Jämförande analys av grunda och hybrid-djupa inlärningsmodeller för att förutsäga kylningseffektiviteten hos nanofluidkylda fotovoltaiska paneler över flera material

Varför det är viktigt att hålla solpaneler svala

Solpaneler fungerar bäst när de är svala, men under starkt solsken kan deras temperatur stiga kraftigt och tyst försämra hur mycket elektricitet de producerar. För hushåll, nätbolag och alla som satsar på ren energi innebär den här prestandanedgången färre kilowattimmar än väntat. Denna studie undersöker en ny metod för panelkylning: att cirkulera särskilda ”nanofluid” bakom en solpanel och använda artificiell intelligens för att förutsäga hur väl kylningen fungerar. Målet är att minska långsamma, kostsamma fältexperiment samtidigt som man behåller solenergin effektiv under verkliga värmeförhållanden.

Hur små partiklar kan hjälpa varma paneler

Standard-solpaneler står helt enkelt i solen och blir varma, vilket minskar deras effekt med ungefär en halv procent för varje grad Celsius temperaturökning. Ett sätt att motverka detta är att aktivt kyla panelen med ett tunt nätverk av rör fästa på baksidan. I denna uppställning pumpas en vätska genom rören och för bort värme. Istället för att använda enbart vanligt vatten testade forskarna nanofluid: vatten innehållande extremt små partiklar av aluminiumoxid (Al₂O₃) eller titandioxid (TiO₂) vid mycket låga volymfraktioner (0,01 %, 0,1 % och 1 %). Dessa nanopartiklar kan förbättra vätskans förmåga att ta upp och föra bort värme, vilket potentiellt håller panelen svalare och mer effektiv än enbart vatten.

Fälttester i verkliga förhållanden med sju kylmedel

Teamet installerade två identiska 50-watts solpaneler på ett universitetsområde i en het, torr region i Turkiet. Den ena panelen utrustades med kopparrör och fenor på baksidan för kylning, medan den andra lämnades okyld som referens. En pump cirkulerade antingen vatten eller en av sex nanofluidblandningar med en fast flödeshastighet genom kylrören. Under flera dagar samlade de in utomhusmätningar var 30:e minut under sex timmar åt gången, vilket gav 13 datapunkter per kylmedel. För varje körning registrerades solstrålning, vindhastighet, lufttemperatur, panelens yttemperature vid flera punkter, vätskans in- och utloppstemperaturer samt den elektriska spänningen och strömmen från både den kylda och den okylda panelen. Utifrån dessa beräknade de hur mycket kylsystemet förbättrade panelens elektriska verkningsgrad.

Lära algoritmer att ersätta experiment

Eftersom det är långsamt och arbetsintensivt att upprepa heldags fälttester för varje nytt kylmedel eller driftförhållande, tränade författarna datorbaserade modeller för att lära sig sambandet mellan de uppmätta förhållandena och den resulterande kylningseffektiviteten. De prövade flera relativt enkla metoder—Bayesian Ridge-regression, support vector regression och random forests—vid sidan av en mer avancerad hybrid djupinlärningsmodell som kombinerar konvolutionella neurala nätverk (CNN) och long short-term memory (LSTM)-enheter. De enklare ”grunda” modellerna behandlade varje mätögonblick för sig, medan CNN+LSTM-modellen också såg hur värden förändrades över tid och fångade kortsiktiga fluktuationer i solsken och temperatur.

Vad modellerna lärde sig om kylprestanda

Över samtliga sju vätskor levererade Bayesian Ridge-regression konsekvent träffsäkra förutsägelser, med endast små fel mellan förutsagda och uppmätta effektivitetstal och höga överensstämmelsesmått. Den hybrida CNN+LSTM-modellen förbättrade noggrannheten ytterligare för vissa material, nådde mycket låga felnivåer och förklarade nästan all variation i kylprestanda. För att öppna upp dessa ”svarta låda”-modeller använde forskarna en teknik kallad SHAP, som poängsätter hur mycket varje indatafaktor påverkar en förutsägelse. Denna analys visade att omgivningstemperatur, solstrålning och den kylda panelens egen elektriska produktion (spänning och ström) var huvuddrivkrafterna för kylningseffektiviteten, medan vindhastighet och några av de detaljerade yt temperaturavläsningarna bidrog mycket mindre.

Vad detta betyder för framtida solsystem

Enkelt uttryckt visar studien att väl valda maskininlärningsmodeller kan förutsäga pålitligt hur stor nytta du får av att aktivt kyla en solpanel med vatten eller nanofluid, med endast en måttlig mängd experimentdata. Istället för att köra nya heldagstester varje gång ett kylmedelsrecept, koncentration eller vädermönster ändras, kan ingenjörer förlita sig på dessa tränade modeller för att utforska ”tänk om”-scenarier på sekunder. Arbetet lyfter också fram att ett par nyckelmätningar—hur varm dagen är, hur stark solen är och hur den kylda panelen presterar elektriskt—bär största delen av den information som behövs. Författarna påpekar visserligen att större och mer varierade dataset fortfarande krävs innan sådana verktyg kan tillämpas överallt och i alla skalor, men deras resultat pekar mot smartare design och styrning av kylda solpaneler, vilket pressar ut mer ren el ur samma solinstrålning.

Citering: 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

Nyckelord: kylning av solpanel, nanofluid, fotovoltaisk verkningsgrad, maskininlärning, djupinlärning