Het inzetten van kunstmatige neurale netwerken voor nauwkeurige bepaling van PV-systeemparameters: straling, temperatuur en MPPT

Slimmere zonne-energie voor het dagelijks leven

Zonnepanelen zijn nu te vinden op daken, boerderijen en zelfs parkeerterreinen, maar er het maximale uit halen is lastiger dan het lijkt. Zonlicht en temperatuur veranderen voortdurend en traditionele besturingscircuits kunnen traag en inefficiënt zijn. Deze studie laat zien hoe kunstmatige neurale netwerken—computersystemen geïnspireerd op de hersenen—zonnepanelen kunnen helpen bijna elke mogelijke watt aan vermogen automatisch te benutten, terwijl ze minder sensoren en goedkopere hardware gebruiken.

Waarom zon en warmte zonne-energie onstabiel maken

Zonnepanelen werken het beste op een bepaald bedrijfspunt waar spanning en stroom samen het maximale vermogen opleveren. Dit optimale punt verschuift de hele dag door als er wolken voorbijtrekken, de zonshoek verandert en panelen opwarmen. Conventionele regelingen zoeken dat punt door de bedrijfsspanning een beetje omhoog en omlaag te sturen en te observeren hoe het vermogen reageert. Deze methoden zijn eenvoudig, maar schieten vaak door, hebben tijd nodig om zich te stabiliseren en verspillen energie door constant te oscilleren in plaats van het werkelijke maximale-vermogen-punt vast te houden.

Minder sensoren zonder inzicht te verliezen

Om het beste bedrijfspunt nauwkeurig te volgen, meten ingenieurs traditioneel hoeveel zonlicht op het paneel valt en hoe warm de cellen zijn, met een lichtsensor (pyranometer) en temperatuursondes. Deze instrumenten brengen extra kosten, complexiteit en onderhoud met zich mee—vooral in grote zonneparken. De onderzoekers stellen een eerste neurale netwerk voor dat deze speciale sensoren volledig overslaat. In plaats daarvan kijkt het alleen naar twee eenvoudige elektrische metingen van een enkel referentiepaneel: de open-circuitspanning en de kortsluitstroom. Uit deze waarden leert het netwerk af te leiden hoe fel de zon schijnt en hoe warm het paneel is geworden, zelfs bij snel veranderend weer.

Het netwerk de vermogenselektronica laten aansturen

Zodra zonlicht en temperatuur zijn geschat, is de volgende uitdaging het aansturen van de vermogenselektronica zodat de panelen precies op hun maximale-vermogen-punt werken. Hiervoor neemt een tweede neurale netwerk het over. Het krijgt de geschatte zon- en temperatuurwaarden als invoer en geeft de optimale ‘duty cycle’-instelling voor de DC–DC-omzetter die de panelen met de belasting verbindt. Deze duty cycle bepaalt hoe de omzetter de paneelspanning verhoogt en de stroomvorm regelt. Door direct te leren van gedetailleerde simulaties van het zonnestroomsysteem kan het netwerk vrijwel onmiddellijk naar de beste instelling springen in plaats van er langzaam naar te zoeken.

Getest onder echte hemel

Het team testte hun tweefasige aanpak met een reeks computersimulaties en proeven in de echte wereld. Ze trainden en evalueerden de netwerken eerst met gegevens uit paneelspecificaties en vervolgens met werkelijke weersgegevens van de zonnige kustplaats Hurghada in Egypte. Uiteindelijk bouwden ze hardwareopstellingen zowel binnen, met programmeerbare voedingen om panelen na te bootsen, als buiten, met drie echte zonnepanelen. In alle gevallen schatte het neurale-netwerksysteem zonlicht en temperatuur veel nauwkeuriger dan traditionele formules en stuurde het de vermogenselektronica aan om vrijwel alle beschikbare energie te winnen, met zeer kleine rimpels in spanning en stroom en reactietijden van slechts enkele duizendsten van een seconde.

Wat dit betekent voor de toekomst van zonne-energie

Voor een niet-specialist is het resultaat te zien als het geven van een soort ‘slimme zintuig’ aan zonnepanelen voor hun omgeving. Door te vertrouwen op snel lerende algoritmen in plaats van veel fysieke sensoren en een trial-and-error besturing, verandert het systeem veranderend weer van een probleem in iets waar het zich snel op kan aanpassen. De studie toont aan dat met zorgvuldig getrainde neurale netwerken een zonne-installatie dicht bij 100% van haar theoretische vermogen kan komen, terwijl ze eenvoudig en relatief goedkoop blijft. Naarmate deze ideeën worden opgeschaald naar grotere zonneparken, netgekoppelde systemen en meer geavanceerde machine-learningmodellen, beloven ze schonere, betrouwbaardere en betaalbaardere zonne-energie.

Bronvermelding: Abdelqawee, I.M., Selmy, M., ALI, M.N. et al. Harnessing artificial neural networks for accurate PV system parameters determination: radiation, temperature, and MPPT. Sci Rep 16, 9682 (2026). https://doi.org/10.1038/s41598-026-40175-5

Trefwoorden: zonne-energie, fotovoltaïsche systemen, neurale netwerken, maximum power point tracking, regeltechniek voor hernieuwbare energie