Оптимизированная оценка параметров моделей солнечных ФЭМ с использованием улучшённого алгоритма краснохвостого ястреба

Более разумная солнечная энергия для повседневной жизни

Солнечные панели всё чаще встречаются на крышах и в полях, но получить максимум электроэнергии от каждого луча по‑прежнему требует математической ловкости. В этом исследовании предложен новый вычислительный метод, вдохновлённый охотничьим стилем краснохвостых ястребов, который помогает инженерам гораздо точнее описывать поведение солнечных панелей. Лучше описанные модели означают более качественную разработку, управление и прогнозирование солнечной генерации в реальных условиях.

Почему солнечным панелям нужны лучшие «карты»

За каждой солнечной панелью скрыта невидимая карта, связывающая солнечную радиацию и температуру с величинами тока и напряжения, которые может выдать панель. Инженеры строят эти карты с помощью электрических «эквивалентных схем», часто представленных в виде одно-, двух- или трёхдиодных моделей с несколькими резисторами. В теории такие схемы способны имитировать реальное поведение солнечного элемента при изменении погоды. На практике же они работают хорошо только если небольшая группа внутренних параметров — такие как токи, сопротивления и коэффициенты идеальности — настроены верно. Небольшая ошибка в этих числах может ввести в заблуждение проектировщиков относительно выработки панели за день, сезон или весь срок службы солнечной электростанции.

От традиционной настройки к поиску, вдохновлённому природой

Настройка этих внутренних параметров представляет собой задачу оптимизации: компьютер подбирает параметры до тех пор, пока смоделированный выход панели не станет как можно ближе к измерениям с реального оборудования. Старые «детерминированные» методы могут быть быстрыми, но часто застревают в локальных оптимумах или требуют аккуратно ведённых уравнений. За последнее десятилетие для этой задачи всё чаще применяют так называемые метаэвристические методы — алгоритмы, вдохновлённые поведением животных, стай или физическими процессами. Они широко исследуют пространство возможных значений параметров, жертвуя гарантированной оптимальностью ради надёжных, близких к лучшим решений на шумных реальных задачах. В то же время теория оптимизации показывает, что не существует единого метода, выигрывающего во всём, поэтому исследователи продолжают искать более умные и гибкие стратегии поиска.

Как работает идея краснохвостого ястреба

Авторы опираются на существующий алгоритм, моделирующий поведение краснохвостых ястребов: они высоко парят, чтобы разведать местность, затем закручиваются ниже и, наконец, резко пикируют на добычу. В улучшенной версии, названной IRTHA, «ястребы» — это пробные наборы параметров, летающие по пространству поиска. На стадии высокого парения они широко исследуют пространство, делая случайные длинные шаги, описываемые законом Леви. Переходная функция, усиленная нелинейным затуханием и хаотическим отображением, постепенно уменьшает длину шагов, делая поиск более сфокусированным со временем. На стадии низкого парения ястребы движутся по спиралям к перспективным регионам, а в финальной стадии пикирования они агрессивно сужают поиск вокруг наилучшего найденного решения. Метод также использует классический шаг Ньютона–Рафсона на локальном уровне, обеспечивая точную доработку, когда ястребы уже близки к хорошему ответу.

Тестирование на реальных солнечных элементах и модулях

Чтобы понять, насколько эта птицеобразная стратегия эффективна на практике, команда опробовала IRTHA на ряде широко изучаемых солнечных устройств. В экспериментах использовали эталонную лабораторную ячейку (RTC France), моделируемую с помощью одно-, двух- и трёхдиодных схем, а также несколько коммерческих модулей, таких как Photowatt‑PWP201, тонкоплёночный PVM‑752 и кристаллические модули STM6 40/36 и STP6 120/36. Для каждого устройства алгоритму подавали измеренные характеристики ток–напряжение и просили найти внутренние параметры, которые лучше всего воспроизводят эти кривые. IRTHA сравнивали с десятью другими современными метаэвристическими методами — от серых волков и пеликанов до гиппопотамов и коати — а также с множеством продвинутых техник из недавней литературы.

Доказательства более точных моделей солнечных устройств

Ключевой метрикой сравнения была среднеквадратичная ошибка (RMSE), суммирующая расхождения моделируемых токов и мощностей с измерениями. По всем ячейкам и модулям IRTHA последовательно достигал наименьших или близких к наименьшим значений ошибки, часто опережая конкурентов с заметным отрывом. В нескольких случаях среднее несоответствие между измеренным и смоделированным током оказалось существенно ниже одной тысячной ампера. Графики сходимости показали, что IRTHA не только находил лучшие приближения, но делал это стабильно и надёжно, тогда как некоторые соперники колебались или преждевременно выходили на плато. Боксплоты и радиальные диаграммы подтвердили небольшую вариативность между прогонками, а непараметрические статистические тесты (Фридмана и критерий Вилкоксона) поместили IRTHA в число лидеров для всех случаев. Хотя алгоритм требовал несколько большего вычислительного времени по сравнению с более простыми методами, дополнительные затраты оправдывались явным преимуществом в точности.

Что это значит для будущего солнечной энергетики

Для неспециалиста главное заключение в том, что авторы предложили более надёжный способ «откалибровать мерную линейку», используемую для измерения и прогнозирования работы солнечных панелей. Точная настройка внутренних моделей различных типов солнечных элементов с помощью улучшенного алгоритма краснохвостого ястреба помогает конструкторам систем точнее оценивать выработку, отслеживать оптимальную рабочую точку при меняющейся погоде и раньше обнаруживать неисправности или деградацию. По мере распространения солнечной генерации и роста зависимости сетей от неё такие точные инструменты моделирования становятся всё более ценными. Исследование показывает, что натуралистически вдохновлённые стратегии поиска, при их продуманной доработке, могут играть практическую роль в повышении эффективности и «разумности» возобновляемых энергетических систем.

Цитирование: Sharma, P., Ajay Rathod, A., Shukla, S. et al. Optimized parameter estimation of solar PV models using an improved red-tailed hawk algorithm. Sci Rep 16, 14016 (2026). https://doi.org/10.1038/s41598-026-42400-7

Ключевые слова: солнечная фотоэлектрика, алгоритмы оптимизации, метаэвристики, моделирование возобновляемой энергии, оценка параметров