يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة بحثية

تصميم محول تيار مستمر-تيار مستمر لمحطة شحن مركبات كهربائية مستقلة تعمل بالألواح الكهروضوئية ثنائية الوجه باستخدام خوارزمية تحسين طائر السكرتير

104 مشاهدة

⸱

DOI:

10.3791/71079

⸱

أغسطس 18, 2026

 ,  ,  , 
1Department of Electrical and Electronic Engineering, Sreenidhi Institute of Science and Technology, 2Department of Electrical and Electronic Engineering, Vardhaman College of Engineering, 3Centre for Research Impact and Outcome, Chitkara University Institute of Engineering and Technology, Chitkara University, 4Department of Electronics and Instrumentation Engineering, CVR College of Engineering, 5Department of Electrical and Electronics Engineering, Faculty of Engineering, University of the Ryukyus

في هذه المقالة

ملخص

تطور هذه الدراسة نظام تتبع نقطة الطاقة القصوى (MPPT) القائم على الشبكات العصبية الاصطناعية (ANN) والمدعوم بتخزين البطاريات لمحطة شحن مركبات كهربائية مستقلة تعمل بنظام كهروضوئي ثنائي الوجه. بالإضافة إلى ذلك، تعمل خوارزمية تحسين طائر السكرتير (SBOA) على تحسين معلمات محول DC–DC، والمرشح، ووحدة التحكم PI لتقليل التشوه التوافقي الكلي (THD) وانحراف جهد ناقل التيار المستمر (DC-bus).

الملخص

استجابةً للتركيز المتزايد على التنقل المستدام، تقدم هذه الدراسة نظام شحن للمركبات الكهربائية (EV) يعتمد على الطاقة المتجددة ويدمج نظام تخزين طاقة بالبطاريات (BES) في المحطة. يستخدم النظام مصفوفة كهروضوئية (PV) ثنائية الوجه مع مخطط لتتبع نقطة الطاقة القصوى (MPPT) مدعوم بشبكة عصبونية اصطناعية (ANN). بالإضافة إلى ذلك، تم استخدام خوارزمية تحسين طائر السكرتير (SBOA) لتحسين معاملات محول DC–DC والمرشح ووحدة التحكم PI لتقليل التشوه التوافقي الكلي (THD) مع الحفاظ على استقرار جهد ناقل التيار المستمر (DC-bus). تم تقييم خمسة نماذج من المركبات الكهربائية، بما في ذلك نموذج واحد يعتمد على بطارية الرصاص الحمضية (BMW i3) وأربعة نماذج تعتمد على بطاريات الليثيوم أيون (Fiat 500e, Mercedes EQA 250, Volkswagen e-Golf, and Hyundai Kona Electric). تعمل تهيئة MPPT المقترحة على استخراج أقصى طاقة من النظام الكهروضوئي ثنائي الوجه مع الحفاظ على جهد مستقر لناقل التيار المستمر في ظل ظروف بيئية وأحمال متغيرة. وأظهر التحقق من خلال محاكاة MATLAB/Simulink تحت ثلاثة سيناريوهات تشغيل (الإشعاع = 800–1000 W/m2؛ درجة الحرارة = 20–25 °C) كفاءة تحويل عالية، وقيم THD بلغت 2.85% و 2.26% و 2.23%، وإدارة قوية للطاقة مناسبة لمحطات شحن المركبات الكهربائية غير المرتبطة بالشبكة.

المقدمة

يعد دمج المصادر المتجددة، وبشكل أساسي الطاقة الشمسية، ومحطات شحن المركبات الكهربائية (EV) في نظام التوزيع أمراً أساسياً في الوقت الحاضر. ومع ذلك، يؤدي هذا الدمج إلى ظهور مشكلات في جودة الطاقة (PQ) والحاجة إلى تقنيات متقدمة لتتبع نقطة الطاقة القصوى (MPPT) لاستخلاص الطاقة من المصادر المتجددة. ونظراً للنمو السريع في اعتماد المركبات الكهربائية، أصبح من الضروري توفير بنية تحتية للشحن تتميز بالسرعة والموثوقية. إذ يؤدي استخدام محطات الشحن التقليدية المتصلة بالشبكة إلى انبعاثات كربونية، وإجهاد للشبكة، ومشكلات في جودة الطاقة (PQ). بالإضافة إلى ذلك، يمكن أن يساعد دمج مصادر الطاقة المتجددة، مثل الطاقة الشمسية، مع المركبات الكهربائية في تقليل الانبعاثات الكربونية. ومع ذلك، يتم أخذ تخزين البطاريات بعين الاعتبار جنباً إلى جنب مع الطاقة الشمسية، نظراً لأن الطاقة الشمسية غير مستقرة بطبيعتها. وتوفر تقنيات MPPT القائمة على الذكاء الاصطناعي إنتاجية شمسية أعلى من طريقة الاضطراب والملاحظة (P & O) التقليدية.

