تحسين معلمات أنظمة الفوتوفولتية باستخدام طريقة السرب الجزيئي المستوحاة من الكم المعدلة

لماذا تهم الألواح الشمسية الأذكى

تُشيد الطاقة الشمسية كثيرًا بكونها نظيفة ومتاحة بكثرة، لكن استخراج أكبر قدر من الكهرباء من اللوح الشمسي مشكلة أصعب مما تبدو عليه. داخل كل لوح تحدد تأثيرات كهربائية دقيقة كمية الطاقة المنتجة تحت ظروف مختلفة من الإشعاع ودرجة الحرارة. لا تزود الشركات المصنعة كل التفاصيل الداخلية لهذه الآليات، لذا يضطر المهندسون لتقديرها من القياسات. تُقدّم هذه الورقة طريقة جديدة لإجراء هذا التقدير بدقة وكفاءة أكبر، ما قد يساعد في النهاية على تصميم أنظمة شمسية أفضل والتنبؤ بأدائها بصورة أكثر موثوقية.

المقابض المخفية داخل اللوح الشمسي

يمكن وصف الخلايا الشمسية باستخدام عناصر كهربائية بسيطة: مصادر تيار، وصمامات ثنائية، ومقاومات. يجمع المهندسون هذه العناصر في نماذج ذات صمام ثنائي واحد أو اثنين أو ثلاثة لالتقاط آليات الخسارة المختلفة داخل الخلية، مثل إعادة جمع الشحن أو مسارات التسرب. لكل نموذج عدة «مقابض» مجهولة — معلمات مثل التيارات الداخلية، والمقاومات، وعوامل الجودة — التي تتحكم بشكل منحنى التيار–الجهد، وهو البصمة الأساسية للجهاز الشمسي. مطابقة هذا المنحنى مع القياسات الحقيقية بدقة عالية أمر بالغ الأهمية لمهام مثل التنبؤ بالعائد الطاقي، وتصميم وحدات التحكم، وتشخيص الأعطال في أنظمة الفوتوفولتية.

لماذا تقصر الأساليب التقليدية

تحاول العديد من الطرق الحالية ضبط هذه المقابض الخفية بتقليل الفرق بين منحنيات التيار–الجهد المقاسة والمُنمذجة. النهوج الكلاسيكية، سواء كانت معادلاتية أو عددية، قد تكون سريعة لكنها غالبًا ما تعتمد على تبسيطات، مثل تجاهل بعض المقاومات، ما يحدّ من الدقة. الطرق «الميتاهوريستية» الأحدث، المستوحاة من الطبيعة أو الفيزياء، تبحث على نحو واسع بين تركيبات المعلمات الممكنة ويمكنها التعامل مع اللاخطية الشديدة لنماذج الخلايا الشمسية. ومع ذلك، قد تتعثر هذه الطرق في حلول محلية، أو تتقارب مبكرًا نحو حلول وسطية، أو تتطلب قدرًا كبيرًا من الحوسبة. تقنية شائعة تسمى تحسين سرب الجسيمات المتصرف كميًا (QPSO) أسرع من كثير من المنافسين، لكن في النماذج الشمسية المعقدة ذات العديد من المعلمات قد تصبح غير دقيقة ومكلفة حسابيًا.

سرب رقمي أكثر انضباطًا

يقترح المؤلفون نسخة مصقولة تُسمى طريقة السرب الجزيئي المستوحاة من الكم المعدلة (MQPSO). تخيل سربًا من الحلول المرشحة، يمثل كل منها تخمينًا كاملًا لجميع المعلمات المخفية، يتحرك عبر تضاريس يكون فيها الارتفاع مرادفًا للخطأ. تحسّن MQPSO كيفية استكشاف هذا السرب واستقراره. تبدأ بخوارزمية أخذ عينات لاتينية هایبركيوب (Latin Hypercube) لتوزيع التخمينات الأولية بالتساوي عبر فضاء البحث، متجنبة التكدس المبكر. عامل تحكم تكيفي يوجّه السرب للتجوال على نطاق واسع في البداية ثم التكثيف بحذر لاحقًا. خطوة إعادة حقن تعتمد على التحري عن النخبة تحدد دوريًا أفضل وأسوأ المرشحين، وتدفع الأسوأ باتجاه النخبة دون نسخها حرفيًا، ما يسرّع التقدّم ويحافظ على التنوع في آن واحد.

