DOI: https://doi.org/10.1371/journal.pone.0342496
PMID: https://pubmed.ncbi.nlm.nih.gov/41706748
تاريخ النشر: 2026-02-18
المؤلف: Wei Liming وآخرون
الموضوع الرئيسي: تقنيات تحسين أنظمة الطاقة الشمسية
نظرة عامة
تتناول هذه الورقة البحثية التحديات المتعلقة بالتقارب البطيء وسعة النقل غير المستقرة في أنظمة الطاقة الشمسية خلال تتبع نقطة القدرة القصوى (MPPT). وتقدم استراتيجية تحكم جديدة لـ MPPT تعتمد على خوارزمية سكانية ذات طبقات دقيقة تعزز كفاءة البحث من خلال دمج خوارزمية بحث العصافير (SSA) وتحسين سرب الجسيمات (PSO). تشمل الابتكارات الرئيسية آلية توقف للسكان في PSO للتخفيف من التقارب المبكر، وتوليد سكان أولي موزع بشكل موحد عبر تسلسل طبقي دقيق، وتحسين تعاوني بين السكان الرئيسيين. يسمح التنظيم الهرمي للسكان بتحسين مستقل داخل الطبقات، مما يزيد من التنوع ويحسن كفاءة البحث العامة.
تظهر نتائج المحاكاة التي أجريت تحت ظروف جوية متغيرة في شمال شرق الصين أن الخوارزمية المحسنة المقترحة للسكان الهرميين (PSSSA) يمكن أن تتبع بدقة نقطة القدرة القصوى في غضون 0.2 ثانية، متفوقة على الخوارزميات التقليدية مثل PSO وSSA وPerturbation Observation (P&O) من حيث استقرار التتبع وسرعة التقارب. ومن الجدير بالذكر أن خوارزمية PSSSA تحقق نقطة قدرة قصوى أكبر بحوالي 64% من تلك الخاصة بخوارزمية PSO، مع ضمان أداء تتبع سريع ومستقر. تشير النتائج إلى أن الطريقة المقترحة تعزز بشكل كبير أداء النظام عبر ظروف تشغيل مختلفة، مع سرعة تقارب أسرع بحوالي 14% من SSA وزيادة في المتانة في بيئات الإضاءة المتقلبة.
مقدمة
تسلط المقدمة الضوء على الحاجة الملحة لمصادر الطاقة البديلة بسبب استنفاد المصادر التقليدية، مع التأكيد على قيود طرق تتبع نقطة القدرة القصوى التقليدية مثل تتبع الجهد الثابت (CVT) والتوصيل المتزايد (INC) وطريقة الاضطراب والملاحظة (P&O). أدت التقدمات الأخيرة في الذكاء الاصطناعي (AI) إلى دمج تقنيات مثل الشبكات العصبية البيولوجية والشبكات العصبية الاصطناعية (ANNs) والتحكم المنطقي الضبابي في استراتيجيات MPPT لتوليد الطاقة الشمسية. تهدف هذه الطرق المعززة بالذكاء الاصطناعي إلى التغلب على أوجه القصور في الأساليب التقليدية، مع تقدم ملحوظ بما في ذلك خوارزمية MSSSA، التي تظهر أداءً متفوقًا في تحسين الأداء والقدرة على التكيف في موازنة سرعة التتبع ودقة الإخراج.
علاوة على ذلك، تناقش المقدمة استراتيجيات مبتكرة متنوعة تجمع بين خوارزميات الذكاء الاصطناعي لتعزيز كفاءة MPPT. تم استخدام تقنيات مثل تحسين سرب الجسيمات، والتداخل النيوتن، وخوارزميات الانحدار لتقليل فقد الطاقة وتحسين دقة البحث، محققة أخطاء تتبع أقل من 0.5%. ساهم دمج الخوارزميات الذكية في العاكسات الشمسية المتصلة بالشبكة وتطوير خوارزميات هجينة، مثل خوارزمية دمج سرب الحيتان، أيضًا في تحسين دقة التقارب وكفاءة التحسين. بشكل عام، تؤكد هذه الفقرة على الأهمية المتزايدة لدمج الخوارزميات في تقدم تقنيات MPPT ضمن قطاع الطاقة المتجددة.