تم اقتراح خوارزمية تحكم جديدة تعتمد على المكامل العام من الدرجة الخامسة المخمد لأنظمة الخلايا الكهروضوئية المتصلة بالشبكة، وذلك لنقل الطاقة الشمسية بدقة إلى الشبكة عند معامل قدرة (PF) وحدة باستخدام تحسين علم النفس البشري1. بالإضافة إلى ذلك، تم استخدام استراتيجية تحكم مثالية لتسلق التلة تعتمد على التعلم، ومعززة بمرشح كالمان (Kalman filter) مثالي-M متكيف، لتحسين استخلاص الطاقة من نظام الخلايا الكهروضوئية2. ومن ناحية أخرى، تم توظيف خوارزمية تنبؤية لإدارة وتنظيم الطاقة بكفاءة لنظام الخلايا الكهروضوئية المدمج في الشبكة الصغيرة. تم تكوين النظام بإعداد ثلاثي الأطوار (3φ) مزدوج المرحلة3.

وفي الوقت نفسه، تم تطوير مستشعر جهد جديد يعتمد نهج استهلاك طاقة منخفض لاستخلاص أقصى قدر من طاقة الخرج من نظام كهروضوئي شمسي متصل بمحطة شحن مركبات كهربائية، مع التركيز على الكفاءة والسرعة 4. ومع ذلك، تم ابتكار نهج جديد لمصادقة الأوامر لتحديد هجمات حقن البيانات الاحتيالية التي تستهدف تحديداً إشارات تحكم التوزيع الاقتصادي المركزية للنظام5. بالإضافة إلى ذلك، تم تقديم نهج متطور لاستخلاص خرائط البروز من ترتيبات الألواح الشمسية المترابطة وتقييم المحيط للكشف عن وجود تظليل6. كما تم عرض استراتيجية تحكم لإدارة مشكلات جودة الطاقة (PQ) بنجاح في جهاز تعويض جودة الطاقة الموحد (UPQC) باستخدام نظام تخزين الطاقة المغناطيسية فائقة التوصيل، وتحديداً فيما يتعلق بالأحمال الناتجة عن محطات شحن المركبات الكهربائية7.

علاوة على ذلك، تشكل الوحدات الكهروضوئية ثنائية الوجه تحدياً كبيراً للجدوى المالية لأنظمة الطاقة الكهروضوئية. وبينما تعد طرق التنبؤ بأداء الخلايا الكهروضوئية أحادية الوجه راسخة، فإن تكييف هذه النماذج لتناسب الأنظمة ثنائية الوجه لا يزال قيد التطوير8,9. وفضلاً عن ذلك، أظهرت دراسات متعددة أن إنتاج الطاقة في الخلايا الكهروضوئية ثنائية الوجه يتأثر بعوامل هندسية؛ لذا من المهم مراعاة هذه العناصر عند تقييم تشغيل التقنيات ثنائية الوجه10,11,12,13,14,15. ومن ناحية أخرى، تم تطوير تقنيات تتبع نقطة الطاقة القصوى (MPPT) القائمة على طريقة الاضطراب والمراقبة (P & O) والذكاء الاصطناعي لاستخلاص الطاقة الكهروضوئية، بالإضافة إلى تصميم وحدات تحكم تعتمد على طرق التحسين16,17,18. كما تمت مناقشة نمذجة ومحاكاة الخلايا الكهروضوئية ثنائية الوجه مقارنة بأحادية الوجه بالتفصيل19. وفي الوقت ذاته، تم اقتراح استخدام MPPT القائمة على P & O والشبكات العصبية الاصطناعية (ANN) للأنظمة الكهروضوئية في تصميم محطات شحن المركبات الكهربائية20,21. وقد صُممت محطة شحن المركبات الكهربائية العاملة بالطاقة الكهروضوئية لدعم نماذج مختلفة باستخدام P & O MPPT22. بعد ذلك، تمت نمذجة سلوك طائر السكرتير من أجل البقاء، مثل البحث عن الفرائس وصيدها، رياضياً من أجل خوارزمية SBOA23. كما تم تقديم محول DC-DC منظم بالمنطق الضبابي لشحن مستمر لمنزل مدعوم بالطاقة الشمسية24. وأدخل مخطط التحكم في التدفق المباشر وعزم الدوران المنطق الضبابي لتلبية متطلبات عزم دوران المركبة وتحسين أداء التدريب25.

علاوة على ذلك، أُجريت مراجعة شاملة للاتجاهات الناشئة، بما في ذلك تقنية المركبة إلى الشبكة (V2G) وأنظمة إدارة الطاقة التي يتم التحكم فيها بواسطة الذكاء الاصطناعي، بالإضافة إلى دور المصادر المتجددة في عمليات المركبات الكهربائية المستجيبة للشبكة26. وفضلاً عن ذلك، تم تطوير طريقة جديدة لمعالجة حالات عدم اليقين في توليد الطاقة المتجددة، وسلوك شحن المركبات الكهربائية، وتسعير السوق27. ومع ذلك، نوقشت الاختلافات الجوهرية بين المركبات الكهربائية (EVs) والمركبات الكهربائية ذاتية القيادة (SAEVs) في تقنية V2G، مع تسليط الضوء على الطريقة المبتكرة للمركبات الكهربائية ذاتية القيادة ذات الميزات المتميزة، مما عزز دورها في تكامل V2G28.

