DOI: https://doi.org/10.1038/s41598-026-36117-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41530512
تاريخ النشر: 2026-01-13
المؤلف: Naima Benabdallah وآخرون
الموضوع الرئيسي: تقنيات تحسين أنظمة الطاقة الشمسية
نظرة عامة
تتناول هذه الدراسة التحديات التي تطرحها خصائص الطاقة-الجهد غير الخطية لأنظمة الطاقة الشمسية (PV)، وخاصة تحت ظروف التظليل الجزئي (PSC)، والتي تؤثر سلبًا على كفاءة الطاقة ودقة التتبع. للتخفيف من هذه المشكلات، يقترح المؤلفون اثنين من وحدات التحكم المتقدمة لتتبع نقطة الطاقة القصوى (MPPT) باستخدام تقنيات الشبكات العصبية الاصطناعية (ANN) ونظام الاستدلال العصبي الضبابي التكيفي (ANFIS). تستفيد هذه الوحدات من مشتقات الطاقة-الجهد ($\frac{dV}{dt}$) ومشتق الجهد الزمني ($\frac{dP}{dV}$) كميزات إدخال، مما يسهل التحكم التنبؤي غير التكراري الذي يقلل بشكل كبير من الاهتزازات الثابتة النموذجية لخوارزميات الاضطراب والمراقبة التقليدية (P&O). تشير نتائج المحاكاة إلى أن وحدات التحكم ANN و ANFIS تحقق كفاءات تتبع متوسطة ($\eta_{avg}$) تبلغ 99.4% و 99.75%، على التوالي، مع تقليل زمن الاستجابة بحوالي 55% وأكثر من 70% من قمع الاهتزازات الثابتة.
في الخاتمة، تسلط الدراسة الضوء على نقاط القوة المتناقضة للوحدتين: بينما تظهر ANN تقاربًا أسرع، تتفوق وحدة التحكم ANFIS في الدقة والصلابة تحت ظروف بيئية متغيرة. كلا الوحدتين تظهران تعقيدًا حسابيًا منخفضًا وأوقات تنفيذ سريعة، مما يجعلهما مناسبين للتنفيذ في الوقت الحقيقي على معالجات الإشارة الرقمية منخفضة التكلفة (DSPs). تؤكد كفاءة التتبع القصوى لوحدة التحكم ANFIS البالغة 99.75% على تحملها للضوضاء واستقرارها التشغيلي. تم وضع أطر MPPT الذكية المقترحة كحلول فعالة لتعزيز تحويل الطاقة الشمسية في البيئات الديناميكية. ستهدف الأبحاث المستقبلية إلى التحقق من هذه النتائج من خلال تنفيذات تجريبية وHardware-in-the-Loop (HIL) لتقييم أداء الوحدات في الوقت الحقيقي في أنظمة الطاقة الشمسية العملية.
مقدمة
تسلط المقدمة الضوء على الأهمية المتزايدة لمصادر الطاقة المتجددة، وخاصة الطاقة الشمسية، في معالجة تحديات إمدادات الطاقة العالمية. تم تحديد أنظمة الطاقة الشمسية الكهروضوئية (PV) كأحدث تقنية لتوليد الكهرباء المتجددة، ومع ذلك، فإن أدائها يتأثر بشكل كبير بخصائص الطاقة-الجهد غير الخطية (P-V)، والتي يمكن أن تتأثر بعوامل بيئية مثل التظليل. كانت التطورات الأخيرة في وحدات التحكم الذكية للطاقة والذكاء الاصطناعي (AI) محورية في تعزيز كفاءة أنظمة الطاقة الشمسية، حيث تشير الدراسات إلى أن وحدات التحكم في تتبع نقطة الطاقة القصوى (MPPT) المعتمدة على الذكاء الاصطناعي يمكن أن تحسن فعالية النظام بنسبة 5% إلى 15% مقارنة بالطرق التقليدية.
