خوارزمية شبكة عصبية معززة وتطبيقاتها في التحسين العددي واستخراج معلمات نماذج الخلايا الكهروضوئية

طاقة شمسية أكثر ذكاءً للحياة اليومية

تصبح الألواح الشمسية أكثر شيوعًا على الأسطح وفي الحقول حول العالم، لكن استخلاص أكبر قدر من الكهرباء من كل شعاع ضوء ما يزال تحديًا. يقدم هذا المقال تقنية حاسوبية جديدة تساعد المهندسين على بناء نماذج افتراضية أكثر دقة للألواح الشمسية. مع نماذج أفضل يمكنهم تصميم والتحكم في أنظمة الخلايا الكهروضوئية (PV) بتكلفة أقل وأكثر موثوقية وكفاءة — مزايا تصل في النهاية إلى أصحاب المنازل والشركات وشبكة الكهرباء.

لماذا تحتاج الألواح الشمسية إلى «توءم رقمي»

خلف كل وحدة PV فعلية يوجد بديل رياضي — نموذج — يتنبأ بكمية التيار والجهد التي سيُخرجها اللوح تحت ظروف مختلفة مثل درجة الحرارة والإشعاع الشمسي. هذه النماذج حاسمة لتخطيط محطات الطاقة الشمسية، وتتبع نقطة التشغيل المثلى، وتشخيص الأعطال دون الحاجة لفحص الأجهزة باستمرار. لكن لدى هذه النماذج معلمات داخلية مخفية، مثل المقاومات الداخلية وتيارات الصمام ثنائي، لا يمكن قياسها مباشرة. بل يجب استنتاجها من قياسات الجهد-التيار الحقيقية. وبما أن العلاقات داخل النموذج غير خطية للغاية وتحتوي على العديد من الفخاخ المحلية، فإن إيجاد قيم المعلمات الصحيحة يمثل مسألة بحث صعبة، لا سيما للنماذج التفصيلية مثل نموذج الصمام الثنائي المزدوج أو نماذج الوحدة الكاملة.

من البحث المستلهم من الطبيعة إلى البحث المستلهم من الدماغ

خلال العقد الماضي، لجأ المهندسون إلى ما يُسمى بالخوارزميات ما بعد الاستدلالية (metaheuristic) — أساليب بحث مستوحاة من سلوك الحيوانات أو الفيزياء أو عمليات طبيعية أخرى — لتقدير معلمات PV. أظهرت تقنيات مستندة إلى حيتان، وخفافيش، ومفترسات بحرية، والتعليم داخل الفصول وغيرها العديد من الوعد لأنها توازن بين استكشاف فضاء البحث والتعديل الدقيق حول الحلول الجيدة. وبالتوازي، غيّرت الشبكات العصبية الاصطناعية مجالات مثل تعرف الصور والروبوتات. بنَيتها وسلوكها التعلمي ألهم أيضًا أساليب تحسين جديدة. إحدى هذه الأساليب هي خوارزمية الشبكة العصبية (NNA)، وهي خوارزمية ما بعد استدلالية تحاكي شبكات التغذية الراجعة العصبية وتتمتع بقدرة بحث عالمية قوية، لكنها تميل إلى الوقوع في أمثل محلية عندما تكون المشكلة معقدة جدًا.

خوارزمية شبكة عصبية معززة

يقترح المؤلفون خوارزمية شبكة عصبية معززة، أو ENNA، مصممة خصيصًا لتجاوز نقاط ضعف NNA. تضيف ENNA مكونين أساسيين. أولًا، يقوم عامل الاضطراب بحقن عشوائية مسيطرة مستندة إلى التوزيع الطبيعي (الجرسي) وإلى الفروق بين عدة حلول مرشحة؛ هذا يهز البحث ليخرج من الطرق المسدودة دون فقدان ما تعلّم بالفعل. ثانيًا، يسمح عامل النخبة لكل مرشح أن يتعلم من كل من أفضل حل تم إيجاده حتى الآن والموقع المتوسط للسكان كاملين، مستخدمًا مصفوفة التهجين لخلط هذه التأثيرات. بالإضافة إلى ذلك، تستخدم ENNA ثلاث استراتيجيات حركة مختلفة تتناوب بين تتبع الأفضل الحالي، وإعادة زيارة التوزيعات السكانية التاريخية، والقفز نحو خليط النخبة. بعكس NNA الأصلية، تحافظ ENNA على توازن أفضل بين حركات عالمية والتعديلات المحلية طوال فترة التشغيل.