أُجريت دراسات عديدة على محطات شحن المركبات الكهربائية المتصلة بالشبكة والتي تعمل بالخلايا الكهروضوئية أحادية الوجه باستخدام طرق تتبع نقطة الطاقة القصوى (MPPT) التقليدية، مثل طريقة الاضطراب والملاحظة P & O (المدرجة في Table 1)، وطريقة زيادة التيار والنقصان I  C، والمنطق الضبابي، وطرق التحسين الميتا-هيو رستية. وقد ركزت هذه الدراسات إما على نظام استخراج الطاقة الكهروضوئية أو على اختيار معاملات وحدة التحكم. ومع ذلك، لا يتوفر سوى عدد قليل من الأنظمة الكهروضوئية أحادية الوجه التي تستخدم MPPT القائم على الذكاء الاصطناعي مع اختيار المعاملات المثلى للمحولات DC-DC والمصفيات ومكاسب تحكم PI، كل ذلك ضمن إطار عمل واحد، للحفاظ على استقرار جهد ناقل DC وتقليل التشوه التوافقي الكلي (THD). لذا، فإن هذه الفجوة البحثية تحفز تطوير MPPT قائم على الشبكات العصبية الاصطناعية (ANN) للخلايا الكهروضوئية ثنائية الوجه ووحدات تحكم محسنة للمحولات والمصفيات لتعزيز جودة الطاقة (PQ) في محطة شحن مركبات كهربائية مستقلة تعمل تحت ظروف ديناميكية. تقدم هذه الدراسة بنية شحن كهروضوئية ثنائية الوجه مستقلة مدمجة مع وحدة تحكم MPPT مدفوعة بشبكة عصبية اصطناعية، مصممة لمحطات المركبات الكهربائية على الطرق السريعة. تم تكوين النظام لشحن خمسة أنواع من بطاريات المركبات الكهربائية22، بما في ذلك أربعة نماذج من ليثيوم-أيون: هيونداي كونا إلكتريك، وفولكس فاجن e-Golf، وفيات 500e، ومرسيدس EQA 250، وبي إم دبليو i3، وتكوين واحد من رصاص-حمض، مدعومة بوحدة تخزين بطارية مساعدة تضمن التشغيل المستقر تحت ظروف شمسية متقلبة.

يمكن تلخيص المساهمات الرئيسية للعمل المقترح فيما يلي: (1) تطوير ترتيب للخلايا الكهروضوئية ثنائية الوجه (bifacial PV) مدعوم بنظام تخزين طاقة البطاريات (BES) يعمل في الوضع المنعزل لتزويد عدة مركبات كهربائية (EVs) وبطلب تيار متردد (AC) على مستوى المحطة من خلال واجهات DC/AC منسقة. حيث تقوم الخلايا الكهروضوئية ثنائية الوجه بحصاد طاقة أكبر من كلا السطحين الأمامي والخلفي مقارنة بالخلايا أحادية الوجه. (2) تنفيذ خوارزمية تتبع نقطة الطاقة القصوى (MPPT) القائمة على الشبكات العصبية الاصطناعية (ANN)، والتي تنظم بشكل تكيفي نسبة التشغيل لمحول الرفع (boost-converter) لاستخراج أقصى قدر متاح من الطاقة الشمسية. (3) تحسين معاملات محول DC-DC، وقيم R L للمرشح، ومكاسب متحكم PI باستخدام خوارزمية تحسين طائر السكرتير (SBOA)، بهدف تحقيق تشوه توافقي كلي (THD) منخفض وجهد ثابت لناقل التيار المستمر (DC-bus) أثناء تغيرات الإشعاع ودرجة الحرارة. (4) التحقق من خلال ثلاثة سيناريوهات تشغيل تتضمن ظروفًا بيئية وأحمالًا متغيرة لتقييم متانة المتحكم وكفاءة النظام.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

في هذا البحث، تم تطوير نظام شحن للمركبات الكهربائية (EV) يعمل بنظام مستقل يعتمد على الخلايا الكهروضوئية ثنائية الوجه (bifacial PV) ونظام تخزين طاقة البطاريات (BESS)، كما هو موضح في الشكل 1، باستخدام طريقة تتبع نقطة الطاقة القصوى (MPPT) التي يتم التحكم فيها بواسطة الشبكة العصبية الاصطناعية (ANN). تم استخدام دائرة مكافئة أحادية الثنائيات لنمذجة المصفوفة الكهروضوئية ثنائية الوجه، مع مراعاة درجة الحرارة، والمقاومة المتسلسلة، ومقاومة التوازي، والإشعاع الشمسي، والإشعاع من الجانب الخلفي. ويتم تزويد محطة شحن المركبات الكهربائية بمخرجات النظام الكهروضوئي من خلال محول رفع تيار مستمر-تيار مستمر (DC–DC boost converter)، بينما يدعم نظام BESS تنظيم جهد ناقل التيار المستمر (DC-bus). كما تم استخدام خوارزمية تحسين طائر السكرتير (SBOA) لتحسين مكاسب متحكم PI ومعاملات المرشح. وفيما يلي وصف لنمذجة مكونات النظام والمنهجية المقترحة في الأقسام الفرعية التالية.

