一种增强型神经网络算法及其在光伏模型数值优化与参数提取中的应用

面向日常生活的更智能太阳能发电

太阳能电池板正成为世界各地屋顶和田间的常见设施，但要从每一束阳光中榨取尽可能多的电能仍然充满挑战。本文介绍了一种新的计算技术，能够帮助工程师构建更精确的太阳能电池板虚拟模型。借助更好的模型，他们可以设计和控制成本更低、可靠性更高且效率更佳的光伏（PV）系统——这些改进最终惠及家庭用户、企业和电网。

为什么太阳能电池板需要“数字孪生”

每个物理光伏组件背后都有一个数学替身——模型，用以预测电池板在不同条件（如温度和光照）下的电流与电压输出。这些模型对于规划太阳能电站、跟踪最佳工作点和在不频繁检测硬件的情况下诊断故障至关重要。但模型中存在若干无法直接测量的隐含参数，例如内部电阻和二极管电流，这些参数必须通过实际的电流—电压测量推断出来。由于模型内部关系高度非线性并含有许多局部陷阱，寻找正确参数值成为一项困难的搜索问题，尤其是对于双二极管模型或完整光伏组件模型之类的更详细模型。

从自然启发的搜索到大脑启发的搜索

过去十年里，工程师们转向所谓的元启发式算法——受动物行为、物理或其他自然过程启发的搜索方法——来估算光伏参数。基于鲸鱼、蝙蝠、海洋捕食者、课堂教学—学习等机制的技术因能在搜索空间的探索与对优良解的精调之间取得平衡而展露前景。与此同时，人工神经网络已经改变了图像识别和机器人等领域。其结构与学习行为也启发了新型优化方法。其中一种是神经网络算法（NNA），这是一种模拟反馈神经网络的元启发式方法，具有较强的全局搜索能力，但在问题非常复杂时容易陷入局部最优。

一种增强型神经网络算法

作者提出了一种专为克服NNA弱点而设计的增强型神经网络算法，简称ENNA。ENNA 增添了两个关键成分。首先，一个扰动算子基于正态（钟形）分布和若干候选解间的差异注入可控随机性；这能在不丢失已学到信息的情况下将搜索从死胡同中震出。其次，一个精英算子让每个候选解既能向迄今为止找到的最优解学习，也能参考整个人群的平均位置，并使用交叉矩阵将这些影响混合。在此基础上，ENNA 使用三种不同的移动策略，交替执行跟随当前最优、回顾历史种群与朝向精英混合跳跃。与原始 NNA 不同，ENNA 在整个运行过程中更好地保持了全局跳跃与局部微调的平衡。

将 ENNA 付诸考验

为了证明 ENNA 并非仅在理论上聪明，研究者首先用来自国际优化测试集的 52 个苛刻基准函数挑战它。这些函数被广泛用于比较算法，包含简单、崎岖和复合的搜索景观，具有许多局部陷阱。在这些测试中，ENNA 在与十个强力竞争算法（包括差分进化、平衡优化器、鲸鱼优化及先进的 NNA 变体）比较时，一直名列前茅或接近前列。ENNA 在约 80% 的函数上获得了最佳平均解或并列最佳，统计检验确认这些改进并非偶然。

针对真实太阳能硬件的更精确模型

真正的收益体现在将 ENNA 应用于实际的光伏参数提取时。团队使用了来自商用硅太阳电池和一块由 36 个电池组成的光伏组件的实测电流—电压数据。他们拟合了三种模型：广泛使用的单二极管模型、更为详细的双二极管模型以及考虑电池串并联连接的完整组件模型。在每种情况下，ENNA 在测量与模拟曲线之间都达到了极低的均方根误差——单二极管和双二极管模型约为 0.00099，组件模型为 0.00243——超过或匹配了先前研究中的领先算法。拟合曲线几乎与实验数据重合，表明 ENNA 找到的内部参数为真实器件提供了高度逼真的“数字孪生”。

这对未来太阳能系统意味着什么

对于非专业读者，结论是 ENNA 提供了一种更可靠、更可重复的方式来校准支撑太阳能设计与控制的数学模型。当这些模型更准确时，工程师能更好地预测电池板的行为、更精确地定位最大功率点，并更有把握地评估新的布局或材料。尽管 ENNA 比一些更简单的方法计算量更大，但其强大的搜索能力和无需额外调参的特性，使其成为解决复杂工程问题的有吸引力的通用工具，从今天更智能的太阳能电场到未来其他能源与优化挑战。

引用: 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

关键词: 太阳能, 光伏模型, 优化算法, 神经网络方法, 参数估计