النتائج
في هذه الدراسة، تم تطوير نموذج محاكاة شامل لأنظمة الطاقة الشمسية (PV) باستخدام MATLAB/Simulink، يتضمن محول Boost وآلية تحكم PWM لتحسين تتبع نقطة القدرة القصوى (MPPT) تحت ظروف إضاءة متغيرة. تم ضبط معلمات النموذج بجهد دائرة مفتوحة ($U_{oc}$) قدره 36.3 فولت، و تيار دائرة قصيرة ($I_{SC}$) قدره 7.84 أمبير، و جهد ذروة ($U_{m}$) قدره 29 فولت، و تيار ذروة ($I_{m}$) قدره 7.35 أمبير، مع إضاءة موحدة عند 1000 واط/م² ودرجة حرارة خلية قدرها 25 درجة مئوية. تم اختبار الإعداد التجريبي بدقة تحت ظروف إضاءة موحدة ومعقدة، مع تكرار كل سيناريو ثلاث مرات لضمان موثوقية البيانات.
تم تقييم فعالية خوارزميات MPPT المختلفة، بما في ذلك تحسين سرب الجسيمات التقليدي (PSO) وPSO الفوضوي وPSSSA وطريقة الملاحظة الاضطرابية. تم توحيد معلمات كل خوارزمية لتسهيل مقارنة عادلة، كما هو موضح في جداول الملخص. تم تحليل النتائج باستخدام نص برمجي مخصص في MATLAB، مما أسفر عن قيم متوسطة وانحرافات معيارية لمقاييس الأداء. تشير النتائج إلى أن خوارزمية الدمج أظهرت إمكانات كبيرة في تعزيز كفاءة MPPT عبر سيناريوهات إضاءة مختلفة، كما هو موضح في الأشكال والجداول المرفقة.
المناقشة
في هذا القسم المناقشي، يبرز المؤلفون فعالية خوارزمية هجينة تجمع بين تحسين سرب الجسيمات (PSO) وتحسين الذئب الرمادي (GWO) في تعزيز أداء تتبع نقطة القدرة القصوى (MPPT) للأنظمة الشمسية. يحسن هذا النهج الهجين بشكل كبير من سرعة تقارب الطاقة، ودقة التتبع، ويقلل من تذبذبات الطاقة خلال التكرارات. كما يتناول المؤلفون قيود الخوارزميات الحالية، مثل خوارزمية تحسين الحيتان (WOA) وخوارزمية بحث العصافير (SSA)، التي، على الرغم من فعاليتها في جوانب معينة، تواجه صعوبات في قدرات البحث المحلي والاستقرار الديناميكي. من خلال دمج نقاط القوة في WOA وSSA في خوارزمية تحسين هجينة جديدة، تظهر الدراسة تقدمًا ملحوظًا في نماذج توقع طاقة الرياح، مما يبرز إمكانات الخوارزميات الهجينة في تطبيقات MPPT.
تهدف خوارزمية PSSSA المقترحة (خوارزمية السكان الهرمي المنقحة) إلى معالجة التحديات التي تطرحها ظروف الظل المحلي في أنظمة الطاقة الشمسية. تستخدم تسلسل هرمي منقح لتهيئة السكان، مما يعزز التنوع والتعاون بين سكان PSO وSSA. تقدم الخوارزمية آلية دمج غير خطية ديناميكية تقوم بتعديل مساهمات PSO وSSA بشكل تكيفي بناءً على حالات البحث في الوقت الحقيقي، مما يسهل التقارب الأسرع عبر قمم الطاقة المتعددة ويقلل من التذبذبات في الحالة المستقرة. يؤكد المؤلفون أن هذا النهج المبتكر لا يحسن فقط دقة التتبع وسرعة التقارب، بل يؤسس أيضًا إطارًا منهجيًا يمكن توسيعه للبحوث المستقبلية، مما يوفر في النهاية حلاً قويًا لتحسين MPPT تحت ظروف بيئية معقدة.
DOI: https://doi.org/10.1371/journal.pone.0342496
PMID: https://pubmed.ncbi.nlm.nih.gov/41706748
Publication Date: 2026-02-18
Author(s): Wei Liming et al.
Primary Topic: Photovoltaic System Optimization Techniques
Overview
This research paper addresses the challenges of slow convergence and unstable transmission capacity in photovoltaic systems during maximum power point tracking (MPPT). It introduces a novel MPPT control strategy based on a fine-layered population algorithm that enhances search efficiency through a combination of the Sparrow Search Algorithm (SSA) and Particle Swarm Optimization (PSO). Key innovations include a PSO population pause mechanism to mitigate premature convergence, the generation of a uniformly distributed initial population via fine-layered sequencing, and cooperative optimization between the two main populations. The hierarchical organization of the population allows for independent optimization within layers, thereby increasing diversity and improving overall search efficiency.