نمذجة المكونات

1. نظام الخلايا الكهروضوئية ثنائية الوجه

تساعد الوحدات الكهروضوئية (PV) في تحقيق ناتج التيار والجهد المطلوبين. في هذه الدراسة، تم استخدام وحدتين كهروضوئيتين أحاديتي الوجه لمحاكاة خصائص توليد الطاقة للمصفوفات ثنائية الوجه تحت ظروف مختلفة من وضاءة السطح (albedo)9. يتم تحديد الكسب ثنائي الوجه للإشعاع BGg بواسطة المعادلة (1)

صيغة حساب كسب الخلفية؛ توضح أن BG_q=10×G_r/G_f.   (1)

هنا، يمثل Gf الإشعاع الأمامي، ويمثل Gr الإشعاع الخلفي. أما أقصى تيار للخلايا الكهروضوئية ثنائية الوجه فهو Imp، والجهد هو Vmp. وأخيرًا، يتم تحديد المخرجات الناتجة عن النظام ثنائي الوجه مع العدد المختار من الوحدات المتصلة على التوالي Ns وعلى التوازي Np بواسطة المعادلة (2). يظهر التحكم في الخلايا الكهروضوئية في الشكل 2

معادلة الطاقة الكهروضوئية Pmp=Ns×Np×Vmp×Imp.   (2)

2. نظام تخزين البطارية (BSS)

تعد البطاريات وسيلة حاسمة لتخزين الطاقة الكهربائية18 . يستخدم هذا العمل بطاريات Li-ion كنظام لتخزين الطاقة. ومن بين خيارات البطاريات القابلة لإعادة الشحن المتاحة، يركز هذا العمل على بطاريات Li-ion، والتي تُعتبر مثالية للمركبات الكهربائية (EVs) نظرًا لكفاءتها وكثافة طاقتها. تصف المعادلتان (3) و(4) بطارية Li-ion مع القيود.

معادلة التوازن الاستاتيكي SOC_OB=70(1+∫i_BSS dtQ)؛ صيغة توازن الشحنة الكهربائية.  (3)

تم تلخيص مواصفات الخلايا الكهروضوئية (PV)، وبطارية التخزين، والمحول في الجدول 2، بينما يوضح الجدول 3 توزيع تدفق الطاقة بين مصفوفة الخلايا الكهروضوئية، ووحدة تخزين الطاقة، والأحمال المتصلة.

صيغة تحسين حالة الشحن (SOC)، SOCOB min ≤ SOCOB ≤ SOCOB max، معادلة رياضية.   (4)

3. محول التيار المستمر إلى تيار متردد (DC –AC converter)

يتم اعتماد العاكس ذو نقطة التعادل الموحدة (NPC) على نطاق واسع في أنظمة تحويل الطاقة الحديثة للطاقة المتجددة. ومقارنة بالبنية التقليدية ذات المستويين، يوفر تكوين NPC تشويهاً توافقياً كلياً (THD) أقل، وتداخلاً كهرومغناطيسياً أقل، وإجهاد جهد أقل على أجهزة أشباه الموصلات. ينقسم رابط التيار المستمر (DC link) في هذه الطوبولوجيا إلى ثلاثة مستويات جهد هي +Vdc/2 و 0 و -Vdc/2، وذلك عن طريق مكثفات مزدوجة وصمامات ثنائية للتثبيت تشكل وصلة التعادل. ومن خلال التحكم المناسب في عملية التبديل، يولّد العاكس ثلاث حالات جهد منفصلة عند أطراف المخرجات، مما يؤدي إلى تحسين جودة شكل الموجة وكفاءة تحويل الطاقة. وتلعب نقطة التعادل لناقل التيار المستمر في عاكس NPC دوراً رئيسياً في موازنة جهود المكثفات وضمان التشغيل السليم للعاكس. يظهر مخطط التحكم في العاكس في الشكل 3.

4. محول رفع الجهد من تيار مستمر إلى تيار مستمر (DC-DC Boost Converter)

تقوم محولات التيار المستمر إلى تيار مستمر (DC-DC converters) برفع جهد التيار المستمر الداخل إلى جهد خرج أعلى من خلال التحكم في دورة التشغيل (duty cycle) لجهاز تبديل عالي التردد مع الحفاظ على الكفاءة. وللمحول وضعان للتشغيل؛ فخلال حالة التشغيل (ON state)، يكون الديود في حالة انحياز عكسي، ويقوم مصدر الدخل بتزويد المحث بالطاقة التي يخزنها على شكل مجال مغناطيسي، بينما يقوم مكثف الخرج بتزويد الحمل بالطاقة. أما خلال حالة الإيقاف (OFF state)، فيصبح الديود في حالة انحياز أمامي، وهنا تتحرر الطاقة المخزنة في المحث عبر الديود إلى المكثف المتصل بالخرج والحمل، وتتحد مع مصدر الدخل لإنتاج جهد خرج أكبر من جهد الدخل. ومن خلال تغيير دورة تشغيل تعديل عرض النبضة (PWM)، يتغير جهد خرج المحول وفقاً للعلاقة التوازن الاستاتيكي، الصيغة V0=Vn/(1-D)، معادلات، بحث تعليمي، مفهوم فيزيائي.، حيث تمثل D دورة التشغيل. وتُستخدم في الأنظمة الشمسية، وخلايا الوقود، والمركبات الكهربائية، وأنظمة التخزين.

