Comparative Study of ANN and Traditional MPPT Techniques in PV Applications

تقدم الشمس إمداداً غير محدود من الطاقة النظيفة، لكن استغلالها بكفاءة يتطلب ما هو أكثر من مجرد وضع الألواح على سطح منزل. فالخلايا الشمسية أجهزة حساسة تتغير قدرتها على توليد الكهرباء باستمرار بتغير الطقس. فعندما تتبدل شدة سطوع الشمس أو ترتفع درجة الحرارة، تتحرك النقطة التي ينتج عندها اللوح أقصى طاقة له، تماماً مثل هدف يتحرك على جدار متحرك. ولحصاد أكبر قدر ممكن من الطاقة، يجب على النظام أن يبحث باستمرار عن هذا الهدف المتغير. تُعرف هذه العملية باسم تتبع نقطة الطاقة القصوى. ولعقود من الزمن، اعتمد المهندسون على طرق تقليدية لتوجيه الأنظمة الشمسية إلى هذه النقطة المثالية، باستخدام خوارزميات تقوم بدفع النظام قليلاً ومراقبة كيفية تفاعل إنتاج الطاقة مع ذلك. وبينما تعمل هذه التقنيات الراسخة، إلا أنها قد تكون بطيئة في الاستجابة للتغيرات الجوية السريعة وغالباً ما تتذبذب حول الإعداد المثالي، مما يهدر جزءاً من الطاقة المتاحة.

في دراسة حديثة، استكشف باحثون في جامعة الشرق الأدنى (Near East University) ما إذا كان اتباع نهج مختلف، مستوحى من كيفية تعلم الدماغ البشري، يمكن أن يتفوق على هذه الأساليب العريقة. فقد ركزوا على نوع محدد من الذكاء الاصطناعي يسمى الشبكة العصبية العميقة. وخلافاً للخوارزميات التقليدية التي تتبع مجموعة ثابتة من القواعد، تم تدريب هذه الشبكة العصبية على كميات هائلة من البيانات التاريخية للطقس والشمس. وقد غدّى الباحثون النظام بمعلومات عن شدة ضوء الشمس، ودرجة حرارة الهواء، والتيار الكهربائي والجهد المتدفق من الألواح. كان الهدف هو تعليم الكمبيوتر التنبؤ بالنقطة التشغيلية المثالية بدقة وفوراً، دون الحاجة إلى التخمين والتجربة. ومن خلال مقارنة هذا النهج الجديد القائم على البيانات مقابل التقنيات القياسية المستخدمة في الصناعة، سعى الفريق لتحديد ما إذا كان الذكاء الاصطناعي يمكن أن يجعل توليد الطاقة الشمسية أكثر كفاءة واستجابة بشكل ملحوظ.

بنى الباحثون تجربتهم حول محاكاة رقمية لنظام طاقة شمسية. وجمعوا سجلات مفصلة لضوء الشمس ودرجة الحرارة من موقع محدد في شمال قبرص، باستخدام بيانات من قاعدة بيانات تابعة للاتحاد الأوروبي تتبع الموارد الشمسية. ولإنشاء بيئة اختبار واقعية، استخدموا سجلات الطقس هذه لتوليد السلوك الكهربائي المتوقع للوح الشمسي. ثم قاموا بتشغيل ثلاث استراتيجيات تحكم مختلفة مقابل بيانات الطقس نفسها. كانت الطريقتان الأولتان هما الأساليب التقليدية: إحداهما تقوم ببساطة بإحداث اضطراب في النظام لمعرفة ما إذا كانت الطاقة ستزداد أم تنخفض، والأخرى تحسب معدل التغير في الموصلية الكهربائية لإيجاد الذروة. أما الاستراتيجية الثالثة فكانت نموذج الذكاء الاصطناعي الجديد. وقد تم تدريب هذا النموذج مسبقاً على التعرف على العلاقة المعقدة وغير الخطية بين الظروف الجوية والإعداد الكهربائي الأمثل. وبمجرد تدريبه، عملت الشبكة العصبية كمتحكم، حيث تأخذ قياسات فورية لضوء الشمس ودرجة الحرارة وتتنبأ فوراً بضبط الجهد المثالي للوح الشمسي.