اختبار ENNA

لإظهار أن ENNA ليست ذكية نظريًا فحسب، تحداها الباحثون أولًا مع 52 دالة معيارية صعبة مأخوذة من مجموعات اختبار التحسين الدولية. تُستخدم هذه الدوال على نطاق واسع لمقارنة الخوارزميات وتشمل مناظر بسيطة، ووعرة، ومركبة بها العديد من الفخاخ المحلية. عبر هذه الاختبارات، تصدرت ENNA أو جاءت قريبة من القمة مقارنة بعشرة منافسين أقوياء، بما في ذلك التطور التفاضلي، ومُحسّن التوازن، وخوارزمية تحسين الحيتان، ونُسخ NNA المتقدمة. حققت ENNA إما أفضل حل متوسط أو تعادلت على أنه الأفضل في نحو 80 بالمئة من الدوال، وأكدت الاختبارات الإحصائية أن هذه التحسينات لم تكن نتيجة صدفة.

نماذج أكثر دقة لأجهزة شمسية حقيقية

المنفعة الحقيقية تظهر عندما تُطبّق ENNA على استخراج معلمات PV العملي. استخدم الفريق بيانات الجهد-التيار المقاسة من خلية شمسية من السيليكون تجارية ومن وحدة PV مكونة من 36 خلية. قاموا بملاءمة ثلاثة أنواع من النماذج: نموذج الصمام الثنائي الأحادي المستخدم على نطاق واسع، ونموذج الصمام الثنائي المزدوج الأكثر تفصيلاً، ونموذج الوحدة الكامل الذي يأخذ بعين الاعتبار التوصيلات التسلسلية والمتوازية للخلايا. في كل حالة، حققت ENNA أخطاء جذر متوسط مربّع منخفضة للغاية بين المنحنيات المقاسة والمحاكاة — حوالي 0.00099 لنموذجي الصمام الأحادي والمزدوج و0.00243 لنموذج الوحدة — متفوقة أو مساوية لخوارزميات متقدمة من دراسات سابقة. تتقاطع المنحنيات المطابقة تقريبًا مع البيانات التجريبية، مما يشير إلى أن المعلمات الداخلية التي وجدتها ENNA توفر «توءمًا رقميًا» مخلصًا جدًا للأجهزة الحقيقية.

ما يعنيه هذا لأنظمة شمسية مستقبلية

بالنسبة لغير المتخصصين، الخلاصة أن ENNA تقدم وسيلة أكثر موثوقية وقابلة للتكرار لضبط النماذج الرياضية التي تقوم عليها تصميمات وأنظمة التحكم في الطاقة الشمسية. عندما تكون تلك النماذج أدق، يمكن للمهندسين التنبؤ بشكل أفضل بسلوك الألواح، وتحديد نقطة القدرة القصوى بدقة أكبر، وتقييم مخططات أو مواد جديدة بثقة أكبر. ومع أن ENNA أثقل حسابيًا من بعض الطرق الأبسط، فإن قدراتها القوية في البحث وعدم حاجتها لضبط معلمات إضافية تجعلها أداة عامة جذابة لمشكلات الهندسة المعقدة، بدءًا من مزارع شمسية أكثر ذكاءً اليوم إلى تحديات الطاقة والتحسين الأخرى في المستقبل.

الاستشهاد: 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

الكلمات المفتاحية: الطاقة الشمسية, نماذج الخلايا الكهروضوئية, خوارزميات التحسين, طرق الشبكات العصبية, تقدير المعلمات