تحسين الطاقة في أنظمة الخلايا الشمسية تحت ظروف التظليل الجزئي باستخدام طرق MPPT القائمة على تقنيات مختلفة

لماذا تهم الألواح الشمسية الأذكى

أصبحت الألواح الشمسية على الأسطح وعلى نطاق المرافق واحدة من الطرق الرئيسية لتزويد المنازل والمدن وحتى المستشفيات بالطاقة. لكن في الواقع العملي، غالباً ما تتعرض الألواح لتظليل جزئي بسبب السحب أو المباني المجاورة أو الأوساخ، مما يقلل بهدوء من كمية الطاقة التي تنتجها. تستكشف هذه الورقة كيف يمكن لأساليب التحكم «الذكية»—المستندة إلى الذكاء الاصطناعي—أن تساعد التركيبات الشمسية على استخلاص كل واط ممكن تقريباً، حتى في ظروف معقدة ومتغيرة باستمرار.

المشكلة الخفية للتعرض غير المتساوي للشمس

لا تتصرف الألواح الشمسية بطريقة بسيطة خطية: مع تغيير الجهد تتبع الطاقة المنتجة منحنىً متعرجاً في كثير من الأحيان. في ظروف الشمس الكاملة المثالية يكون لهذا المنحنى قمة وحيدة وواضحة، النقطة التي يسلم فيها النظام الحد الأقصى من الطاقة. لكن تحت التظليل الجزئي قد تظهر عدة قمم أصغر. قد يعلق المتحكم التقليدي على إحدى هذه «القمم الكاذبة» بدلاً من الوصول إلى القمة العالمية الحقيقية، ما يضيع 5–15% من الطاقة المحتملة أو أكثر. تؤثر تقلبات درجة الحرارة كطبقة إضافية من التعقيد، حيث تغير باستمرار مكان وجود نقطة القدرة العظمى. مع أن السعة الشمسية العالمية تجاوزت بالفعل 630 غيغاواط ومن المتوقع أن تتضاعف بحلول 2030، تتحول هذه الخسائر الخفية إلى وفورات ضائعة كبيرة وتكاليف بنية تحتية غير ضرورية.

كيف تبحث أنظمة الطاقة الشمسية عن النقطة الأفضل

للحفاظ على عمل الألواح عند أفضل نقطة، تستخدم الأنظمة الشمسية متعقبات نقطة القدرة العظمى (MPPT). الأساليب التقليدية، مثل طريقة الاضطراب والمراقبة (P&O) أو الموصلية المتزايدة، تغير الجهد التشغيلي صعوداً أو هبوطاً وتراقب ما إذا كانت الطاقة ترتفع أم تنخفض. هذه الطرق بسيطة ورخيصة، لكنها لها سلبيات: قد تكون بطيئة في التفاعل مع تغيرات الطقس المفاجئة، تميل إلى التذبذب حول الأمثل بدلاً من الاستقرار بهدوء، وتحت التظليل الجزئي قد تخلط بين نتوء محلي في المنحنى والأمثل الحقيقي. في الأنظمة المتصلة بالشبكة أو المنفصلة عنها على نطاق واسع، تؤثر هذه الكفاءة المنخفضة ليس فقط على إنتاجية الطاقة ولكن أيضاً على حجم البطاريات والمولدات الاحتياطية التي يضطر المخططون لتركيبها.