كانت نتائج المقارنة واضحة وحبت نهج الذكاء الاصطناعي. فالطرق التقليدية، رغم كونها وظيفية، عانت من مشاكل في السرعة والدقة. فقد استغرقت تقنية "الاضطراب والمراقبة" القياسية، التي تعتمد على التجربة والخطأ، في المتوسط 8.5 خطوة لإيجاد نقطة الطاقة القصوى بعد تغير الظروف. وتحسنت طريقة الموصلية الأكثر تقدماً قليلاً، حيث احتاجت إلى 6.2 خطوة. وفي المقابل، وجد نموذج الشبكة العصبية الإعداد الأمثل في 2.8 خطوة فقط. وهذا يعني أن هذا النظام يمكنه التكيف مع تغير السحب أو تغير درجات الحرارة بشكل فوري تقريباً، بدلاً من التأخر في الاستجابة. علاوة على ذلك، كانت الطرق التقليدية تميل إلى التذبذب، أو التمايل، حول الهدف، حيث كانت تتجاوز وتتراجع باستمرار عن مستوى الطاقة المثالي. أما الشبكة العصبية، وبفضل تعلمها لنمط البيانات، فقد استقرت على الإعداد الصحيح بحركة أقل بكثير، مما حافظ على تشغيل مستقر وفعال.

من حيث الكفاءة الإجمالية، استخلص متحكم الذكاء الاصطناعي 98.7 بالمائة من الطاقة المتاحة، وهو رقم تجاوز الـ 95.8 بالمائة التي حققتها طريقة الموصلية، والـ 94.2 بالمائة الخاصة بنهج التجربة والخطأ التقليدي. كما قاس الباحثون مدى مطابقة الإعدادات المتوقعة مع أفضل الإعدادات الممكنة فعلياً. حققت الشبكة العصبية دقة بلغت 99.57 بالمائة، مما يعني أنها نادراً ما تخطئ الهدف. وأشار الباحثون إلى أن الطرق التقليدية أنتجت خطأً أكبر في توقعاتها، مما أدى إلى فقدان الطاقة المحتملة. وقد تمكن نموذج الشبكة العصبية من التعامل مع الطبيعة المعقدة والمتغيرة لتوليد الطاقة الشمسية دون التردد أو الارتباك الذي غال باستمرار في الأنظمة القائمة على القواعد. لم يكن بحاجة لانتظار حدوث التغيير قبل الاستجابة؛ بل كان بإمكانه توقع الإعداد الأفضل بناءً على الظروف الحالية.

يوضح هذا العمل أن التعلم القائم على البيانات يمكن أن يقدم تحسيناً ملموساً على القواعد الهندسية الراسخة. وتؤكد الدراسة أن النظام المدرب على البيانات التاريخية يمكنه التنقل في السلوك المعقد للألواح الشمسية بشكل أكثر فعالية من الخوارزميات التي تعتمد على الصيغ الرياضية الثابتة. وبينما تأتي النتائج من محاكاة وليس من اختبار أجهزة مادية، فإن اتساق البيانات يشير إلى أن نهج الشبكة العصبية يحمل وعوداً كبيرة للتطبيقات الواقعية. ومن خلال تقليل الوقت اللازم لإيجاد أفضل إعداد للطاقة وتقليل الطاقة المفقودة بسبب التذبذب، يمكن لنظام كهذا أن يساعد مزارع الطاقة الشمسية أو تركيبات الأسطح في توليد المزيد من الكهرباء من نفس كمية ضوء الشمس. ويخطط الباحثون لأخذ هذه النتائج إلى أبعد من ذلك عبر اختبار النظام على أجهزة حقيقية واستكشاف طرق لدمج هذا التتبع الذكي مع تدابير وقائية أخرى، بهدف جعل الطاقة الشمسية أكثر موثوقية وإنتاجية.