Ulepszony algorytm sieci neuronowej i jego zastosowania w optymalizacji numerycznej oraz ekstrakcji parametrów modeli fotowoltaicznych

Inteligentniejsze wykorzystanie energii słonecznej w życiu codziennym

Panele słoneczne stają się stałym elementem dachów i pól na całym świecie, ale uzyskanie jak największej ilości energii z każdego promienia słońca nadal stanowi wyzwanie. W tym artykule przedstawiono nową technikę komputerową, która pomaga inżynierom tworzyć dokładniejsze wirtualne modele paneli słonecznych. Dzięki lepszym modelom można projektować i sterować systemami fotowoltaicznymi (PV), które są tańsze, bardziej niezawodne i wydajniejsze — korzyści, które ostatecznie trafiają do właścicieli domów, firm i sieci energetycznej.

Dlaczego panele słoneczne potrzebują „cyfrowego bliźniaka”

Za każdym fizycznym modułem PV stoi matematyczny odpowiednik — model — który przewiduje, ile prądu i napięcia panel dostarczy w różnych warunkach, takich jak temperatura i nasłonecznienie. Modele te są niezbędne do planowania farm słonecznych, śledzenia optymalnego punktu pracy oraz diagnozowania usterek bez ciągłego badania sprzętu. Modele zawierają jednak kilka ukrytych parametrów, takich jak wewnętrzne rezystancje i prądy diod, których nie da się zmierzyć bezpośrednio. Trzeba je wywnioskować na podstawie rzeczywistych pomiarów prądu i napięcia. Ponieważ relacje w modelu są silnie nieliniowe i zawierają wiele pułapek lokalnych, znalezienie właściwych wartości parametrów jest trudnym problemem poszukiwania, zwłaszcza w przypadku bardziej szczegółowych modeli, takich jak model z dwiema diodami czy pełne modele modułów PV.

Od wyszukiwań inspirowanych naturą do wyszukiwań inspirowanych mózgiem

W ostatniej dekadzie inżynierowie sięgali po tzw. metaheurystyki — metody poszukiwania inspirowane zachowaniem zwierząt, prawami fizyki lub innymi procesami naturalnymi — aby estymować parametry PV. Techniki oparte na zachowaniach wielorybów, nietoperzy, drapieżników morskich, procesach nauczania w klasie i wielu innych wykazały się obiecującymi wynikami, ponieważ dobrze równoważą eksplorację przestrzeni rozwiązań z dopracowywaniem dobrych rozwiązań. Równolegle sztuczne sieci neuronowe zrewolucjonizowały dziedziny takie jak rozpoznawanie obrazów i robotyka. Ich struktura i zachowanie uczenia zainspirowały też nowe metody optymalizacyjne. Jedną z takich metod jest Algorytm Sieci Neuronowej (NNA), metaheurystyka imitująca sprzężone sieci neuronowe, która ma silne zdolności globalnego przeszukiwania, lecz ma tendencję do utknięcia w lokalnych optimum, gdy problem jest bardzo złożony.

Ulepszony algorytm sieci neuronowej

Autorzy proponują Ulepszony Algorytm Sieci Neuronowej, w skrócie ENNA, zaprojektowany specjalnie, aby przezwyciężyć słabe strony NNA. ENNA dodaje dwa kluczowe składniki. Po pierwsze, operator perturbacji wprowadza kontrolowany element losowy oparty na rozkładzie normalnym (dzwonowym) oraz na różnicach między kilkoma kandydatami rozwiązań; pomaga to wydostać się z martwych punktów bez utraty już zdobytej informacji. Po drugie, operator elity pozwala każdemu kandydatowi uczyć się zarówno od najlepszego dotąd rozwiązania, jak i od średniej pozycji całej populacji, wykorzystując macierz krzyżowania do mieszania tych wpływów. Ponadto ENNA stosuje trzy różne strategie ruchu, które na przemian podążają za aktualnym najlepszym, powracają do historycznych populacji i skaczą w stronę elitarnej mieszanki. W przeciwieństwie do oryginalnego NNA, ENNA utrzymuje lepszą równowagę między ruchami globalnymi a lokalnym dopracowywaniem przez cały czas działania.

Testy ENNA

Aby wykazać, że ENNA jest nie tylko ciekawy w teorii, badacze najpierw sprawdzili go na 52 wymagających funkcjach benchmarkowych zaczerpniętych z międzynarodowych zestawów testowych optymalizacji. Funkcje te są powszechnie używane do porównywania algorytmów i obejmują proste, chropowate i złożone krajobrazy z wieloma pułapkami lokalnymi. W tych testach ENNA konsekwentnie plasował się w czołówce lub bardzo blisko niej w porównaniu z dziesięcioma silnymi konkurentami, w tym z algorytmami ewolucji różnicowej, optymalizatorem równowagi, optymalizacją wielorybów i zaawansowanymi wariantami NNA. ENNA albo osiągał najlepsze średnie rozwiązanie, albo dzielił pierwsze miejsce na około 80 procent testowanych funkcji, a testy statystyczne potwierdziły, że te ulepszenia nie były dziełem przypadku.

Dokładniejsze modele dla rzeczywistego sprzętu słonecznego

Prawdziwy zysk pojawia się, gdy ENNA zastosowano do praktycznej ekstrakcji parametrów PV. Zespół wykorzystał zmierzone charakterystyki prądowo‑napięciowe komercyjnej krzemowej ogniwa słonecznego oraz modułu PV składającego się z 36 ogniw. Dopasowali trzy typy modeli: powszechnie stosowany model z jedną diodą, bardziej szczegółowy model z dwiema diodami oraz pełny model modułu uwzględniający połączenia szeregowe i równoległe ogniw. W każdym przypadku ENNA osiągnął ekstremalnie niskie wartości błędu średniokwadratowego między krzywymi zmierzonymi a symulowanymi — około 0,00099 dla modeli z jedną i dwiema diodami oraz 0,00243 dla modelu modułu — przewyższając lub dorównując wiodącym algorytmom z wcześniejszych badań. Dopasowane krzywe niemal pokrywają się z danymi eksperymentalnymi, co wskazuje, że parametry wewnętrzne znalezione przez ENNA dostarczają bardzo wiernego „cyfrowego bliźniaka” rzeczywistych urządzeń.

Co to oznacza dla przyszłych systemów solarnych

Dla osób niebędących specjalistami kluczowa informacja jest taka, że ENNA oferuje bardziej niezawodny i powtarzalny sposób strojenia modeli matematycznych, które leżą u podstaw projektowania i sterowania instalacjami słonecznymi. Gdy modele są dokładniejsze, inżynierowie lepiej przewidują zachowanie paneli, precyzyjniej lokalizują punkt maksymalnej mocy oraz z większą pewnością oceniają nowe układy czy materiały. Chociaż ENNA jest obliczeniowo bardziej wymagający niż niektóre prostsze metody, jego silne możliwości przeszukiwania i brak dodatkowych, trudnych do dobrania parametrów czynią go atrakcyjnym narzędziem ogólnego przeznaczenia dla złożonych problemów inżynieryjnych — od inteligentniejszych farm słonecznych dzisiaj po inne wyzwania energetyczne i optymalizacyjne w przyszłości.

Cytowanie: 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

Słowa kluczowe: energia słoneczna, modele fotowoltaiczne, algorytmy optymalizacyjne, metody sieci neuronowych, estymacja parametrów