Wykorzystanie sztucznych sieci neuronowych do dokładnego określania parametrów systemów fotowoltaicznych: radiacja, temperatura i MPPT

Bardziej inteligentna energia słoneczna na co dzień

Panele słoneczne znajdują się dziś na dachach, gospodarstwach i nawet na parkingach, ale uzyskanie z nich maksymalnej ilości energii jest bardziej skomplikowane, niż się wydaje. Natężenie światła i temperatura zmieniają się nieustannie, a tradycyjne układy sterowania mogą być powolne i nieefektywne. W tym badaniu pokazano, jak sztuczne sieci neuronowe — systemy komputerowe inspirowane pracą mózgu — mogą pomóc panelom automatycznie wycisnąć niemal każdy możliwy wat mocy, przy użyciu mniejszej liczby czujników i tańszego sprzętu.

Dlaczego słońce i ciepło czynią energię słoneczną niestabilną

Panele słoneczne pracują najlepiej w określonym punkcie pracy, w którym napięcie i prąd łączą się, dając maksymalną moc. Ten optymalny punkt przesuwa się przez cały dzień, gdy przemieszczają się chmury, zmienia się kąt padania słońca i panele nagrzewają się. Konwencjonalne regulatory poszukują tego punktu, delikatnie zmieniając napięcie pracy i obserwując, jak reaguje moc. Metody te są proste, ale często przesterowują, potrzebują czasu na ustabilizowanie się i tracą energię przez ciągłe oscylacje zamiast zablokować się na prawdziwym punkcie maksymalnej mocy.

Ograniczanie liczby czujników bez utraty informacji

Aby precyzyjnie śledzić najlepszy punkt pracy, inżynierowie tradycyjnie mierzą natężenie promieniowania docierającego do panelu oraz temperaturę ogniw, używając piranometru i sond temperaturowych. Instrumenty te zwiększają koszty, komplikują instalację i wymagają konserwacji — szczególnie w dużych farmach słonecznych. Autorzy proponują pierwszą sieć neuronową, która pomija te dedykowane czujniki całkowicie. Zamiast nich sięga tylko po dwie podstawowe wielkości elektryczne z jednego panelu odniesienia: napięcie obwodu otwartego i prąd zwarciowy. Na podstawie tych wartości sieć uczy się wywnioskować, jak jasne jest światło i jak gorący stał się panel, nawet przy szybko zmieniających się warunkach pogodowych.

Pozwalając sieci sterować przetwornicą mocy

Gdy natężenie promieniowania i temperatura zostaną oszacowane, kolejnym wyzwaniem jest sterowanie elektroniką mocy tak, aby panele pracowały dokładnie w punkcie maksymalnej mocy. Tutaj przejmuje sterowanie druga sieć neuronowa. Otrzymuje ona jako wejścia oszacowane natężenie światła i temperaturę, a jako wyjście podaje optymalne ustawienie „cyklu pracy” (duty cycle) przetwornicy DC–DC łączącej panele z obciążeniem. Ten cykl pracy determinuje, jak przetwornica podnosi napięcie panelu i kształtuje przepływ prądu. Ucząc się bezpośrednio na podstawie szczegółowych symulacji systemu fotowoltaicznego, sieć może niemal natychmiast przejść do najlepszego ustawienia zamiast powoli go wyszukiwać.

Testy pod prawdziwym niebem

Zespół poddał swoje podejście dwustopniowe serii symulacji komputerowych i eksperymentów w rzeczywistych warunkach. Najpierw trenowali i testowali sieci wykorzystując dane z dokumentacji paneli, a następnie z rzeczywistych zapisów pogodowych z słonecznego nadmorskiego miasta Hurghada w Egipcie. W końcu zbudowali konfiguracje sprzętowe zarówno w pomieszczeniach, używając programowalnych zasilaczy do emulacji paneli, jak i na zewnątrz, używając trzech rzeczywistych modułów słonecznych. We wszystkich przypadkach system oparty na sieciach neuronowych oszacowywał natężenie światła i temperaturę znacznie dokładniej niż tradycyjne wzory i prowadził przetwornicę mocy tak, aby wydobyć niemal całą dostępną energię, z bardzo małymi tętnieniami napięcia i prądu oraz czasami reakcji rzędu kilku tysięcznych sekundy.

Co to oznacza dla przyszłej energetyki słonecznej

Dla laików wynik można uznać za nadanie panelom swego rodzaju „inteligentnego zmysłu” otoczenia. Polegając na szybko uczących się algorytmach zamiast wielu fizycznych czujników i sterowaniu metodą prób i błędów, system zamienia zmienną pogodę z problemu w coś, do czego może się szybko dostosować. Badanie pokazuje, że przy starannym treningu sieci neuronowe pozwalają instalacji fotowoltaicznej osiągnąć blisko 100% teoretycznej mocy przy zachowaniu prostoty i relatywnie niskich kosztów. W miarę jak te pomysły będą rozwijane w kierunku większych farm słonecznych, systemów podłączonych do sieci i bardziej zaawansowanych modeli uczenia maszynowego, obiecują czystszą, bardziej niezawodną i tańszą energię słoneczną.

Cytowanie: 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

Słowa kluczowe: energia słoneczna, systemy fotowoltaiczne, sieci neuronowe, śledzenie punktu maksymalnej mocy, sterowanie odnawialnymi źródłami energii