DOI: https://doi.org/10.1038/s41598-026-40175-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41872239
تاريخ النشر: 2026-03-23
المؤلف: Islam M. Abdelqawee وآخرون
الموضوع الرئيسي: تقنيات تحسين أنظمة الطاقة الشمسية
نظرة عامة
تقدم ورقة البحث استراتيجية جديدة من مرحلتين لتتبع نقطة القدرة القصوى (MPPT) لأنظمة الطاقة الشمسية (PV)، حيث تتناول التحديات المتعلقة باستخراج الطاقة القصوى بكفاءة تحت ظروف درجات الحرارة (T) والإشعاع الشمسي (G) المتغيرة. غالبًا ما تتطلب تقنيات MPPT التقليدية مستشعرات إضافية، مما يزيد من تكاليف النظام، وقد تكون بطيئة في التقارب إلى نقطة القدرة القصوى (MPP) مع إظهار تقلبات تشغيلية.
في المرحلة الأولى من الاستراتيجية المقترحة، يتم تقدير T و G باستخدام شبكة عصبية اصطناعية (ANN) بناءً على الجهد الكهربائي المفتوح الدائرة والتيار القصير الدائرة المقاس من وحدات الطاقة الشمسية، مما يساعد على تقليل التكاليف العامة للنظام. يتم تقييم أداء هذه الطريقة التقديرية مقارنة بالتقنيات التقليدية مثل طرق نيوتن-رافسون وطرق الجهد الكهربائي المفتوح الدائرة، مع التركيز على دقة تقديرات T و G. تستخدم المرحلة الثانية ANN لتحديد MPP مباشرة تحت ظروف متغيرة، مما يقلل بشكل كبير من وقت التتبع والتقلبات. يتم مقارنة فعالية هذه المرحلة مع الطرق المعتمدة بما في ذلك التحكم المنطقي الضبابي (FLC) وطريقة الاضطراب والمراقبة (P&O) وطرق التوصيل الثابت (FIC) وطرق التوصيل المتغيرة، مما يظهر المزايا المحتملة للنهج المقترح.
مقدمة
تسلط المقدمة الضوء على التأثير الكبير للظروف الجوية، وخاصة درجات الحرارة (T) والإشعاع الشمسي (G)، على كفاءة مصفوفات الطاقة الشمسية (PV). إن فهم هذه التأثيرات أمر ضروري لتحسين استخراج نقطة القدرة القصوى (MPP) من أنظمة الطاقة الشمسية. ومع ذلك، يمكن أن تعيق الأخطاء في قياسات T و G تقييم الأداء، مما يستدعي استكشاف تقنيات قياس بديلة.
تواجه الطرق الحالية، مثل استخدام أجهزة قياس الإشعاع الشمسي أو خلايا شمسية مرجعية، قيودًا تتعلق بالتكلفة وتعقيد التركيب وتحديات الصيانة، مما يمكن أن يؤثر على دقتها. وبالتالي، هناك حاجة لاستراتيجيات تقلل من عدد المستشعرات والتكاليف المرتبطة بها مع ضمان الكشف الكافي عن الإشعاع الشمسي. اقترحت الأبحاث السابقة طرقًا لتقدير الإشعاع الشمسي بناءً على التيار القصير الدائرة الناتج عن وحدات الطاقة الشمسية، بالإضافة إلى أساليب رياضية لحساب الإشعاع الشمسي، مما يشير إلى اتجاه لتحسين دقة القياس وكفاءة تقييم أداء الطاقة الشمسية.
طرق
تقدم ورقة البحث تحققًا تجريبيًا لشبكة عصبية اصطناعية (ANN) لتقدير درجة الحرارة (T) والإشعاع (G) في أنظمة الطاقة الشمسية (PV)، تم إجراؤه في سيناريوهين متميزين. يتضمن السيناريو الأول إعداد مختبري محكوم يستخدم محاكيات الطاقة الشمسية، بينما السيناريو الثاني هو تجربة في الهواء الطلق مع ثلاثة ألواح شمسية بقدرة 100 واط. تم هيكلة المنهجية في عدة أقسام: يصف القسم 2 النظام، ويقدم القسم 3 تفاصيل عملية التقدير لـ T و G، ويناقش القسم 4 المحاكاة التي تم إجراؤها باستخدام مجموعة أدوات الشبكة العصبية في MATLAB، ويركز القسم 5 على التحقق التجريبي من التقنية المقترحة.
