Energieffektivisering av PV-system under partiell skuggning med olika MPPT‑metoder

Varför smartare solpaneler spelar roll

Takmonterade och storskaliga solpaneler blir en av de främsta källorna för att driva hem, städer och till och med sjukhus. Men i verkligheten blir paneler ofta delvis skuggade av moln, närliggande byggnader eller smuts, vilket tyst äter upp hur mycket energi de genererar. Denna artikel undersöker hur "intelligenta" styrmetoder — med hjälp av artificiell intelligens — kan hjälpa solanläggningar att pressa ut nästan varje möjlig watt, även under knepiga och ständigt föränderliga förhållanden.

Det dolda problemet med ojämnt solljus

Solpaneler beter sig inte på ett enkelt, linjärt sätt: när deras spänning ändras följer den producerade effekten en kurva som ofta är krökt och skrovlig. Under idealiska, fullsoliga förhållanden har denna kurva en enda tydlig topp — punkten där systemet levererar maximal effekt. Vid partiell skuggning kan flera mindre toppar dyka upp. Standardregulatorer kan då låsa sig vid en av dessa "falska" toppar istället för den verkliga globala maximumpunkten, vilket slösar 5–15 % av potentiell energi eller mer. Temperaturvariationer lägger ytterligare komplexitet genom att ständigt flytta var maximal effektpunkt ligger. Med en global solkapacitet redan över 630 gigawatt och väntad mer än fördubbling till 2030 innebär dessa dolda förluster stora uteblivna besparingar och onödiga infrastrukturkostnader.

Hur solsystem söker efter den bästa punkten

För att hålla panelerna vid sin bästa driftpunkt använder solsystem MPPT‑regulatorer (maximum power point tracking). Traditionella metoder, såsom perturb‑and‑observe (P&O) eller inkrementell konduktans, skjuter driftspänningen upp eller ner och observerar om effekten stiger eller sjunker. Dessa metoder är enkla och billiga, men har nackdelar: de kan vara långsamma att reagera på snabba väderförändringar, de tenderar att jittera runt optimum istället för att stabilisera, och vid partiell skuggning kan de förväxla en lokal knöl i kurvan med det verkliga optimum. I stora, nätanslutna eller fristående system påverkar denna ineffektivitet inte bara energiskörden utan också storleken på batterier och reservgeneratorer som planerare måste installera.

Lära styrenheter att "känna igen" bästa punkten

Författarna föreslår två smartare MPPT‑styrningar baserade på artificiella neurala nätverk (ANN) och ett adaptivt neuro‑fuzzy inferenssystem (ANFIS). Istället för att blint pröva sig fram tränas dessa regulatorer att känna igen mönster i hur panelernas effekt och spänning förändras. De använder två enkla signaler: hur effekten förändras då spänningen ändras, och hur snabbt spänningen själv förändras över tiden. Utifrån dessa förutser AI i ett enda steg vilken styråtgärd DC–DC‑omvandlaren bör ta för att hamna nära den verkliga maximala effektpunkten. Träningsdata kommer från detaljerade datorsimuleringar där en förfinad version av den konventionella P&O‑metoden först hittar den exakta bästa punkten. AI:n lär sig sedan en direkt mappning från det observerade beteendet hos panelerna till rätt styrsignal, utan att kopiera den äldre algoritmens begränsningar.

Sätta intelligent styrning på prov

Med en simulerad solmatris utsatt för realistiska svängningar i solljus och temperatur jämförde forskarna sina ANN‑ och ANFIS‑styrningar med den standardmässiga P&O‑metoden. Under enhetligt solljus drev båda AI‑baserade regulatorerna snabbt systemet nära det teoretiska maximumet, där det neurala nätverksstyrsystemet nådde cirka 99,5 % av bästa möjliga effekt och ANFIS‑styrningen cirka 99,75 %. De gjorde detta ungefär fyra till sex gånger snabbare än P&O och med mycket mindre "vickande" i spänning, ström och omvandlarens styrsignal, vilket gav jämnare och mer stabil kraft. Vid partiell skuggning — där flera konkurrerande toppar uppstår i effektkurvan — blev fördelen ännu tydligare. Den konventionella regulatorn fastnade ofta på en mindre topp, medan båda AI‑styrningarna hittade den globala maximumpunkten och levererade ungefär 35 % mer effekt än P&O i det testade skuggningsfallet. Viktigt är att dessa vinster krävde mycket låg beräkningsinsats: varje styrsteg kunde beräknas på mindre än 0,2 millisekunder, vilket gör metoderna lämpliga för lågkostnadshårdvara.

Vad detta betyder för framtidens solkraft

För icke‑specialister är huvudpoängen enkel: smartare styrelektronik kan förvandla samma solpaneler till en märkbart mer produktiv kraftkälla, särskilt när förhållandena är mindre än perfekta. Genom att använda kompakta AI‑modeller som reagerar snabbt och undviker att fastna i falska toppar hjälper de föreslagna ANN‑ och ANFIS‑styrningarna paneler att samla in nästan all tillgänglig energi, minska slitaget på kraftelektroniken och sänka kostnaden för solkraft över systemets livstid. Av de två ligger ANFIS‑ansatsen något före vad gäller noggrannhet och jämnhet, medan ANN är nästan lika effektiv och något enklare. Tillsammans visar de hur en måttlig dos artificiell intelligens i växelriktaren kan göra solenergi mer pålitlig, prisvärd och attraktiv för både hem och storskaliga projekt.

Citering: Benabdallah, N., Belabbas, B., Tahri, A. et al. Energy optimization of PV systems under partial shading conditions using various technique-based MPPT methods. Sci Rep 16, 5128 (2026). https://doi.org/10.1038/s41598-026-36117-w

Nyckelord: solenergi, fotovoltaiska system, spårning av maximal effektpunkt, styrning med artificiell intelligens, partiell skuggning