bronvermelding: 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

Trefwoorden: zonne-energie, fotovoltaïsche modellen, optimalisatie-algoritmen, neurale netwerkmethoden, parameterinschatting