استخدام الشبكات العصبية الاصطناعية لتحديد معلمات أنظمة الطاقة الشمسية بدقة: الإشعاع، الحرارة، وتعقّب نقطة القدرة القصوى

طاقة شمسية أذكى للحياة اليومية

توجد الألواح الشمسية الآن على الأسطح والمزارع وحتى في مواقف السيارات، لكن استخراج أقصى قدر من الكهرباء منها أعقد مما يبدو. يتغير ضوء الشمس ودرجة الحرارة باستمرار، وقد تكون دوائر التحكم التقليدية بطيئة ومهدرة للطاقة. تُظهر هذه الدراسة كيف يمكن للشبكات العصبية الاصطناعية—أنظمة حاسوبية مستوحاة من الدماغ—أن تساعد الألواح الشمسية على استخراج كل واط ممكن تقريبًا تلقائيًا، مع الحاجة إلى حسّاسات أقل ومعدات أرخص.

لماذا يجعل الشمس والحرارة الطاقة الشمسية متقلبة

تعمل الألواح الشمسية بأفضل أداء عند نقطة تشغيل معينة حيث يجتمع الجهد والتيار لإعطاء أقصى قدرة. تتحرك هذه النقطة المثلى طوال اليوم مع مرور السحب، وتغير زاوية الشمس، وارتفاع حرارة الألواح. تبحث وحدات التحكم التقليدية عن تلك النقطة عن طريق تعديل الجهد التشغيلي صعودًا وهبوطًا ومراقبة استجابة القدرة. هذه الطرق بسيطة لكنها غالبًا ما تتجاوز الهدف، وتحتاج وقتًا للاستقرار، وتُهدر الطاقة بسبب التذبذب المستمر حول النقطة بدلًا من التثبّت عند نقطة القدرة القصوى الحقيقية.

تقليل الحساسات دون فقدان الرؤية

لتعقّب نقطة التشغيل المثلى بدقة، كان المهندسون يقيسون تقليديًا كمية ضوء الشمس التي تضرب اللوح ودرجة حرارة الخلايا، باستخدام حسّاس ضوئي (بيرانومتر) ومجسات درجة حرارة. تضيف هذه الأدوات تكلفة وتعقيدًا واحتياجات صيانة—خاصة في المزارع الشمسية الكبيرة. يقترح الباحثون شبكة عصبية أولى تتغاضى تمامًا عن هذه الحساسات المخصصة. بدلًا من ذلك، تنظر فقط إلى قياسين كهربائيين أساسيين من لوح مرجعي واحد: الجهد عند الدائرة المفتوحة والتيار عند الدائرة القصيرة. من هذه القيم، تتعلم الشبكة استنتاج مدى سطوع الشمس ومدى سخونة اللوح، حتى في ظل تغيرات الطقس السريعة.

إتاحة الشبكة لتوجيه محول الطاقة

بمجرد تقدير الإشعاع ودرجة الحرارة، يكون التحدي التالي توجيه إلكترونيات الطاقة بحيث تعمل الألواح بالضبط عند نقطة القدرة القصوى. هنا تتولى شبكة عصبية ثانية المهمة. تستقبل الشبكة الإشعاع ودرجة الحرارة المقدّرين كمدخلات وتخرج إعداد دورة تشغيل «الديتي سايكل» الأمثل للمحوّل DC–DC الذي يربط الألواح بالحمل. تحدد هذه الدورة كيف يعزّز المحوّل جهد اللوح ويشكّل تدفق التيار. عبر التعلم مباشرة من محاكاة مفصّلة للنظام الشمسي، تستطيع الشبكة الانتقال تقريبًا فورًا إلى الإعداد الأفضل بدلًا من البحث البطيء عنه.

الاختبار تحت سماء حقيقية

اختبر الفريق نهجهما المكوّن من مرحلتين عبر مجموعة من المحاكيات الحاسوبية والتجارب الميدانية. درّبوا أولًا الشبكات وجرّبوها باستخدام بيانات من مواصفات الألواح ثم باستخدام سجلات الطقس الفعلية من مدينة الغردقة الساحلية المشمسة في مصر. أخيرًا بنوا تجهيزات مادية داخل المختبر، باستخدام مصادر طاقة قابلة للبرمجة لمحاكاة الألواح، وخارجًا باستخدام ثلاثة وحدات شمسية حقيقية. في جميع الحالات، قدّرت منظومة الشبكات العصبية الإشعاع ودرجة الحرارة بدقة أكبر بكثير من الصيغ التقليدية ودفعت محوّل الطاقة لاستخراج معظم الطاقة المتاحة تقريبًا، مع تموجات صغيرة جدًا في الجهد والتيار وأزمنة استجابة بضع آلاف من الثانية فقط.

ماذا يعني هذا لمستقبل الطاقة الشمسية

بالنسبة لغير المختص، يمكن تصور النتيجة كمنح الألواح الشمسية «حاسة ذكية» لبيئتها. بالاعتماد على خوارزميات سريعة التعلم بدلًا من العديد من الحساسات الفيزيائية والتحكم بالتجربة والخطأ، يحول النظام الطقس المتغير من مشكلة إلى ظرفٍ يمكنه التكيّف معه بسرعة. تُظهر الدراسة أنه عبر شبكات عصبية مدرّبة بعناية، يمكن لتركيب شمسي أن يصل إلى قرابة 100% من ناتجه النظري بينما يظل بسيطًا ونسبياً منخفض التكلفة. ومع تطبيق هذه الأفكار على محطات شمسية أكبر، وأنظمة متصلة بالشبكة، ونماذج تعلم آلي أكثر تقدمًا، فهي توفّر كهرباء شمسية أنظف وأكثر موثوقية وبأسعار معقولة أكثر.

الاستشهاد: Abdelqawee, I.M., Selmy, M., ALI, M.N. et al. Harnessing artificial neural networks for accurate PV system parameters determination: radiation, temperature, and MPPT. Sci Rep 16, 9682 (2026). https://doi.org/10.1038/s41598-026-40175-5

الكلمات المفتاحية: الطاقة الشمسية, أنظمة الخلايا الشمسية, الشبكات العصبية, تعقّب نقطة القدرة القصوى, التحكم في الطاقة المتجددة