Vergelijkende analyse van ondiepe en hybride diepe leermodellen voor het voorspellen van de koelefficiëntie van nanofluid-gekoelde fotovoltaïsche panelen over meerdere materialen

Waarom het belangrijk is zonnepanelen koel te houden

Zonnepanelen presteren het beste wanneer ze koel zijn, maar bij felle zon kan hun temperatuur sterk oplopen, waardoor de hoeveelheid elektriciteit die ze leveren langzaam afneemt. Voor huiseigenaren, netbeheerders en iedereen die inzet op schone energie betekent die prestatievermindering minder kilowatturen dan verwacht. Deze studie onderzoekt een nieuwe benadering van paneelkoeling: het laten circuleren van speciale "nanofluïden" achter een zonnepaneel en het gebruik van kunstmatige intelligentie om te voorspellen hoe goed die koeling werkt. Het doel is het terugdringen van trage, dure proeven in de buitenlucht, terwijl zonne-energie in echte hitte efficiënt blijft.

Hoe piepkleine deeltjes kunnen helpen hete panelen te koelen

Standaard zonnepanelen liggen gewoon in de zon en warmen op, wat hun opbrengst met ongeveer een halve procent per graad Celsius temperatuursstijging vermindert. Een manier om dit tegen te gaan is het actief koelen van het paneel met een dun netwerk van buisjes aan de achterzijde. In dit systeem wordt een vloeistof door de buizen gepompt die warmte afvoert. In plaats van alleen gewoon water te gebruiken, testten de onderzoekers nanofluïden: water met extreem kleine deeltjes aluminiumoxide (Al₂O₃) of titaandioxide (TiO₂) in zeer lage volumefracties (0,01%, 0,1% en 1%). Deze nanopartikels kunnen het vermogen van de vloeistof om warmte op te nemen en te transporteren verbeteren, waardoor het paneel mogelijk koeler en efficiënter blijft dan met alleen water.

Proeven in de buitenlucht met zeven koelmiddelen

Het team plaatste twee identieke 50-watt zonnepanelen op een universiteitscampus in een hete, droge regio van Turkije. Eén paneel werd voorzien van koperen buizen en vinnen aan de achterzijde voor koeling, terwijl het andere als referentie onbehandeld bleef. Een pomp circuleerde ofwel water of een van de zes nanofluidmengsels bij een vaste debietsnelheid door de koelbuisjes. Over meerdere dagen verzamelden ze buitenmetingen om de 30 minuten gedurende sessies van zes uur, waardoor er 13 gegevenspunten per koelmiddel ontstonden. Voor elke proef registreerden ze zoninstraling, windsnelheid, luchttemperatuur, paneeloppervlaktetemperaturen op meerdere plaatsen, vloeistof-inlaat- en uitlaattemperaturen, en de elektrische spanning en stroom van zowel het gekoelde als het ongekoelde paneel. Daaruit berekenden ze hoeveel de koeling het elektrische rendement van het paneel verbeterde.

Algoritmen trainen als vervanging voor proeven

Aangezien het herhalen van hele dagtests voor elk nieuw koelmiddel of bedrijfsconditie traag en arbeidsintensief is, trainden de auteurs computermodellen om de relatie tussen de gemeten condities en de resulterende koelefficiëntie te leren. Ze probeerden verschillende relatief eenvoudige benaderingen—Bayesian Ridge-regressie, support vector regressie en random forests—naast een geavanceerder hybride diep leermodel dat convolutionele neurale netwerken (CNNs) en long short-term memory (LSTM)-eenheden combineert. De eenvoudigere "ondiepe" modellen behandelden elke meetmomentopname op zichzelf, terwijl het CNN+LSTM-model ook keek naar hoe waarden in de tijd veranderden, waardoor kortdurende fluctuaties in zonlicht en temperatuur werden vastgelegd.

Wat de modellen leerden over koelprestaties

Over alle zeven vloeistoffen leverde Bayesian Ridge-regressie consequent nauwkeurige voorspellingen, met slechts kleine fouten tussen voorspelde en gemeten efficiënties en hoge overeenstemmingsscores. Het hybride CNN+LSTM-model verbeterde de nauwkeurigheid nog verder voor sommige materialen, bereikte zeer lage foutniveaus en verklaarde bijna de volledige variatie in koelprestaties. Om deze "black box"-modellen inzichtelijker te maken, pasten de onderzoekers een techniek genaamd SHAP toe, die aangeeft hoeveel elke invoerfactor bijdraagt aan een voorspelling. Deze analyse toonde dat omgevingstemperatuur, zoninstraling en de elektrische output van het gekoelde paneel (spanning en stroom) de belangrijkste stuwende factoren voor koelefficiëntie waren, terwijl windsnelheid en sommige gedetailleerde oppervlaktetemperatuurmetingen veel minder bijdroegen.

Wat dit betekent voor toekomstige zonnestelsels

In eenvoudige bewoordingen laat de studie zien dat goedgekozen machine learning-modellen betrouwbaar kunnen voorspellen hoeveel voordeel u krijgt van het actief koelen van een zonnepaneel met water of nanofluïden, met slechts een bescheiden hoeveelheid experimentele data. In plaats van bij elke wijziging van een koelrecept, concentratie of weerspatroon nieuwe volledige dagtesten uit te voeren, kunnen ingenieurs leunen op deze getrainde modellen om "wat als"-scenario’s in seconden te verkennen. Het werk benadrukt ook dat een paar sleutelmetingen—hoe warm de dag is, hoe sterk het zonlicht is en hoe het gekoelde paneel elektrisch presteert—het merendeel van de benodigde informatie bevatten. Hoewel de auteurs opmerken dat grotere en meer gevarieerde datasets nog noodzakelijk zijn voordat zulke hulpmiddelen overal en op alle schalen toegepast kunnen worden, wijzen hun resultaten op slimmer ontwerp en besturing van gekoelde zonnepanelen, waardoor meer schone elektriciteit uit hetzelfde zonlicht kan worden gehaald.

Bronvermelding: Özdemir, Y., Ziyadanoğulları, N.B., Bakış, E. et al. Comparative analysis of shallow and hybrid deep learning models for predicting the cooling efficiency of nanofluid-cooled photovoltaic panel across multiple materials. Sci Rep 16, 9216 (2026). https://doi.org/10.1038/s41598-026-40129-x

Trefwoorden: koeling van zonnepanelen, nanofluïden, fotovoltaïsche efficiëntie, machine learning, deep learning