تؤكد الورقة على ضرورة تحسين تقنيات MPPT لاستيعاب النمو المتوقع في سوق الطاقة الشمسية، والذي من المتوقع أن يصل إلى قدرة مركبة تبلغ 2,500 ميغاوات بحلول عام 2030. تُلاحظ خوارزميات MPPT التقليدية، مثل الاضطراب والمراقبة (P&O) والتوصيل المتزايد (IncCond)، لقيودها في الأداء تحت ظروف الإشعاع المتغيرة. في المقابل، تظهر الأساليب المدفوعة بالذكاء الاصطناعي، وخاصة الشبكات العصبية الاصطناعية (ANN) وأنظمة الاستدلال العصبي الضبابي التكيفية (ANFIS)، كفاءة تتبع متفوقة، حيث تحقق أكثر من 99% في الظروف المثلى وتعزز بشكل كبير استقرار واستجابة أنظمة الطاقة الشمسية. لا تعد هذه التطورات فقط بوعد بتقليل تكلفة الطاقة المعادلة (LCOE) بنسبة 10-20%، بل تضع أيضًا حلول MPPT المعتمدة على الذكاء الاصطناعي كأمر أساسي لمستقبل تكامل الطاقة الشمسية.
نقاش
في هذا القسم، يركز النقاش على التحديات التي تواجه أنظمة الطاقة الشمسية (PV)، وخاصة تحت ظروف بيئية تتغير بسرعة مثل التظليل وتقلبات درجة الحرارة. يتم تسليط الضوء على وحدات التحكم المدفوعة بالذكاء الاصطناعي، وخاصة الشبكات العصبية الاصطناعية (ANN) وأنظمة الاستدلال العصبي الضبابي التكيفية (ANFIS)، لقدرتها على تعزيز كفاءة الطاقة والاستقرار في أنظمة الطاقة الشمسية. تعالج هذه الوحدات بشكل فعال الخصائص غير الخطية للطاقة-الجهد والمشكلات الناجمة عن ظروف التظليل الجزئي (PSC)، والتي يمكن أن تؤدي إلى خسائر كبيرة في الكفاءة تصل إلى 15%. من خلال استخدام القدرات التنبؤية، تتفوق هذه التقنيات الذكية على الطرق التقليدية لتتبع نقطة الطاقة القصوى (MPPT)، محققة معدلات تقارب أعلى وأداء تتبع محسّن، خاصة تحت الظروف الديناميكية.
تقدم الأبحاث أطرًا مبتكرة مثل نظام الاستشعار البيئي بدون أجهزة (ESHAML) وتحويل القمة المتعددة إلى قمة واحدة (MSMPPT)، والتي تعزز تتبع نقاط الطاقة القصوى العالمية (GMPP) في وجود PSC. تشير النتائج إلى أن وحدة التحكم ANN تحقق كفاءة تبلغ 99.5%، بينما تتجاوز وحدة التحكم ANFIS ذلك بكفاءة تبلغ 99.75%، مما يظهر تذبذب جهد أقل واستقرار أكبر مقارنة بالطرق التقليدية. تؤكد الدراسة على مرونة وفعالية تكلفة هذه الوحدات المدفوعة بالذكاء الاصطناعي، مما يجعلها مناسبة لمجموعة من التطبيقات من الأنظمة المنزلية الصغيرة إلى التركيبات الكبيرة للطاقة الشمسية. بشكل عام، يمثل دمج تقنيات الذكاء الاصطناعي في أنظمة MPPT تقدمًا كبيرًا في تحسين إدارة الطاقة الشمسية ومعالجة التحديات الكامنة في الأساليب التقليدية.
DOI: https://doi.org/10.1038/s41598-026-36117-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41530512
Publication Date: 2026-01-13
Author(s): Naima Benabdallah et al.