في إعداد التجربة الداخلية، استخدم المؤلفون ثلاثة مصادر طاقة قابلة للبرمجة لمحاكاة مستويات مختلفة من الطاقة الناتجة تحت ظروف درجات حرارة وإشعاع مختلفة، كما هو موضح في الجدول 5. تضمنت الأجهزة التجريبية مقياس تذبذب، ومقاومة طاقة متغيرة، وArduino للتحكم. تشير النتائج إلى درجة عالية من الدقة، حيث تتراوح أخطاء الطاقة الناتجة من 0.06% إلى 0.9%، وأخطاء درجة الحرارة من 0.2% إلى 1.4%، وأخطاء الإشعاع من 0.1% إلى 1.4%. تظهر النتائج أن المخرجات التجريبية تتطابق بشكل وثيق مع النتائج المحاكاة، مما يؤكد فعالية نهج ANN في تقدير T و G في أنظمة الطاقة الشمسية. تم إجراء التجارب في 5 أكتوبر 2022، في أكاديمية EAET في السلام الأول، مصر، مع بيانات درجة الحرارة والإشعاع الفعلية المستمدة من بيانات الإشعاع الشمسي (SODA) بين الساعة 9 صباحًا و 2 ظهرًا.
نتائج
في هذا القسم، يقدم المؤلفون نتائج المحاكاة التي تحقق تحليلهم من خلال تقدير المعلمات T و G باستخدام مجموعة أدوات الشبكة العصبية في MATLAB. يتم فحص حالتين متميزتين لتقييم فعالية الطرق المقترحة. بالإضافة إلى ذلك، يتضمن القسم محاكاة لحالتين من تحديد نقطة القدرة القصوى (MPP)، مما يوضح المزيد من قابلية تطبيق نهج الشبكة العصبية في تحسين مقاييس الأداء. تعتبر النتائج المستخلصة من هذه المحاكاة حاسمة لفهم متانة ودقة تقنيات التقدير المقترحة.
مناقشة
في هذا القسم، تركز المناقشة على قيود الطرق التقليدية لتقدير الإشعاع الشمسي وأداء الأساليب المعتمدة على الذكاء الاصطناعي (AI)، وخاصة الشبكات العصبية الاصطناعية (ANN)، في تعزيز دقة تتبع نقطة القدرة القصوى (MPPT) لأنظمة الطاقة الشمسية (PV). تكافح الطرق التقليدية، مثل طرق نيوتن-رافسون وطرق الجهد الكهربائي المفتوح الدائرة (VOC)، مع الظروف البيئية الديناميكية بسبب اعتمادها على التقريبات الخطية والمعرفة الدقيقة بالمعلمات، مما يمكن أن يؤدي إلى أخطاء تقدير كبيرة. في المقابل، تظهر الطرق المعتمدة على الذكاء الاصطناعي، بما في ذلك ANN، أداءً محسناً في الظروف المتغيرة بسرعة، محققة أخطاء تقدير أقل للإشعاع ودرجة الحرارة مقارنة بالتقنيات التقليدية.
تم التحقق من نموذج ANN المقترح من خلال المحاكاة باستخدام بيانات من كل من أوراق بيانات الطاقة الشمسية وقياسات الوقت الحقيقي في الغردقة، مصر. حقق ANN متوسط خطأ تربيعي (MSE) قدره 0.00089 لتقدير الإشعاع ودرجة الحرارة، متفوقًا بشكل كبير على الطرق التقليدية، التي كانت لديها أخطاء تبلغ حوالي 2.5% و 8.8%، على التوالي. علاوة على ذلك، تم التحقق من قدرة ANN على تحديد دورة العمل المثلى لـ MPPT تحت مستويات إشعاع متغيرة، مما يظهر كفاءة تتبع عالية (تصل إلى 99.99%) وتقلبات ضئيلة في الطاقة الناتجة. تؤكد هذه النتائج على إمكانيات الأساليب المعتمدة على الذكاء الاصطناعي لتعزيز كفاءة وموثوقية أنظمة الطاقة الشمسية في التطبيقات الواقعية.
DOI: https://doi.org/10.1038/s41598-026-40175-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41872239
Publication Date: 2026-03-23
Author(s): Islam M. Abdelqawee et al.
Primary Topic: Photovoltaic System Optimization Techniques
Overview
The research paper presents a novel two-stage maximum power point tracking (MPPT) strategy for photovoltaic (PV) systems, addressing the challenges of efficiently extracting maximum power under varying temperature (T) and irradiance (G) conditions. Traditional MPPT techniques often require additional sensors, increasing system costs, and can be slow to converge to the maximum power point (MPP) while exhibiting operational fluctuations.
