بیشتر روشهایی که برای تحقق نقطه توان ماکزیمم(MPPT) ارائه شده‌اند به اطلاعات جزئی از مواد سازنده سلول‌ها ومشخصات فیزیکی سلول‌ها نیاز دارند وچون برخی از اطلاعات به راحتی در دسترس کاربران نمی‌باشد ممکن است مدل ریاضی بدست آمده غیردقیق باشد و MMP تخمین زده شده باMMP واقعی تفاوت قابل ملاحظه‌ای داشته باشد.
اما دراین بین مدل‌هایی که براساس شبکه‌های عصبی مصنوعی(ANN) هستند به مشخصات فیزیکی آرایه خورشیدی نیاز ندارند. ویژگی مشترک شبکه‌های عصبی مورد استفاده در سیستم‌های PV، استفاده همه آنها از شبکه عصبی پرسپترون چند لایه است که بااستفاده از روش پس انتشار(MLP-BP) آموزش دهی می‌شوند.
این روش دارای سرعت آموزش کندی است وبه علاوه ممکن است در طول آموزش، به خاطر وجود نقاط مینیمم محلی، در یک جواب زیر بهینه بیفتد، بنابراین ممکن است قادر به ارائه یک مدل بهینه و مناسب برای یک مدل خاص نباشد.
در این مقاله یک روش جدید مدل سازی بر اساس شبکه‌های RBF معرفی می‌شود. در یک مدل RBFN، فعال سازی واحد مخفی بوسیله یک فاصله بین بردار ورودی و بردار هدف تعیین می‌شود. این گونه شبکه‌ها دو مزیت دارند: شیوه‌های آموزش دهی آنها اساساَ سریع‌تر از الگوریتم BP مورد استفاده در شبکه‌های MLP است و مزیت مهم‌تراین که این شبکه‌ها مشکل رویارویی با نقاط مینیمم محلی را ندارند.