Um algoritmo de rede neural aprimorado e suas aplicações para otimização numérica e extração de parâmetros de modelos fotovoltaicos

Energia solar mais inteligente para o dia a dia

Os painéis solares estão se tornando presença constante em telhados e em campos ao redor do mundo, mas extrair o máximo de eletricidade de cada raio de sol ainda é um desafio. Este artigo apresenta uma nova técnica computacional que auxilia engenheiros a construir modelos virtuais mais precisos de painéis solares. Com modelos melhores, é possível projetar e controlar sistemas fotovoltaicos (PV) que são mais baratos, mais confiáveis e mais eficientes — benefícios que chegam, em última instância, a residências, empresas e à rede elétrica.

Por que os painéis solares precisam de um “gêmeo digital”

Por trás de todo módulo PV físico há um representante matemático — um modelo — que prevê quanta corrente e tensão o painel entregará sob diferentes condições, como temperatura e radiação. Esses modelos são vitais para planejar usinas solares, rastrear o ponto de operação ideal e diagnosticar falhas sem sondar constantemente o hardware. Mas os modelos têm vários parâmetros ocultos, como resistências internas e correntes de diodos, que não podem ser medidos diretamente. Em vez disso, eles devem ser inferidos a partir de medições reais de corrente–tensão. Como as relações dentro do modelo são altamente não lineares e contêm muitas armadilhas locais, encontrar os valores corretos dos parâmetros é um problema de busca difícil, especialmente para modelos mais detalhados, como o modelo de duplo diodo ou modelos completos de módulos PV.

De buscas inspiradas na natureza a buscas inspiradas no cérebro

Na última década, engenheiros recorreram aos chamados algoritmos metaheurísticos — métodos de busca inspirados no comportamento animal, na física ou em outros processos naturais — para estimar parâmetros PV. Técnicas baseadas em baleias, morcegos, predadores marinhos, ensino–aprendizado em sala de aula e muitas outras mostraram potencial porque equilibram a exploração do espaço de busca com o refinamento em torno de boas soluções. Em paralelo, redes neurais artificiais transformaram áreas como reconhecimento de imagens e robótica. Sua estrutura e comportamento de aprendizagem também inspiraram novos métodos de otimização. Um desses métodos é o Algoritmo de Rede Neural (NNA), uma metaheurística que imita redes neurais de feedback e possui forte capacidade de busca global, mas tende a ficar presa em óptimos locais quando o problema é muito complexo.

Um Algoritmo de Rede Neural Aprimorado

Os autores propõem um Algoritmo de Rede Neural Aprimorado, ou ENNA, projetado especificamente para superar as fraquezas do NNA. O ENNA adiciona dois ingredientes-chave. Primeiro, um operador de perturbação injeta aleatoriedade controlada baseada na distribuição normal (em forma de sino) e nas diferenças entre vários candidatos; isso sacode a busca de becos sem saída sem perder o que já foi aprendido. Segundo, um operador de elite permite que cada candidato aprenda tanto com a melhor solução encontrada até o momento quanto com a posição média de toda a população, usando uma matriz de crossover para misturar essas influências. Além disso, o ENNA usa três estratégias de movimento diferentes que alternam entre seguir o melhor atual, revisitar populações históricas e saltar em direção à mistura de elite. Ao contrário do NNA original, o ENNA mantém as chances de movimentos globais e ajustes locais em um equilíbrio melhor ao longo da execução.

Testando o ENNA

Para demonstrar que o ENNA não é apenas inteligente na teoria, os pesquisadores primeiro o desafiaram com 52 funções de referência exigentes retiradas de suítes internacionais de testes de otimização. Essas funções são amplamente usadas para comparar algoritmos e incluem paisagens simples, acidentadas e compostas com muitas armadilhas locais. Nesses testes, o ENNA consistentemente ficou entre os melhores quando comparado a dez concorrentes fortes, incluindo evolução diferencial, equilibrador de otimização, otimização inspirada em baleias e variantes avançadas do NNA. O ENNA obteve a melhor solução média ou empate para a melhor em cerca de 80% das funções, e testes estatísticos confirmaram que essas melhorias não foram fruto do acaso.

Modelos mais precisos para hardware solar real

O ganho real ocorre quando o ENNA é aplicado à extração prática de parâmetros PV. A equipe usou dados medidos de corrente–tensão de uma célula solar de silício comercial e de um módulo PV de 36 células. Eles ajustaram três tipos de modelos: o amplamente usado modelo de diodo único, o modelo mais detalhado de duplo diodo e um modelo completo de módulo que considera conexões em série e paralelo das células. Em todos os casos, o ENNA alcançou erros quadráticos médios muito baixos entre as curvas medidas e simuladas — cerca de 0,00099 para os modelos de diodo único e duplo, e 0,00243 para o módulo — superando ou igualando algoritmos de ponta de estudos anteriores. As curvas ajustadas praticamente coincidem com os dados experimentais, indicando que os parâmetros internos encontrados pelo ENNA fornecem um “gêmeo digital” muito fiel dos dispositivos reais.

O que isso significa para os sistemas solares do futuro

Para não especialistas, a conclusão é que o ENNA oferece uma forma mais confiável e repetível de ajustar os modelos matemáticos que sustentam o projeto e o controle da energia solar. Quando esses modelos são mais precisos, os engenheiros podem prever melhor como os painéis se comportarão, localizar o ponto de máxima potência com mais precisão e avaliar novas configurações ou materiais com maior confiança. Embora o ENNA seja computacionalmente mais pesado do que alguns métodos mais simples, sua forte capacidade de busca e a ausência de muitos parâmetros de ajuste o tornam uma ferramenta geral atraente para problemas de engenharia complexos, desde fazendas solares mais inteligentes hoje até outros desafios de energia e otimização no futuro.

Citação: 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

Palavras-chave: energia solar, modelos fotovoltaicos, algoritmos de otimização, métodos de rede neural, estimação de parâmetros