مخطط تحكم بالشبكة العصبية الاصطناعية لتتبع أقصى نقطة قدرة

في هذا العمل، تم اختيار تتبع نقطة الطاقة القصوى (MPPT) القائم على الشبكة العصبونية الاصطناعية (ANN) لجمع أقصى قدر من الطاقة المولدة من النظام الشمسي.17تَمَّ توليد مجموعات بيانات التشعيع ودرجة الحرارة المستخدمة في تدريب الشبكة العصبية الاصطناعية (ANN) في برنامج MATLAB/Simulink تحت ظروف تشغيل بيئية متغيرة، بما يتوافق مع مستويات إشعاع شمسي تتراوح بين 80 و100 واط/م²2 ونطاقات درجات حرارة تتراوح بين 20-25 °C، مع دورة تشغيل (D). وتُدرَّب الشبكة العصبية الاصطناعية (ANN) لتقليل متوسط مربع الخطأ (MSE) بين المخرجات التي تم الحصول عليها والمخرجات المطلوبة (أوp, التوازن السكوني، مخطط ΣFx=0، يوضح القوى في حالة اتزان للاستخدام التعليمي.لاستخراج أقصى قدرة من نظام الخلايا الكهروضوئية ثنائية الوجه. وهنا، تُستخدم شدة الإشعاع الشمسي ودرجة الحرارة كمدخلات للشبكة العصبية الاصطناعية (ANN)، بينما تكون دورة التشغيل (duty cycle) هي المخرج للتحكم في محول الرفع (boost converter). وبنية نموذج الشبكة العصبية الاصطناعية المطور لتتبع نقطة الطاقة القصوى (MPPT)، كما هو موضح في الشكل 4، يتم أخذها في الاعتبار في هذا العمل. الجدول التكميلي 1 يعرض المزايا والعيوب للطريقة المقترحة مقارنةً بالطرق القياسية الأخرى.

تكون الشبكة العصبية الاصطناعية (ANN) من ثلاث طبقات رئيسية: طبقة المخرجات (OPL)، وطبقة المدخلات (IPL)، وطبقة خفية (HIL). ويساعد ذلك في نقل البيانات بين طبقة المدخلات (IPL) والطبقة الخفية (HIL). وبعد ذلك، يتم إنتاج البيانات بواسطة الأوزان في الروابط التي تربط بين طبقة المدخلات (IPL) والطبقة الخفية (HIL). وفي هذا السياق، تُنفذ الحسابات مع تطبيق انحياز معين على متغير الطبقة الخفية (HL)، وتتراكم النتائج الناتجة في متغير طبقة المخرجات (OPL). وقد تم هنا اختيار الشبكة العصبية الاصطناعية من نوع LMBP [17]. ويتم ضبط أوزان الاتصال أثناء التدريب من خلال قياس الخطأ لتحقيق المخرج المستهدف. وهنا، يُستخدم خوارزم LMBP لتدريب الشبكات العصبية الاصطناعية (ANNs) باستخدام متوسط مربع الخطأ (MSE) كدالة للأداء. ويستخدم خوارزم LMBP المشتقات المستمدة لتحديث الأوزان، والتي تظهر خصائص التعلم الفعال والتقارب المتسارع

تحتوي كل عصبونة في شبكة البيرسيبترون متعددة الطبقات على دالة جمع ودالة تنشيط. ومع ذلك، توجد أوزان عددية معينة (wpk) تربط هذه العصبونات عبر المستويات. يتم ضرب المدخلات في الأوزان كما هو محدد في المعادلة (5). وتُستخدم دالة السينيج (sigmoid) غير الخطية مع تقليل متوسط مربع الخطأ (MSE) الموضح في المعادلة (6).

صيغة رياضية لملاءمة البيانات؛ مجموعات المتغيرات الموزونة؛ التحليل الإحصائي.   (5)

معادلة متوسط مربع الخطأ لتحليل الخطأ؛ مخطط إحصائي، صيغة MSE.    (6)