تعليم المتحكمات «التعرّف» على أفضل نقطة

يقترح المؤلفون متحكمين MPPT أكثر ذكاءً مبنيين على الشبكات العصبية الاصطناعية (ANN) ونظام الاستدلال العصبي الضبابي التكيفي (ANFIS). بدلاً من التنقل الأعمى بالتجربة والخطأ، يتم تدريب هذه المتحكمات على التعرف على أنماط تغير الطاقة والجهد في الألواح. تستخدم إشارة بسيطة مزدوجة: كيف تتغير الطاقة بتغير الجهد، ومدى سرعة تغير الجهد نفسه على مر الزمن. من هاتين الإشارتين تتنبأ الخوارزميات بخطوة واحدة بإجراء التحكم الذي يجب أن يتخذه محول DC–DC للوصول قريباً إلى نقطة القدرة العظمى الحقيقية. تأتي بيانات التدريب من محاكيات حاسوبية مفصلة حيث يجد إصدار محسن من طريقة P&O التقليدية أولاً النقطة الأفضل بدقة. ثم تتعلم خوارزميات الذكاء الاصطناعي ترسيماً مباشراً من سلوك الألواح الملاحظ إلى إشارة التحكم الصحيحة، دون تقليد قيود الخوارزمية القديمة.

اختبار التحكم الذكي

باستخدام مصفوفة شمسية محاكية تعرضت لتقلبات واقعية في ضوء الشمس ودرجة الحرارة، قارن الباحثون بين متحكمات ANN وANFIS ونهج P&O القياسي. تحت ضوء الشمس الموحد، دفعت كلتا المتحكمتين المعتمِدتين على الذكاء الاصطناعي النظام بسرعة إلى قرب الحد النظري، حيث بلغ أداء متحكم الشبكة العصبية نحو 99.5% من أفضل طاقة ممكنة ووصل متحكم ANFIS إلى نحو 99.75%. حققا ذلك بسرعة أكبر بحوالي أربع إلى ست مرات من P&O وبثبات أقل في التذبذب على مستوى الجهد والتيار وإشارة التحكم للمحول، مما يعني طاقة أكثر سلاسة واستقراراً. تحت التظليل الجزئي—حيث تظهر عدة قمم متنافسة على منحنى القدرة—برزت الميزة بشكل أوضح. غالباً ما يستقر المتحكم التقليدي على قمة أصغر، بينما يوجه كلا المتحكمين القائمين على الذكاء الاصطناعي النظام نحو القمة العالمية، ما يوفر نحو 35% طاقة أكثر من P&O في حالة التظليل التي اختُبرت. والأهم أن هذه المكاسب تحققت مع جهد حسابي منخفض جداً: يمكن حساب كل خطوة تحكم في أقل من 0.2 ملّي ثانية، مما يجعل الأساليب مناسبة للأجهزة منخفضة التكلفة.

ما يعنيه هذا لمستقبل الطاقة الشمسية

بالنسبة لغير المتخصصين، الخلاصة بسيطة: يمكن لإلكترونيات تحكم أذكى أن تحول نفس الألواح الشمسية إلى محطة طاقة أكثر إنتاجية بشكل ملحوظ، خصوصاً عندما تكون الظروف أقل من المثالية. باستخدام نماذج ذكاء اصطناعي مدمجة تستجيب بسرعة وتجنب الوقوع عند القمم الكاذبة، تساعد المتحكمات المقترحة ANN وANFIS الألواح على حصاد كل الطاقة المتاحة تقريباً، وتقليل تآكل الإلكترونيات القوية، وخفض تكلفة الطاقة الشمسية على مدار عمر النظام. من بين الاثنين، يتفوق نهج ANFIS قليلاً في الدقة والسلاسة، بينما يظل ANN فعالاً تقريباً وأكثر بساطة قليلاً. معاً، تُظهر هذه الأساليب كيف يمكن لجرعة متواضعة من الذكاء الاصطناعي داخل العاكس أن تجعل الطاقة الشمسية أكثر موثوقية وميسورة وجذابة للمنازل والمشاريع على نطاق واسع.

الاستشهاد: Benabdallah, N., Belabbas, B., Tahri, A. et al. Energy optimization of PV systems under partial shading conditions using various technique-based MPPT methods. Sci Rep 16, 5128 (2026). https://doi.org/10.1038/s41598-026-36117-w

الكلمات المفتاحية: الطاقة الشمسية, أنظمة الخلايا الضوئية, تتبع نقطة القدرة العظمى, التحكم بالذكاء الاصطناعي, التظليل الجزئي