Utnyttja artificiella neurala nätverk för exakt bestämning av PV-systemparametrar: bestrålning, temperatur och MPPT

Smartare solkraft för vardagen

Solpaneler finns idag på tak, gårdar och till och med i parkeringsplatser, men att få ut maximal elektricitet ur dem är svårare än det ser ut. Solljus och temperatur förändras hela tiden, och traditionella styrkretsar kan vara långsamma och slösa energi. Denna studie visar hur artificiella neurala nätverk — datasystem inspirerade av hjärnan — kan hjälpa solpaneler att automatiskt pressa ut nästan varje möjlig watt effekt, samtidigt som färre sensorer och billigare hårdvara används.

Varför sol och värme gör solkraft ostadig

Solpaneler fungerar bäst vid en viss driftpunkt där spänning och ström kombineras för att ge maximal effekt. Denna optimala punkt förflyttar sig under dagen när moln passerar, solens vinkel ändras och panelerna blir varma. Konventionella regulatorer söker den punkten genom att skjuta driftspänningen upp och ner och se hur effekten reagerar. Dessa metoder är enkla men överskjuter ofta, tar tid att stabilisera och slösar energi genom att ständigt oscillera runt istället för att låsa sig på den verkliga maximala effektpunkten.

Minska sensorer utan att förlora insikt

För att noggrant spåra bästa driftpunkt mäter ingenjörer traditionellt hur mycket solljus som träffar panelen och hur varma cellerna är, med en ljussensor (pyranometer) och temperaturgivare. Dessa instrument ökar kostnad, komplexitet och underhållsbehov — särskilt i stora solparker. Forskarna föreslår ett första neuralt nätverk som helt hoppar över dessa dedikerade sensorer. I stället tittar det endast på två grundläggande elektriska mätvärden från en referenspanel: öppenkrets-spänningen och kortslutningsströmmen. Utifrån dessa värden lär sig nätverket att härleda hur starkt solen lyser och hur varm panelen blivit, även vid snabbt skiftande väder.

Låt nätverket styra effektomvandlaren

När bestrålning och temperatur väl är uppskattade är nästa utmaning att styra kraftelektroniken så att panelerna arbetar exakt vid sin maximala effektpunkt. Här tar ett andra neuralt nätverk över. Det tar de uppskattade bestrålnings- och temperaturvärdena som ingångar och ger ut den optimala "duty cycle"-inställningen för DC–DC-omvandlaren som kopplar panelerna till lasten. Denna duty cycle bestämmer hur omvandlaren höjer panelspänningen och formar strömmen. Genom att lära sig direkt från detaljerade simuleringar av solsystemet kan nätverket hoppa nästan omedelbart till den bästa inställningen istället för att långsamt söka efter den.

Testning under verkliga himlar

Teamet utsatte sitt tvåstegs tillvägagångssätt för en uppsättning datorsimuleringar och verkliga experiment. De tränade och testade först nätverken med data från panelspecifikationer och sedan med faktiska väderregister från den soliga kuststaden Hurghada i Egypten. Slutligen byggde de hårdvaruuppsättningar både inomhus, där programmerbara nätaggregat efterliknade paneler, och utomhus, med tre riktiga solmoduler. I samtliga fall uppskattade neurala nätverkssystemet bestrålning och temperatur mycket mer exakt än traditionella formler och drev effektomvandlaren för att utvinna nästan all tillgänglig energi, med mycket små störningar i spänning och ström och responstider på bara några tusendels sekunder.

Vad detta betyder för framtidens solkraft

För en icke-specialist kan resultatet betraktas som att ge solpaneler en slags "smart känsla" för sin omgivning. Genom att förlita sig på snabblärande algoritmer istället för många fysiska sensorer och trial-and-error-styrning förvandlar systemet förändrande väder från ett problem till något det snabbt kan anpassa sig till. Studien visar att med noggrant tränade neurala nätverk kan en solinstallation nå nära 100 % av sin teoretiska effektskapacitet samtidigt som den förblir enkel och relativt kostnadseffektiv. När dessa idéer utvidgas till större solkraftverk, nätanslutna system och mer avancerade maskininlärningsmodeller lovar de renare, mer pålitlig och mer prisvärd solenergi.

Citering: 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

Nyckelord: solenergi, fotovoltaiska system, neuronätverk, maximal effektspårning, styrning av förnybar energi