قام خوارزمية SBOA بتحسين معلمات المرشح والتحكم للنظام المقترح

تلعب الخوارزميات الميتا-هيو رستيكية (metaheuristic) في هذه الأيام دوراً رئيسياً في حل المشكلات الهندسية. يوضح الشكل 5 تصنيفاً للخوارزميات. تحاكي خوارزمية SBOA23 سلوك طائر السكرتير (SB) للبقاء على قيد الحياة في موطنه الطبيعي. وقد تم نمذجة مرحلتي الاستكشاف والاستغلال في سلوك الصيد لدى طائر السكرتير في خوارزمية SBOA؛ حيث تحاكي مرحلة الاستكشاف في الخوارزمية سلوك طائر السكرتير في صيد الثعابين، بينما تحاكي مرحلة الاستغلال سلوكها في تفادي المفترسات مثل العقبان. تبدأ عملية الحل بتوليد قيم عشوائية ضمن الحدود المخصصة لكل طائر سكرتير في المجتمع، ومن ثم حساب قيمة الدالة الهدف عن طريق تشغيل نموذج Simulink، مع اعتبار قيمة كل طائر سكرتير كمعلمة تصميم. وبناءً على القيمة الهدف، يغير كل طائر سكرتير موضعه لتمثيل حل أفضل. ويناقش فيما يلي النمذجة الرياضية لخوارزمية SBOA:

مرحلة التحضير الأولية

أولاً، من الضروري تحديد المحاليل الأولية التي استُخدمت لبدء البحث عن تقليل نموذجي لدالة الهدف F(Y). في هذه الحالة، يتم تكوين المجتمع العشوائي الأولي Y = [Y1, Y2, ......YN] من SB‘s عبر N من المحاليل الأولية. تقوم المعادلة (7) بتهيئة المجتمع، ويمثل Yi حلاً ما.

معادلة أخذ العينات العشوائية، الصيغة Y_i=lb+r.(ub-lb)، طريقة التحليل الرياضي.   (7)

حيث يُرمز للحدود الدنيا والعليا لمتغيرات الاختيار بـ lb و ub. ويمثل r رقماً عشوائياً في النطاق [0, 1]. بينما تمثل N بُعد المسألة. علاوة على ذلك، تُستخدم قيمة لياقة الحل Fi = F(Yi) لقياس جودة Yi.

استراتيجية الصيد لـ SB’s

تعد عمليات البحث عن الفريسة وأكلها ومهاجمتها المراحل الثلاث الرئيسية لصيد طائر الـ SB. وقد قُسمت عملية الصيد بأكملها إلى ثلاثة فترات زمنية متساوية، t < 1/3T، و 1/3T < t < 2/3T، و 2/3T < t < T. حيث تمثل t التكرار الحالي، وتمثل T الحد الأقصى لعدد التكرارات. وتتوافق هذه الفترات مع المراحل الثلاث لافتراس الـ SB: البحث، والاستهلاك، ومهاجمة الفريسة. وتستند هذه التقسيمات إلى الإحصاءات البيولوجية لمراحل صيد الطائر والمدد الزمنية لكل مرحلة. وبناءً على ذلك، يتم نمذجة كل مرحلة من مراحل SBOA على النحو التالي:

البحث عن الفريسة

يجب على SB صيد الفريسة من مسافة آمنة خلال هذه المرحلة. ولجمع بيانات كافية عبر منطقة البحث بأكملها، تتطلب الخطوة الأولى في خوارزميات التحسين استكشافاً أقوى. ومن خلال استخدام مواقع اثنين من SB الآخرين كدليل، يمكن لـ SB استقصاء مناطق محتملة إضافية. وبالتالي، تم إدخال عمليات طفرة تفاضلية لزيادة تنوع الخوارزمية بشكل أكبر. عندما تكون t أقل من 1/3 من T، يتم استخدام المعادلة (8) لتحديث موضع كل فرد، حيث سيقوم بالبحث عن الفريسة واستهلاكها ومهاجمتها. وبناءً على ذلك، يتم نمذجة كل مرحلة من مراحل SBOA على النحو التالي:

معادلات الموازنة الديناميكية في التحليل الإحصائي؛ التعبير الرياضي؛ صيغة $Y_{new}(t)$. (8)

حيث تمثل Yi(t) الموضع الحالي لـ SB رقم ith، وتعطي Ynewi(t) الحل المحدث، وقد تم اختيار فردين Yi(t) و Yr2(t) عشوائيًا من المجتمع الحالي. ومن أجل استراتيجية اختيار المعلمات، تم اختيار متجه عشوائي R1 بحجم 1 × N عشوائيًا من [0, 1] لتحقيق توازن فعال بين مرحلتي الاستغلال والاستكشاف. ولا يتم اعتبار الحل المحدث إلا إذا أدى إلى تحسين قيمة الهدف مقارنة بالحل الذي تم الحصول عليه سابقًا.

افتراس الفريسة

تستخدم SB رشاقة فائقة وتتحرك لتحوم حول الثعبان بعد رصد فريسة محتملة. وسيتم استغلال صبر الفريسة لخفض دفاعاتها من خلال مراقبة الخصوم وإغرائهم أثناء دورانهم. وتقوم SB الأخرى بتعديل وضعياتها بالقرب من الفريسة. وبفضل هذا النهج، ستزداد فرص نجاح الصيد بشكل ملحوظ. وتوضح المعادلة (9) كيفية استخدام الحركة البراونية (B) لمحاكاة الحركة العشوائية لـ SB عندما يكون 1/3 T < t < 2/3 T.

