Сравнительный анализ неглубоких и гибридных глубоких моделей машинного обучения для прогнозирования эффективности охлаждения фотовольтаических панелей с наножидкостями на различных материалах

Почему важно держать солнечные панели в прохладе

Солнечные панели работают эффективнее при более низкой температуре, но под сильным солнцем их температура может резко повышаться, незаметно уменьшив вырабатываемую электроэнергию. Для домовладельцев, энергокомпаний и всех, кто рассчитывает на чистую энергию, такое снижение производительности означает меньше киловатт‑часов, чем ожидается. В этом исследовании рассмотрен новый подход к охлаждению панелей: прокачивание специальных «наножидкостей» за панелью и использование искусственного интеллекта для прогнозирования эффективности такого охлаждения. Цель — сократить число медленных и дорогих уличных экспериментов, при этом сохранять высокий КПД солнечной генерации в реальных условиях жары.

Как крошечные частицы помогают горячим панелям

Обычные солнечные панели просто нагреваются на солнце, а это снижает их отдачу примерно на полпроцента на каждый градус Цельсия повышения температуры. Один из способов борьбы с этим — активное охлаждение панели с помощью тонкой сети трубок, прикреплённых к её задней поверхности. В такой схеме через трубки прокачивается жидкость, которая отводит тепло. Вместо чистой воды исследователи испытали наножидкости: воду, содержащую чрезвычайно мелкие частицы оксида алюминия (Al₂O₃) или диоксида титана (TiO₂) при очень низких объёмных долях (0,01%, 0,1% и 1%). Эти наночастицы могут улучшить способность жидкости захватывать и переносить тепло, потенциально поддерживая панель более прохладной и эффективной, чем вода в одиночку.

Полевые испытания в реальных условиях с семью охладителями

Команда установила две идентичные 50‑ваттные солнечные панели на территории университета в жарком и сухом регионе Турции. Одна панель была оснащена медными трубками и ребрами на задней стороне для охлаждения, а другая оставалась необслуживаемой в качестве эталона. Насос прокачивал либо воду, либо одну из шести смесей наножидкостей с фиксированной скоростью потока через охлаждающие каналы. В течение нескольких дней данные снимались каждые 30 минут в течение шести часов за сессию, что давало по 13 точек данных на каждый охладитель. Для каждого прогона фиксировали солнечную радиацию, скорость ветра, температуру воздуха, температуры поверхности панели в нескольких точках, температуры жидкости на входе и выходе, а также электрическое напряжение и ток как у охлаждаемой, так и у неохлаждаемой панели. На их основе рассчитывали, насколько система охлаждения улучшала электрическую эффективность панели.

Обучение алгоритмов взамен экспериментов

Поскольку повторение полноценных дневных полевых испытаний для каждого нового охладителя или условий работы медленно и трудоёмко, авторы обучили компьютерные модели выявлять связь между измеренными условиями и полученной эффективностью охлаждения. Они испытали несколько относительно простых подходов — байесовскую гребневую регрессию (Bayesian Ridge), регрессию на опорных векторах (SVR) и случайные леса — наряду с более продвинутой гибридной моделью глубокого обучения, сочетающей сверточные нейронные сети (CNN) и блоки с долгой краткосрочной памятью (LSTM). Более простые «неглубокие» модели рассматривали каждый момент измерения отдельно, тогда как модель CNN+LSTM также учитывала изменения значений во времени, улавливая краткосрочные колебания освещённости и температуры.

Что модели узнали о производительности охлаждения

По всем семи жидкостям байесовская гребневая регрессия последовательно давала точные прогнозы, с небольшими ошибками между предсказанными и измеренными значениями и с высокими показателями согласия. Гибридная модель CNN+LSTM ещё более повысила точность для некоторых материалов, достигнув очень низких уровней ошибки и объясняя почти всю вариацию в эффективности охлаждения. Чтобы раскрыть «чёрные ящики» этих моделей, исследователи применили метод SHAP, который оценивает вклад каждого входного фактора в предсказание. Анализ показал, что основными драйверами эффективности охлаждения являются температура окружающей среды, солнечная радиация и электрическая отдача охлаждаемой панели (напряжение и ток), тогда как скорость ветра и некоторые детальные показания температур поверхности вносили гораздо меньший вклад.

Что это значит для будущих солнечных систем

Проще говоря, исследование показывает, что грамотно подобранные модели машинного обучения могут надёжно прогнозировать, какую пользу вы получите от активного охлаждения солнечной панели водой или наножидкостями, используя лишь умеренное количество экспериментальных данных. Вместо того чтобы каждый раз проводить новые полнослонные тесты при изменении рецептуры охладителя, концентрации или погодных условий, инженеры могут опираться на эти обученные модели для быстрого изучения сценариев «что если». Работа также подчёркивает, что несколько ключевых измерений — насколько жаркий день, насколько сильное солнечное излучение и как панель работает электрически при охлаждении — несут большую часть необходимой информации. Хотя авторы отмечают, что нужны более крупные и разнообразные наборы данных, прежде чем такие инструменты можно будет применять повсеместно и в масштабах, их результаты указывают на более умное проектирование и управление охлаждаемыми солнечными панелями, позволяющее получать больше чистой электроэнергии из того же солнечного потока.

Цитирование: 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

Ключевые слова: охлаждение солнечных панелей, наножидкости, эффективность фотоэлектрических панелей, машинное обучение, глубокое обучение