Simulation results conducted under varying weather conditions in Northeast China demonstrate that the proposed improved hierarchical population algorithm (PSSSA) can accurately track the maximum power point within 0.2 seconds, outperforming traditional algorithms such as PSO, SSA, and Perturbation Observation (P&O) in terms of tracking stability and convergence speed. Notably, the PSSSA algorithm achieves a maximum power point approximately 64% larger than that of the PSO algorithm, while also ensuring rapid and stable tracking performance. The findings indicate that the proposed method significantly enhances system performance across different operating conditions, with a convergence speed approximately 14% faster than SSA and improved robustness in fluctuating light environments.
Introduction
The introduction highlights the urgent need for alternative energy sources due to the depletion of traditional ones, emphasizing the limitations of conventional Maximum Power Point Tracking (MPPT) methods such as Constant Voltage Tracking (CVT), Incremental Conductance (INC), and Perturbation and Observation (P&O). Recent advancements in artificial intelligence (AI) have led to the integration of techniques like biological neural networks, artificial neural networks (ANNs), and Fuzzy Logic Control into MPPT strategies for photovoltaic power generation. These AI-enhanced methods aim to overcome the shortcomings of traditional approaches, with notable advancements including the MSSSA algorithm, which demonstrates superior optimization performance and adaptability in balancing tracking speed and output accuracy.
Furthermore, the introduction discusses various innovative strategies that combine AI algorithms to enhance MPPT efficiency. Techniques such as particle swarm optimization, Newton interpolation, and regression algorithms have been employed to minimize power loss and improve search accuracy, achieving tracking errors below 0.5%. The integration of intelligent algorithms in grid-connected photovoltaic inverters and the development of hybrid algorithms, such as the whale particle swarm fusion algorithm, have also contributed to improved convergence accuracy and optimization efficiency. Overall, the section underscores the growing significance of algorithm integration in advancing MPPT technologies within the renewable energy sector.
Results
In this study, a comprehensive simulation model for photovoltaic (PV) systems was developed using MATLAB/Simulink, incorporating a Boost converter and a PWM control mechanism to optimize Maximum Power Point Tracking (MPPT) under varying lighting conditions. The model parameters were set with an open-circuit voltage ($U_{oc}$) of 36.3 V, a short-circuit current ($I_{SC}$) of 7.84 A, a peak voltage ($U_{m}$) of 29 V, and a peak current ($I_{m}$) of 7.35 A, with uniform illumination at 1000 W/m² and a cell temperature of 25 °C. The experimental setup was rigorously tested under both uniform and complex lighting conditions, with each scenario repeated three times to ensure data reliability.
The effectiveness of various MPPT algorithms, including traditional Particle Swarm Optimization (PSO), chaotic PSO, PSSSA, and the perturbation observation method, was evaluated. The parameters for each algorithm were standardized to facilitate a fair comparison, as detailed in the summary tables. Results were analyzed using a custom MATLAB script, yielding average values and standard deviations for performance metrics. The findings indicate that the fusion algorithm demonstrated significant potential in enhancing MPPT efficiency across different lighting scenarios, as illustrated in the accompanying figures and tables.
Discussion
In this discussion section, the authors highlight the efficacy of a hybrid algorithm combining Particle Swarm Optimization (PSO) and Grey Wolf Optimization (GWO) in enhancing the performance of Maximum Power Point Tracking (MPPT) for photovoltaic systems. This hybrid approach significantly improves power convergence speed, tracking accuracy, and reduces power oscillations during iterations. The authors also address the limitations of existing algorithms, such as the Whale Optimization Algorithm (WOA) and the Sparrow Search Algorithm (SSA), which, while effective in certain aspects, struggle with local search capabilities and dynamic stability. By integrating the strengths of WOA and SSA into a new hybrid optimization algorithm, the study demonstrates notable advancements in wind power prediction models, underscoring the potential of hybrid algorithms in MPPT applications.
The proposed PSSSA (Refined Hierarchical Population Algorithm) aims to tackle the challenges posed by local shading conditions in photovoltaic systems. It employs a refined hierarchical sequence for initializing populations, which enhances the diversity and collaboration between PSO and SSA populations. The algorithm introduces a dynamic nonlinear fusion mechanism that adaptively adjusts the contributions of PSO and SSA based on real-time search states, facilitating faster convergence across multiple power peaks and minimizing steady-state oscillations. The authors assert that this innovative approach not only improves tracking accuracy and convergence speed but also establishes a systematic framework that can be expanded for future research, ultimately providing a robust solution for optimizing MPPT under complex environmental conditions.