Analiza porównawcza płytkich i hybrydowych głębokich modeli uczących się w przewidywaniu wydajności chłodzenia paneli fotowoltaicznych chłodzonych nanocieczami dla różnych materiałów

Dlaczego utrzymanie paneli słonecznych w niższej temperaturze ma znaczenie

Panele słoneczne działają najlepiej, gdy są chłodne, lecz pod ostrym słońcem ich temperatura może gwałtownie wzrosnąć, stopniowo obniżając ilość wytwarzanej energii elektrycznej. Dla właścicieli domów, przedsiębiorstw energetycznych i wszystkich zainteresowanych czystą energią spadek wydajności oznacza mniej kilowatogodzin niż przewidywano. W tym badaniu rozważono nowe podejście do chłodzenia paneli: cyrkulację specjalnych „nanocieczy” za panelem oraz wykorzystanie sztucznej inteligencji do przewidywania skuteczności chłodzenia. Celem jest ograniczenie czasochłonnych i kosztownych eksperymentów terenowych przy jednoczesnym zachowaniu wydajności paneli w warunkach rzeczywistych upałów.

Jak drobne cząstki mogą pomóc rozgrzanym panelom

Standardowe panele słoneczne po prostu grzeją się na słońcu, co zmniejsza ich moc o około pół procenta na każdy stopień Celsjusza wzrostu temperatury. Jednym ze sposobów przeciwdziałania temu jest aktywne chłodzenie panelu za pomocą cienkiej sieci rur zamocowanej z tyłu. W tym układzie ciecz jest tłoczona przez rurki, zabierając ciepło. Zamiast używać samej wody, badacze testowali nanociecze: wodę zawierającą niezwykle drobne cząstki tlenku glinu (Al₂O₃) lub dwutlenku tytanu (TiO₂) w bardzo niskich ułamkach objętościowych (0,01%, 0,1% i 1%). Te nanoproszki mogą poprawić zdolność cieczy do pochłaniania i transportu ciepła, potencjalnie utrzymując panel chłodniejszym i bardziej wydajnym niż sama woda.

Zewnętrzne testy terenowe siedmiu chłodziw

Zespół zainstalował dwa identyczne panele słoneczne o mocy 50 watów na kampusie uniwersyteckim w gorącym, suchym rejonie Turcji. Jeden panel wyposażono z tyłu w miedziane rurki i żeberka chłodzące, drugi pozostawiono niechłodzony jako odniesienie. Pompa cyrkulowała wodę lub jedną z sześciu mieszanek nanociecze o stałej prędkości przepływu przez rurki chłodzące. Przez kilka dni zbierano pomiary terenowe co 30 minut przez sześć godzin jednorazowo, tworząc po 13 punktów danych dla każdego chłodziwa. Dla każdego przebiegu rejestrowano natężenie promieniowania słonecznego, prędkość wiatru, temperaturę powietrza, temperatury powierzchni panelu w kilku miejscach, temperatury cieczy na wlocie i wylocie oraz napięcie i prąd elektryczny z obu paneli — chłodzonego i niechłodzonego. Na tej podstawie obliczono, o ile system chłodzenia poprawił sprawność elektryczną panelu.

Nauczanie algorytmów, by zastąpiły eksperymenty

Ponieważ powtarzanie całodniowych testów terenowych dla każdego nowego chłodziwa lub warunków pracy jest powolne i pracochłonne, autorzy wyszkolili modele komputerowe, aby poznały zależność między mierzonymi warunkami a uzyskaną wydajnością chłodzenia. Wypróbowali kilka stosunkowo prostych podejść — regresję grzbietową Bayesa (Bayesian Ridge), regresję wektorów nośnych oraz lasy losowe — obok bardziej zaawansowanego hybrydowego modelu głębokiego łączącego splotowe sieci neuronowe (CNN) i jednostki długiej krótkotrwałej pamięci (LSTM). Prostsze, „płytkie” modele traktowały każde migawkowe pomiary niezależnie, podczas gdy model CNN+LSTM uwzględniał też zmiany wartości w czasie, wychwytując krótkoterminowe fluktuacje natężenia światła i temperatury.

Czego modele nauczyły się o wydajności chłodzenia

We wszystkich siedmiu cieczach regresja Bayesa (Bayesian Ridge) konsekwentnie dawała dokładne prognozy, z niewielkimi błędami między przewidywaniami a pomiarami i wysokimi wskaźnikami zgodności. Hybrydowy model CNN+LSTM poprawiał dokładność jeszcze bardziej dla niektórych materiałów, osiągając bardzo niskie poziomy błędów i wyjaśniając niemal całą zmienność wydajności chłodzenia. Aby otworzyć te „czarne skrzynki”, badacze zastosowali technikę zwaną SHAP, która ocenia, jak bardzo każdy czynnik wejściowy wpływa na prognozę. Analiza wykazała, że głównymi czynnikami wpływającymi na wydajność chłodzenia były temperatura otoczenia, promieniowanie słoneczne oraz elektryczna wydajność chłodzonego panelu (napięcie i prąd), podczas gdy prędkość wiatru i niektóre szczegółowe pomiary temperatury powierzchni miały znacznie mniejszy wpływ.

Co to oznacza dla przyszłych systemów słonecznych

Mówiąc prosto, badanie pokazuje, że starannie dobrane modele uczenia maszynowego mogą wiarygodnie przewidzieć, ile korzyści przyniesie aktywne chłodzenie panelu wodą lub nanocieczami, wykorzystując jedynie umiarkowaną ilość danych eksperymentalnych. Zamiast uruchamiać nowe całodniowe testy za każdym razem, gdy zmienia się receptura chłodziwa, jego stężenie lub warunki pogodowe, inżynierowie mogą polegać na tych wytrenowanych modelach, by w ciągu sekund badać scenariusze „co jeśli”. Praca podkreśla także, że kilka kluczowych pomiarów — jak gorący jest dzień, jak silne jest światło słoneczne i jak panel chłodzony radzi sobie elektrycznie — zawiera większość potrzebnej informacji. Autorzy zaznaczają jednak, że potrzebne są większe i bardziej zróżnicowane zestawy danych, zanim takie narzędzia będzie można stosować powszechnie i na wszystkich skalach; ich wyniki wskazują jednak drogę do inteligentniejszego projektowania i sterowania chłodzonymi panelami słonecznymi, wyciskając więcej czystej energii z tego samego światła słonecznego.

Cytowanie: 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

Słowa kluczowe: chłodzenie paneli słonecznych, nanociecze, wydajność fotowoltaiczna, uczenie maszynowe, uczenie głębokie