En förbättrad neuralt nätverksalgoritm och dess tillämpningar för numerisk optimering och parameterutdragning av fotovoltaiska modeller

Smartare solkraft för vardagen

Solpaneler blir allt vanligare på tak och i fält världen över, men att få ut maximal elektricitet ur varje solstråle är fortfarande en utmaning. Denna artikel presenterar en ny datorteknik som hjälper ingenjörer att bygga mer precisa virtuella modeller av solpaneler. Med bättre modeller kan de utforma och styra fotovoltaiska (PV) system som är billigare, mer tillförlitliga och effektivare—fördelar som i slutändan når hushåll, företag och elnätet.

Varför solpaneler behöver en ”digital tvilling”

Bakom varje fysisk PV‑modul finns en matematisk motsvarighet—en modell—som förutspår hur mycket ström och spänning panelen levererar under olika förhållanden, såsom temperatur och solljus. Dessa modeller är avgörande för planering av solfält, att spåra bästa driftpunkt och för att diagnostisera fel utan att ständigt prova hårdvaran. Men modellerna innehåller flera dolda parametrar, som interna resistanser och diodströmmar, som inte kan mätas direkt. Istället måste de härledas från verkliga ström‑spänningsmätningar. Eftersom relationerna i modellen är starkt icke‑linjära och innehåller många lokala fallgropar är det en svår sökuppgift att hitta rätt parametervärden, särskilt för mer detaljerade modeller som dubbeldiodmodellen eller fullständiga PV‑modulmodeller.

Från naturinspirerad sökning till hjärninspirerad sökning

Under det senaste decenniet har ingenjörer vänt sig till så kallade metaheuristiska algoritmer—sökmetoder inspirerade av djurbeteenden, fysik eller andra naturliga processer—för att uppskatta PV‑parametrar. Tekniker baserade på valar, fladdermöss, marina rovdjur, undervisning–inlärning i klassrum och många fler har visat lovande resultat eftersom de balanserar utforskning av sökutrymmet med finslipning kring bra lösningar. Parallellt har artificiella neurala nätverk transformerat områden som bildigenkänning och robotik. Deras struktur och lärbeteende har också inspirerat nya optimeringsmetoder. En sådan metod är Neural Network Algorithm (NNA), en metaheuristik som efterliknar återkopplade neurala nätverk och har stark global sökförmåga, men som tenderar att fastna i lokala optima när problemet är mycket komplext.

En förbättrad neuralt nätverksalgoritm

Författarna föreslår en Enhanced Neural Network Algorithm, eller ENNA, framtagen särskilt för att övervinna NNA:s svagheter. ENNA lägger till två nyckelingredienser. För det första injicerar en perturbationsoperator kontrollerad slump baserad på normalfördelningen (klockformad) och på skillnader mellan flera kandidatlösningar; detta får sökningen att lossna från återvändsgränder utan att förlora det som redan lärts. För det andra låter en elite‑operator varje kandidat lära från både den bästa hittills funna lösningen och populationens genomsnittliga position, med en crossovermatris som blandar dessa influenser. Utöver detta använder ENNA tre olika rörelsestrategier som alternerar mellan att följa den nuvarande bästa, återbesöka historiska populationer och hoppa mot den elitblandningen. Till skillnad från ursprungliga NNA behåller ENNA en bättre balans mellan globala flytt och lokala finjusteringar under hela körningen.

Sätta ENNA på prov

För att visa att ENNA inte bara är teoretiskt smart utmanade forskarna den först med 52 krävande benchmarkfunktioner hämtade från internationella testsviter för optimering. Dessa funktioner används i stor utsträckning för att jämföra algoritmer och inkluderar enkla, skrovliga och sammansatta landskap med många lokala fallgropar. I dessa tester placerade sig ENNA konsekvent i topp eller nära toppen jämfört med tio starka konkurrenter, inklusive differential evolution, equilibrium optimizer, whale optimization och avancerade NNA‑varianter. ENNA uppnådde antingen bästa genomsnittliga lösning eller delade förstaplatsen för ungefär 80 procent av funktionerna, och statistiska tester bekräftade att förbättringarna inte berodde på slumpen.

Skarpare modeller för verklig solhårdvara

Den verkliga nyttan framträder när ENNA används för praktisk PV‑parameterutdragning. Teamet använde uppmätta ström‑spänningsdata från en kommersiell kisel‑solcell och från en PV‑modul med 36 celler. De anpassade tre modelltyper: den allmänt använda enkel‑diodmodellen, den mer detaljerade dubbel‑diodmodellen och en full modulmodell som tar hänsyn till serie‑ och parallellkopplingar av celler. I samtliga fall uppnådde ENNA extremt låga root‑mean‑square‑fel mellan de uppmätta och simulerade kurvorna—ungefär 0,00099 för enkel‑diod‑ och dubbel‑diodmodellerna och 0,00243 för modulmodellen—och slog eller matchade ledande state‑of‑the‑art‑algoritmer från tidigare studier. De anpassade kurvorna överlappar nästan de experimentella data, vilket visar att de interna parametrar som hittats av ENNA ger en mycket trogen ”digital tvilling” av de verkliga enheterna.

Vad detta betyder för framtidens solsystem

För icke‑specialister är slutsatsen att ENNA erbjuder ett mer pålitligt och upprepbart sätt att finjustera de matematiska modeller som ligger till grund för solkraftsdesign och styrning. När dessa modeller är mer exakta kan ingenjörer bättre förutsäga hur paneler kommer att bete sig, lokalisera maximal effektpunkt mer precist och utvärdera nya layouter eller material med större säkerhet. Även om ENNA är beräkningsmässigt tyngre än vissa enklare metoder, gör dess starka sökförmåga och brist på extra inställningsparametrar den till ett attraktivt allmänt verktyg för komplexa ingenjörsproblem, från smartare solfält idag till andra energi‑ och optimeringsutmaningar i framtiden.

Citering: 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

Nyckelord: solenergi, fotovoltaiska modeller, optimeringsalgoritmer, neurala nätverksmetoder, parameterestimering