In the first stage of the proposed strategy, T and G are estimated using an artificial neural network (ANN) based on the measured open-circuit voltage and short-circuit current of the PV modules, which helps to reduce overall system costs. The performance of this estimation method is evaluated against conventional techniques such as Newton-Raphson and open-circuit voltage methods, focusing on the accuracy of T and G estimations. The second stage employs the ANN to directly determine the MPP under varying conditions, significantly reducing tracking time and fluctuations. This stage’s effectiveness is compared with established methods including fuzzy logic control (FLC), perturb and observe (P&O), fixed increment conductance (FIC), and variable conductance methods, demonstrating the potential advantages of the proposed approach.
Introduction
The introduction highlights the significant influence of atmospheric conditions, specifically temperature (T) and solar irradiance (G), on the efficiency of photovoltaic (PV) arrays. Understanding these effects is essential for optimizing the extraction of the maximum power point (MPP) from PV systems. However, inaccuracies in T and G measurements can hinder performance assessments, necessitating the exploration of alternative measurement techniques.
Current methods, such as using pyranometers or reference solar cells, face limitations related to cost, installation complexity, and maintenance challenges, which can affect their accuracy. Consequently, there is a need for strategies that reduce the number of sensors and associated costs while ensuring adequate solar radiation detection. Previous research has proposed methods for estimating solar irradiance based on the short circuit current generated by PV modules, as well as mathematical approaches for calculating solar irradiance, indicating a direction for improving measurement accuracy and efficiency in PV performance evaluation.
Methods
The research paper presents an experimental validation of an artificial neural network (ANN) for estimating temperature (T) and irradiance (G) in photovoltaic (PV) systems, conducted in two distinct scenarios. The first scenario involves a controlled laboratory setup utilizing PV emulators, while the second scenario is an outdoor experiment with three 100 W PV panels. The methodology is structured into several sections: Section 2 describes the system, Section 3 details the estimation process for T and G, Section 4 discusses simulations conducted using MATLAB’s neural network toolbox, and Section 5 focuses on the experimental verification of the proposed technique.
In the indoor experimental setup, the authors employed three programmable power supplies to simulate various output power levels under different temperature and irradiance conditions, as outlined in Table 5. The experimental apparatus included an oscilloscope, variable power resistance, and an Arduino for control. The results indicate a high degree of accuracy, with output power errors ranging from 0.06% to 0.9%, temperature errors from 0.2% to 1.4%, and irradiance errors from 0.1% to 1.4%. The findings demonstrate that the experimental outputs closely match the simulated results, confirming the effectiveness of the ANN approach in estimating T and G in PV systems. The experiments were conducted on October 5, 2022, at EAET Academy in El-Salam First, Egypt, with actual temperature and irradiance data sourced from solar irradiance data (SODA) between 9 AM and 2 PM.
Results
In this section, the authors present simulation results that validate their analysis through the estimation of parameters T and G using the MATLAB neural network toolbox. Two distinct cases are examined to assess the effectiveness of the proposed methods. Additionally, the section includes simulations for two cases of Maximum Power Point (MPP) determination, further demonstrating the applicability of the neural network approach in optimizing performance metrics. The findings from these simulations are critical for understanding the robustness and accuracy of the proposed estimation techniques.
Discussion
In this section, the discussion focuses on the limitations of traditional methods for estimating solar irradiation and the performance of artificial intelligence (AI)-based approaches, particularly Artificial Neural Networks (ANN), in enhancing the accuracy of Maximum Power Point Tracking (MPPT) for photovoltaic (PV) systems. Conventional methods, such as the Newton-Raphson and Open-Circuit Voltage (VOC) methods, struggle with dynamic environmental conditions due to their reliance on linear approximations and precise parameter knowledge, which can lead to significant estimation errors. In contrast, AI-based methods, including ANN, demonstrate improved performance in rapidly changing conditions, achieving lower estimation errors for irradiance and temperature compared to traditional techniques.
The proposed ANN model was validated through simulations using data from both PV datasheets and real-time measurements in Hurghada, Egypt. The ANN achieved a mean squared error (MSE) of 0.00089 for estimating irradiance and temperature, significantly outperforming traditional methods, which had errors of approximately 2.5% and 8.8%, respectively. Furthermore, the ANN’s ability to determine the optimal duty cycle for MPPT was validated under varying irradiance levels, showing high tracking efficiency (up to 99.99%) and minimal output power ripple. These findings underscore the potential of AI-driven approaches to enhance the efficiency and reliability of PV systems in real-world applications.