Использование искусственных нейронных сетей для точного определения параметров солнечной PV-системы: излучение, температура и MPPT

Более умная солнечная энергия для повседневной жизни

Солнечные панели теперь устанавливают на крышах, фермах и даже в автомобильных стоянках, но получить от них максимум электроэнергии сложнее, чем кажется. Солнечный свет и температура постоянно меняются, а традиционные схемы управления могут работать медленно и неэффективно. В этом исследовании показано, как искусственные нейронные сети — вычислительные системы, вдохновлённые работой мозга — помогают панелям автоматически извлекать почти каждый возможный ватт мощности, при этом используя меньше датчиков и более дешёвое оборудование.

Почему солнце и тепло делают солнечную энергию нестабильной

Солнечные панели максимально эффективны в определённой рабочей точке, где напряжение и ток дают наибольшую мощность. Эта «золотая» точка меняется в течение дня по мере прохода облаков, изменения угла солнца и нагрева панелей. Обычные контроллеры ищут эту точку, слегка повышая и понижая рабочее напряжение и наблюдая за изменением мощности. Эти методы просты, но часто переразгоняются, требуют времени для установления и тратят энергию из‑за постоянных колебаний вокруг истинной точки максимальной мощности вместо того, чтобы зафиксироваться на ней.

Сокращение числа датчиков без потери понимания

Чтобы точно отслеживать лучшую рабочую точку, инженеры традиционно измеряют, сколько солнечного света попадает на панель, и какова температура ячеек, используя пиронометр и температурные зонды. Эти приборы увеличивают стоимость, усложняют систему и требуют обслуживания — особенно в больших солнечных фермах. Исследователи предлагают первую нейронную сеть, которая полностью отказывается от этих специализированных датчиков. Вместо этого она смотрит только на два базовых электрических измерения с одной эталонной панели: напряжение холостого хода и ток короткого замыкания. По этим величинам сеть учится выводить, насколько ярко солнце и насколько нагрелась панель, даже при быстро меняющейся погоде.

Пусть сеть управляет силовым преобразователем

После оценки освещённости и температуры следующая задача — управлять силовой электроникой так, чтобы панели работали точно в точке максимальной мощности. Здесь вступает в работу вторая нейронная сеть. Она получает на входе оценённые значения освещённости и температуры и выдаёт оптимальную установку «рабочего цикла» для DC–DC-преобразователя, соединяющего панели с нагрузкой. Этот рабочий цикл определяет, как преобразователь повышает напряжение панели и формирует поток тока. Обученная на подробных моделях и симуляциях системы сеть может почти мгновенно переходить к лучшей настройке вместо медленного поиска.

Тестирование под реальным небом

Команда проверила их двухэтапный подход в компьютерных моделях и в полевых экспериментах. Сети сначала обучали и тестировали на данных из спецификаций панелей, затем — на реальных погодных записях из солнечного прибрежного города Хургада в Египте. Наконец, были собраны аппаратные установки в помещении с программируемыми источниками питания, имитирующими панели, и на открытом воздухе с тремя реальными солнечными модулями. Во всех случаях система на основе нейронных сетей оценивала освещённость и температуру значительно точнее традиционных формул и управляла преобразователем так, чтобы извлекать почти всю доступную энергию, с очень небольшими пульсациями напряжения и тока и временем отклика в доли тысячных секунды.

Что это значит для будущей солнечной энергетики

Для неспециалиста результат можно представить как придание солнечным панелям некого «умного чувства» их окружения. Полагаясь на быстро обучающиеся алгоритмы вместо множества физических датчиков и управления методом проб и ошибок, система превращает меняющуюся погоду из проблемы в условие, к которому она способна быстро адаптироваться. Исследование показывает, что при аккуратно обученных нейронных сетях солнечная установка может достигать близких к 100% теоретической производительности, оставаясь при этом простой и относительно недорогой. По мере распространения этих идей на крупные солнечные электростанции, системы, подключённые к сети, и более совершенные модели машинного обучения, они обещают более чистую, более надёжную и более доступную солнечную электроэнергию.

Цитирование: 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

Ключевые слова: солнечная энергия, фотоэлектрические системы, нейронные сети, слежение за точкой максимальной мощности, управление возобновляемой энергетикой