التكبير نحو التفاصيل الدقيقة

إلى جانب هذه الخطوات، تضيف MQPSO آلية جذب مزدوجة: بدلاً من أن يجذب كل جسيم فقط نحو أفضل موضع شخصي وأفضل موضع عام للمجموعة، تتأثر كل بُعد من أبعاد المعاملات بنقطة وسيطة تمزج بين التجربة الشخصية والعالمية، إضافةً إلى متوسط جماعي لأفضل الحلول. الاتجاهات العشوائية تمنع السرب من التجمّد مبكرًا. بمجرد العثور على أفضل مرشح عام بواسطة هذا التفاعل المستوحى من الكم، ينفّذ بحث محلي (Nelder–Mead) عملية ضبط نهائية في جواره للتقليل من الخطأ المتبقي. تهدف هذه التعديلات معًا إلى موازنة استكشاف مناطق جديدة مع استغلال المناطق الواعدة، خاصة في فضاءات أخطاء عالية الأبعاد ومنحنية بشدّة.

ما تكشف عنه الاختبارات عمليًا

لتقييم MQPSO، طبّق الباحثون الطريقة على ثلاثة نماذج معيارية للخلايا الشمسية (ذات صمام ثنائي واحد، وصمامين، وثلاثة صمامات) وعلى وحدتين تجاريتين فوتوفولتيتين. قارنوا أدائها مع QPSO القياسي وعدد من طرق التحسين الحديثة الأخرى، وشغّلوا كل خوارزمية 30 مرة على نفس مجموعات البيانات. قست الدقة باستخدام متوسط جذر مربع الخطأ، الذي يعكس مباشرة حجم التفاوت النموذجي بين القيم المقاسة والمُنمذجة للتيار. عبر جميع الحالات، أنتجت MQPSO أخطاء أصغر وأكثر اتساقًا، مع تخفيضات متوسطة في الخطأ تقارب 25% لنموذج الخلية الأبسط، وحوالي 60% لنموذج الصمام المزدوج، وحوالي 15% لنموذج الثلاثة صمامات مقارنةً بـQPSO القياسي. وأكدت الاختبارات الإحصائية أن هذه التحسينات لم تكن ناتجة عن الصدفة.

ما يعنيه هذا لمستقبل الطاقة الشمسية

لغير المتخصصين، الخلاصة أن هذه الخوارزمية الجديدة تقدّم طريقة أدق لِـ«قراءة» ما يجري داخل اللوح الشمسي من القياسات الخارجية فقط. عن طريق استخراج معلمات النموذج بدقة أكبر، يمكن للمهندسين بناء توائم رقمية للأجهزة الشمسية تتصرف بشكل أقرب إلى الواقع. وهذا بدوره يساعد على تحسين تصميم الأنظمة، والتحكم، واكتشاف الأعطال، مما يسهِم في إنشاء منشآت شمسية أكثر موثوقية وكفاءة. ومع أن الطريقة لا تزال لها حدود — بما في ذلك التكلفة الحسابية وحساسيتها لجودة القياسات — إلا أنها تمثل خطوة مهمة نحو أدوات أذكى وأكثر متانة لتحسين أنظمة الطاقة الشمسية.

الاستشهاد: Rehman, Z.U., Rehman, O.U., Munshi, A. et al. Parameters optimization of photovoltaic systems using modified quantum inspired particle swarm method. Sci Rep 16, 7864 (2026). https://doi.org/10.1038/s41598-026-38620-6

الكلمات المفتاحية: الطاقة الشمسية الكهروضوئية, تقدير المعلمات, تحسين السرب, خوارزميات ميتاهوريستيك, نمذجة الطاقة المتجددة