Усовершенствованный алгоритм нейронной сети и его применения для численной оптимизации и извлечения параметров фотогальванических моделей

Умный солнечный энергообеспечение для повседневной жизни

Солнечные панели всё чаще появляются на крышах и в полях по всему миру, но получить максимум электроэнергии от каждого луча солнца по‑прежнему нелегко. В этой статье представлена новая вычислительная техника, помогающая инженерам создавать более точные виртуальные модели солнечных панелей. С лучшими моделями можно проектировать и управлять фотоэлектрическими (PV) системами, которые будут дешевле, надёжнее и эффективнее — преимущества, доходящие в конечном счёте до домовладельцев, предприятий и энергосетей.

Почему солнечным панелям нужен «цифровой двойник»

За каждым физическим PV‑модулем стоит математический двойник — модель, предсказывающая, какой ток и напряжение выдаст панель при разных условиях, таких как температура и освещённость. Эти модели необходимы для планирования солнечных ферм, поиска наилучшей рабочей точки и диагностики неисправностей без постоянного вмешательства в аппаратную часть. Но в моделях есть скрытые параметры, например внутренние сопротивления и диодные токи, которые нельзя измерить напрямую. Их приходится выводить по реальным измерениям зависимостей «ток—напряжение». Поскольку внутри модели связи сильно нелинейны и содержат множество локальных ловушек, поиск правильных значений параметров превращается в сложную задачу, особенно для более детализированных моделей, таких как модель с двумя диодами или полные модели PV‑модулей.

От методов, вдохновлённых природой, к методам, вдохновлённым мозгом

За последнее десятилетие инженеры обратились к так называемым метаэвристическим алгоритмам — методам поиска, вдохновлённым поведением животных, физикой или другими природными процессами — для оценки параметров PV. Подходы, основанные на моделях поведения китов, летучих мышей, морских хищников, на концепциях обучения в классе и многих других, показали перспективность, поскольку они сочетают исследование пространства поиска с точной донастройкой вокруг хороших решений. Параллельно искусственные нейронные сети преобразили такие области, как распознавание изображений и робототехника. Их структура и поведение при обучении также вдохновили новые методы оптимизации. Одним из таких методов является алгоритм нейронной сети (NNA) — метаэвристика, имитирующая обратные нейронные сети и обладающая сильными возможностями глобального поиска, но склонная застревать в локальных оптимумах при очень сложных задачах.

Усовершенствованный алгоритм нейронной сети

Авторы предлагают Усовершенствованный алгоритм нейронной сети, или ENNA, специально разработанный для преодоления слабых сторон NNA. ENNA добавляет два ключевых компонента. Во‑первых, оператор возмущения вводит контролируемую случайность, основанную на нормальном (колоколообразном) распределении и на различиях между несколькими кандидатами; это выталкивает поиск из тупиков, не теряя уже накопленной информации. Во‑вторых, элитный оператор позволяет каждому кандидату учиться как у лучшего найденного решения, так и у среднего положения всей популяции, используя матрицу кроссовера для смешивания этих влияний. Кроме того, ENNA применяет три разных стратегии движения, которые чередуются между следованием за текущим лидером, возвращением к историческим популяциям и рывком к элитной смеси. В отличие от оригинального NNA, ENNA лучше балансирует вероятность глобальных перемещений и локальной донастройки на протяжении всего запуска.

Тестирование ENNA

Чтобы показать, что ENNA эффективен не только на словах, исследователи сначала испытали его на 52 требовательных эталонных функциях из международных наборов тестов по оптимизации. Эти функции широко используются для сравнения алгоритмов и включают простые, «грязные» и составные ландшафты с множеством локальных ловушек. По результатам этих тестов ENNA стабильно занимал верхние позиции по сравнению с десятью сильными конкурентами, включая дифференциальную эволюцию, оптимизатор равновесия, оптимизацию по поведению китов и продвинутые варианты NNA. ENNA либо достигал наилучшего среднего решения, либо делил первое место примерно на 80 % функций, а статистические тесты подтвердили, что эти улучшения не случайны.

Более точные модели для реального солнечного оборудования

Реальная ценность проявилась, когда ENNA применили к практическому извлечению параметров PV. Команда использовала измеренные зависимости «ток—напряжение» от коммерческой кремниевой солнечной ячейки и от модуля, состоящего из 36 ячеек. Они подбирали три типа моделей: широко используемую модель с одним диодом, более детальную модель с двумя диодами и полную модель модуля, учитывающую последовательные и параллельные соединения ячеек. Во всех случаях ENNA добивался чрезвычайно малых среднеквадратичных ошибок между измеренными и смоделированными кривыми — примерно 0.00099 для моделей с одним и двумя диодами и 0.00243 для модуля — превосходя или соответствуя лучшим современным алгоритмам из предыдущих работ. Подогнанные кривые практически совпадают с экспериментальными данными, что указывает на то, что внутренние параметры, найденные ENNA, дают очень правдоподобный «цифровой двойник» реальных устройств.

Что это значит для будущих солнечных систем

Для неспециалистов главный вывод таков: ENNA предлагает более надёжный и воспроизводимый способ настройки математических моделей, лежащих в основе проектирования и управления солнечными установками. При более точных моделях инженеры лучше предсказывают поведение панелей, точнее находят точку максимальной мощности и увереннее оценивают новые компоновки или материалы. Хотя ENNA требует больше вычислительных ресурсов, чем некоторые более простые методы, его сильные поисковые способности и отсутствие множества дополнительных параметров настройки делают его привлекательным универсальным инструментом для сложных инженерных задач — от более интеллектуальных солнечных ферм сегодня до других энергетических и оптимизационных задач в будущем.

Цитирование: 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

Ключевые слова: солнечная энергия, фотоэлектрические модели, алгоритмы оптимизации, методы нейронных сетей, оценка параметров