Primary Topic: Photovoltaic System Optimization Techniques
Overview
This study addresses the challenges posed by nonlinear power-voltage characteristics of photovoltaic (PV) systems, particularly under partial shading conditions (PSC), which adversely affect energy efficiency and tracking accuracy. To mitigate these issues, the authors propose two advanced maximum power point tracking (MPPT) controllers utilizing Artificial Neural Network (ANN) and Adaptive Neuro-Fuzzy Inference System (ANFIS) techniques. These controllers leverage the power-voltage derivative ($\frac{dV}{dt}$) and voltage time derivative ($\frac{dP}{dV}$) as input features, facilitating predictive, non-iterative control that significantly reduces steady-state oscillations typical of conventional perturb-and-observe (P&O) algorithms. Simulation results indicate that the ANN and ANFIS controllers achieve average tracking efficiencies ($\eta_{avg}$) of 99.4% and 99.75%, respectively, with a response time reduction of approximately 55% and over 70% suppression of steady-state oscillations.
In the conclusion, the study highlights the contrasting strengths of the two controllers: while the ANN demonstrates faster convergence, the ANFIS controller excels in accuracy and robustness under varying environmental conditions. Both controllers exhibit low computational complexity and rapid execution times, making them suitable for real-time implementation on low-cost digital signal processors (DSPs). The ANFIS controller’s maximum tracking efficiency of 99.75% underscores its noise tolerance and operational stability. The proposed intelligent MPPT frameworks are positioned as effective solutions for enhancing photovoltaic energy conversion in dynamic environments. Future research will aim to validate these findings through experimental and Hardware-in-the-Loop (HIL) implementations to further assess the controllers’ real-time performance in practical PV systems.
Introduction
The introduction highlights the growing importance of renewable energy sources, particularly solar energy, in addressing global energy supply challenges. Solar photovoltaic (PV) systems are identified as the leading technology for renewable electricity generation, yet their performance is significantly influenced by nonlinear power-voltage (P-V) characteristics, which can be affected by environmental factors like shading. Recent advancements in smart energy controllers and artificial intelligence (AI) have been pivotal in enhancing the efficiency of PV systems, with studies indicating that AI-based maximum power point tracking (MPPT) controllers can improve system efficacy by 5% to 15% compared to traditional methods.
The paper emphasizes the necessity of optimizing MPPT techniques to accommodate the anticipated growth of the solar energy market, projected to reach an installed capacity of 2,500 MW by 2030. Conventional MPPT algorithms, such as perturb and observe (P&O) and incremental conductance (IncCond), are noted for their limitations in performance under varying irradiance conditions. In contrast, AI-driven approaches, particularly artificial neural networks (ANN) and adaptive neuro-fuzzy inference systems (ANFIS), demonstrate superior tracking efficiency, achieving over 99% in optimal conditions and significantly enhancing the stability and responsiveness of PV systems. These advancements not only promise to reduce the Levelized Cost of Energy (LCOE) by 10-20% but also position AI-based MPPT solutions as essential for the future of solar energy integration.
Discussion
In this section, the discussion centers on the challenges faced by photovoltaic (PV) systems, particularly under rapidly changing environmental conditions such as shading and temperature fluctuations. The proposed AI-driven controllers, specifically Artificial Neural Networks (ANN) and Adaptive Neuro-Fuzzy Inference Systems (ANFIS), are highlighted for their ability to enhance energy efficiency and stability in PV systems. These controllers effectively address the non-linear P-V characteristics and the complications arising from partial shading conditions (PSC), which can lead to significant efficiency losses of up to 15%. By employing predictive capabilities, these AI techniques outperform traditional Maximum Power Point Tracking (MPPT) methods, achieving higher convergence rates and improved tracking performance, particularly under dynamic conditions.
The research introduces innovative frameworks like the Environmental Sensor-Less Hybrid Analytical-Machine Learning (ESHAML) and Multi-Peak to Single-Peak Conversion (MSMPPT), which enhance the tracking of global maximum power points (GMPP) in the presence of PSC. The findings indicate that the ANN controller achieves an efficiency of 99.5%, while the ANFIS controller surpasses this with 99.75% efficiency, demonstrating lower voltage ripple and greater stability compared to conventional methods. The study emphasizes the flexibility and cost-effectiveness of these AI-based controllers, making them suitable for a range of applications from small domestic systems to large-scale PV installations. Overall, the integration of AI techniques into MPPT systems represents a significant advancement in optimizing PV power management and addressing the inherent challenges of traditional approaches.