Geliştirilmiş bir sinir ağı algoritması ve fotovoltaik modellerin sayısal optimizasyonu ile parametre çıkarımı için uygulamaları

Günlük Yaşam için Daha Akıllı Güneş Enerjisi

Güneş panelleri dünyanın çatılarında ve tarlalarında giderek daha yaygın hale geliyor, ancak her güneş ışığı ışınımından mümkün olan maksimum elektriği elde etmek hâlâ zorlu bir süreç. Bu makale mühendislerin güneş panellerinin daha doğru sanal modellerini kurmalarına yardımcı olan yeni bir bilgisayar tekniğini tanıtıyor. Daha iyi modellerle, daha ucuz, daha güvenilir ve daha verimli fotovoltaik (PV) sistemler tasarlayıp kontrol edebilirler — bu faydalar nihayetinde ev sahiplerine, işletmelere ve elektrik şebekesine ulaşır.

Neden Güneş Panellerinin Bir “Dijital İkizi”ne İhtiyacı Var?

Her fiziksel PV modülünün arkasında, panelin sıcaklık ve güneş ışığı gibi farklı koşullar altında ne kadar akım ve gerilim sağlayacağını tahmin eden matematiksel bir vekil —bir model— bulunur. Bu modeller, güneş tarlalarının planlanması, en iyi çalışma noktasının izlenmesi ve donanıma sürekli müdahale etmeden arızaların teşhis edilmesi için hayati önemdedir. Ancak modellerin doğrudan ölçülemeyen iç parametreleri vardır; örneğin iç dirençler ve diyot akımları gibi. Bunlar, gerçek akım‑gerilim ölçümlerinden çıkarılmak zorundadır. Model içindeki ilişkiler yoğun şekilde doğrusal olmayan ve çok sayıda yerel tuzak içerdiğinden, doğru parametre değerlerini bulmak zor bir arama problemidir; bu durum özellikle çift diyotlu model veya tam PV modül modelleri gibi daha ayrıntılı modeller için geçerlidir.

Doğadan Esinlenen Aramalardan Beyinden Esinlenen Aramalara

Son on yılda mühendisler, PV parametrelerini tahmin etmek için balina, yarasa, deniz avcısı, sınıftaki öğretme‑öğrenme gibi hayvan davranışı, fizik veya diğer doğal süreçlerden esinlenen meta sezgisel algoritmalara yöneldiler. Bu teknikler, arama alanını keşfetme ile iyi çözümler etrafında ince ayar yapmayı dengeledikleri için ümit verici oldu. Paralel olarak, yapay sinir ağları görüntü tanıma ve robotik gibi alanları dönüştürdü. Yapıları ve öğrenme davranışları yeni optimizasyon yöntemlerine ilham verdi. Bunlardan biri, geri beslemeli sinir ağlarını taklit eden ve güçlü küresel arama yeteneğine sahip olan ancak problem çok karmaşık olduğunda yerel çözümlere takılma eğilimi gösteren Sinir Ağı Algoritması (NNA)’dır.

Geliştirilmiş Bir Sinir Ağı Algoritması

Yazarlar, NNA’nın zayıf yönlerini aşmak üzere özel olarak tasarlanmış Geliştirilmiş Bir Sinir Ağı Algoritması (ENNA) öneriyorlar. ENNA iki temel bileşen ekliyor. Birincisi, pertürbasyon operatörü kontrollü rastgeleliği normal (çan‑şeklinde) dağılıma ve birkaç aday çözüm arasındaki farklara dayalı olarak enjekte eder; bu, aramayı çıkmazlardan kurtarırken önceden öğrenilenleri kaybetmemeyi sağlar. İkincisi, elit operatörü her adayın şimdiye kadar bulunan en iyi çözümden ve tüm popülasyonun ortalama pozisyonundan öğrenmesine izin verir, bu etkileri karıştırmak için bir çaprazlama matrisi kullanır. Buna ek olarak, ENNA üç farklı hareket stratejisi kullanır ve bunlar; mevcut en iyiyi takip etme, tarihsel popülasyonları yeniden ziyaret etme ve elit karışıma doğru sıçrama arasında dönüşümlü çalışır. Orijinal NNA’nın aksine, ENNA çalışma boyunca küresel hamleler ve yerel ince ayarlar arasındaki dengeleri daha iyi korur.

ENNA’yı Test Etmek

ENNA’nın sadece teoride akıllı olmadığını göstermek için araştırmacılar önce onu uluslararası optimizasyon test paketlerinden alınmış 52 zorlu benchmark fonksiyonuyla sınadılar. Bu fonksiyonlar, algoritmaları karşılaştırmak için yaygın şekilde kullanılır ve çok sayıda yerel tuzak içeren basit, engebeli ve bileşik peyzajları kapsar. Bu testler boyunca ENNA, diferansiyel evrim, denge optimizatörü, balina optimizasyonu ve gelişmiş NNA varyantları da dahil olmak üzere on güçlü rakiple karşılaştırıldığında tutarlı şekilde en üstlerde veya yakınında sıralandı. ENNA, fonksiyonların yaklaşık yüzde 80’inde ya en iyi ortalama çözümü elde etti ya da en iyi ile eşit performans gösterdi ve istatistiksel testler bu iyileşmelerin tesadüfî olmadığını doğruladı.

Gerçek Güneş Donanımı için Daha Keskin Modeller

Asıl kazanç, ENNA gerçek PV parametre çıkarımına uygulandığında ortaya çıkıyor. Ekip, ticari bir silikon güneş hücresinden ve 36 hücreli bir PV modülünden alınan ölçülmüş akım‑gerilim verilerini kullandı. Üç model türünü uydurdular: yaygın olarak kullanılan tek diyotlu model, daha ayrıntılı çift diyotlu model ve hücrelerin seri ve paralel bağlantılarını hesaba katan tam modül modeli. Her durumda ENNA, ölçülen ve simüle edilen eğriler arasındaki karekök‑ortalama‑kare (RMS) hatasını son derece düşük tuttu — tek diyotlu ve çift diyotlu modeller için yaklaşık 0.00099 ve modül için 0.00243 — ve önceki çalışmaların önde gelen yöntemlerini yenerek veya onlarla eşleşerek performans gösterdi. Uydurulan eğriler deneysel verilerle neredeyse örtüşüyor; bu da ENNA tarafından bulunan iç parametrelerin gerçek cihazların çok sadık bir “dijital ikiz”ini sağladığını gösteriyor.

Geleceğin Güneş Sistemleri İçin Anlamı

Uzman olmayanlar için çıkarım, ENNA’nın güneş enerjisi tasarımı ve kontrolünün temelini oluşturan matematiksel modelleri ayarlamak için daha güvenilir ve tekrarlanabilir bir yöntem sunduğudur. Bu modeller daha doğru olduğunda mühendisler panellerin nasıl davranacağını daha iyi öngörebilir, maksimum gücün noktasını daha hassas belirleyebilir ve yeni düzenleri veya malzemeleri daha büyük güvenle değerlendirebilir. ENNA bazı daha basit yöntemlere göre hesaplamada daha ağır olsa da, güçlü arama yetenekleri ve ekstra ayar düğmelerine ihtiyaç duymaması onu karmaşık mühendislik problemleri için çekici bir genel araç yapar — bugün daha akıllı güneş tarlalarından gelecekteki diğer enerji ve optimizasyon zorluklarına kadar.

Atıf: 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

Anahtar kelimeler: güneş enerjisi, fotovoltaik modeller, optimizasyon algoritmaları, sinir ağı yöntemleri, parametre tahmini