معادلة توضح تعريف المصفوفة: B=r(1,M). (9)

يتم تنفيذ B في برنامج MATLAB باستخدام التوزيع الطبيعي القياسي بواسطة المتجه r(1,M) الذي يتم توليده عشوائياً. بعد ذلك، تستخدم SB المعادلة (10) لتحديث مواقعها.

معادلة توضح التحليل الديناميكي؛ صيغة رياضية تتضمن دالة أسية في تنبؤ النموذج. (10)

حيث يمثل Ybest(t) الحل الأمثل، ويتم اختيار عامل القياس الأسي exp((t/T)4) لزيادة قدرة الاستغلال في كل تكرار.

مهاجمة الفريسة

بعد الاستهلاك المستمر، ستنفد طاقة الضحية. ويجب على طيور السكرتير شن الهجوم الآن. هنا، يتم محاكاة طرق هجوم مختلفة، مثل الخطوات المتواصلة / القفزات الطويلة المتقطعة خلال فترة زمنية قصيرة، باستخدام تقنية رحلة ليفي (Lévy flight). وتوصف هذه الخصائص بواسطة المعادلتين (1) و (12). وتكون الخيارات المرشحة قريبة من الإجابة المثلى في هذه اللحظة لأن طيور السكرتير تقترب بسرعة من الفريسة. سيتم تنفيذ هذه الخطة عندما تكون t > 2/3T.

معادلة توضح عملية استكمال رياضي باستخدام متغيرات زمنية. (11)

صيغة رحلة ليفي: \(LF = 0.5 \times Levy(M)\)، معادلة رياضية. (12)

أين، تصفية السوائل (Liquid Filtration) تمثل استراتيجية طيران ليفي و المعادلة التي ترمز لعملية ليفي، Levy(M)=s×(μ×σ/|v|^(1/φ))، ذات صلة بالتحليل العشوائي.، وقيم ثابتة لـ s = 0.01 و φ = 1.5. μ و υ هي قيم اعتباطية تقع في النطاق [0، 1]. حيث، τ يرمز إلى غاما و η = 0.5، حيث اعتُمد معامل الوزن 0.5، كما هو مقترح في صياغة SBOA الأصلية، لتنظيم حجم الخطوة والحفاظ على التوازن بين القفزات الاستكشافية الكبيرة والتحسين المحلي. الجدول 4 تعرض القيم المستخدمة للشبكة العصبية الاصطناعية (ANN) وخوارزمية SB في النظام المطور.

استراتيجية الهروب لـ SB

عندما تطارد طيور السكرتير فرائس أخرى في البرية، فإنها تخاطر بأن تصبح هي نفسها مطاردة. وتعد النسور والصقور والثعالب وابن آوى الخصوم الرئيسيين الذين يجب أن تتعامل معهم. لذا، يتعين عليها استخدام مجموعة متنوعة من تقنيات التهرب لحماية نفسها أو فرائسها عند استشعار الخطر. تحاكي هذه الخوارزمية طرق الهروب من خلال نمذجة أوضاع الركض (D2) والتمويه (D1). فعند مواجهة الخصوم، تندمج طيور السكرتير في البداية مع محيطها للبقاء آمنة؛ وهنا تسعى طيور السكرتير إلى تجنب الوصول إلى القيم المثلى المحلية في الخوارزميات عن طريق تحديث مواقعها حول الفريسة (أفضل فرد). وإذا لم تتمكن من التهرب من العدو، فإنها تستخدم تكتيكات الطيران أو الركض السريع للبقاء آمنة. وللمرجعية، يتم اختيار فرد عشوائي Yrand كقائد لتجنب التقيد بقيمة مثلى محلية. وتستخدم طيور السكرتير المعادلتين (13) و(14) لتحديث مواقعها. يظهر المخطط الانسيابي لخوارزمية SBOA في الشكل 6.

صيغة الاتزان الساكن؛ مخطط المعادلة؛ ΣFx=0, MA=0؛ مفهوم رياضي تعليمي.    (13)

معادلة سلوك النظام الديناميكي، والتي تتضمن متغيرات وثوابت في صيغة رياضية.   (14)

تمثيل متغيرات التصميم

تضمن متغيرات المشكلة في هذه الدراسة معاملات التصميم، مثل مكاسب وحدة التحكم PI للمحولات DC-DC، بالإضافة إلى مقاومات ومحثات المرشحات والمحولات. وتوضح المعادلة (15) تمثيل متغيرات التحكم. أما حدود معاملات التحكم فهي مدرجة في الجدول التكميلي 2.

معادلة الاتزان السكوني، ΣFx=0، صيغة معاملات الدائرة الكهربائية، مخطط بحثي.    (15)

دالة اللياقة (FF)

تم اختيار تقليل THD كدالة هدف (Obj) في هذه الدراسة. وتكون القيمة القصوى لـ FF هي القيمة الدنيا لـ Obj، كما هو موضح في المعادلتين (16) و(17).

صيغة MaxFF؛ معادلة التوازن الساكن؛ حسابات علمية؛ مخطط للاستخدام التعليمي.    (16)

صيغة THD، معادلة التشوه التوافقي الكلي، المستخدمة في تحليل الأنظمة الكهربائية.     (17)

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

تم بناء نظام الخلايا الكهروضوئية ثنائية الوجه (Bifacial PV) المقترح كمنظومة مستقلة مع تتبع نقطة الطاقة القصوى (MPPT) القائم على الشبكة العصبية الاصطناعية (ANNC) لمحطة شحن مركبات كهربائية (EV) باستخدام برنامج Simulink/Matlab 202b، وتم تشغيله على جهاز Intel Core i7 بذاكرة وصول عشوائي (RAM) سعة 16GB. تظهر تقييمات النظام المختار وأحمال المركبات الكهربائية في الجدول 2 والجدول التكميلي 3. في هذا العمل، تم استخدام ثلاث حالات مدرجة في الجدول 5 تتضمن تبديلات مختلفة من الإشعاع الشمسي (G)، ودرجة ال...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

بشكل عام، تشير النتائج إلى أن هذا العمل البحثي يساهم في المجال العلمي من خلال تقديم استراتيجية تحكم محسنة ومبتكرة تعزز المخرجات الشمسية، وتحسن جودة الطاقة PQ، وتدعم بنية تحتية مستدامة لشحن المركبات الكهربائية EV مناسبة للطرق السريعة. ويحقق نظام MPPT القائم على ANN والمطور بمرشح ومحولات ووحدة تحكم محسنة بواسطة SBOA قيمة أقل لـ THD مع الحفاظ على جهد ناقل DC مستقر لمحطة شحن مركبات كهربائية EV مستقلة مدعومة بأنظمة PV وBES17.

ركزت الدراسات الأدبية على محطات شحن المركبات الكه...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

يصرح المؤلفون بأنه لا توجد تضاربات في المصالح.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
محول DC–ACMathWorksتوثيق Simscape Electrical Three-Level Converter: https://www.mathworks.com/help/sps/ref/threelevelconverterthreephase.htmlنموذج محول DC–AC ثلاثي الأطوار وثلاثي المستويات ومثبت النقطة المحايدة.
محول DC–DCMathWorksتوثيق Simscape Electrical Boost Converter: https://www.mathworks.com/help/sps/ref/boostconverter.htmlنموذج محول DC–DC رافع (Boost) يُستخدم لتنظيم جهد خرج الخلايا الكهروضوئية (PV).
بطارية EV1MathWorksتوثيق نموذج البطارية: https://www.mathworks.com/help/autoblks/ref/datasheetbattery.htmlبطارية رصاص حمضية محاكات تمثل المركبة EV1.
بطاريات EV2–EV5MathWorksتوثيق نموذج البطارية: https://www.mathworks.com/help/autoblks/ref/datasheetbattery.htmlنماذج بطاريات ليثيوم-أيون محاكات تمثل المركبات EV2 وEV3 وEV4 وEV5.
MATLAB/SimulinkMathWorksبرمجيات؛ https://www.mathworks.com/products/simulink.htmlالبيئة البرمجية المستخدمة لنمذجة ومحاكاة محطة شحن المركبات الكهربائية التي تعمل بالطاقة الكهروضوئية (PV).
Simscape ElectricalMathWorksبرمجيات؛ https://www.mathworks.com/products/simscape-electrical.htmlمكتبة المكونات المستخدمة لنمذجة محولات الطاقة والشبكة الكهربائية ونظام التحكم المرتبط بها.
لوح شمسيWaaree Energies Ltd.؛ تمت نمذجته في MATLAB/Simulinkطراز WSM-315. معلومات منتجات Waaree: https://www.waaree.com/solar-pv-modules/؛ نموذج مستشار النظام (System Advisor Model): https://sam.nrel.gov/أُدخلت معايير اللوح الشمسي WSM-315 كوحدة كهروضوئية (PV) محددة من قبل المستخدم باستخدام بيانات من ورقة بيانات Waaree ونموذج مستشار النظام من NREL.
بطارية تخزينMathWorksتوثيق نموذج بطارية الرصاص الحمضية: https://www.mathworks.com/help/simscape/ug/lead-acid-battery.htmlبطارية رصاص حمضية محاكات تُستخدم كنظام تخزين طاقة ثابت.

المراجع

  1. Kumar N, Singh B, Panigrahi BK. Grid synchronization framework for partially shaded solar PV-based microgrid using intelligent control strategy. IET Gener Transm Distrib. 2019;13(6):829-837.
  2. Kumar N, Singh B, Wang J, Panigrahi BK. A framework of L-HC and AM-MKF for accurate harmonic supportive control schemes. IEEE Trans Circuits Syst I Regul Pap. 2020;67(12):5246-5256.
  3. Saxena V, Kumar N, Singh B, Panigrahi BK. An MPC-based algorithm for a multipurpose grid integrated solar PV system with enhanced power quality and PCC voltage assist. IEEE Trans Energy Convers. 2021;36(2):1469-1478.
  4. Kumar N, Singh B, Panigrahi BK. Voltage sensorless model predictive control with battery management system for solar PV-powered onboard EV charging. IEEE Trans Transp Electrif. 2023;9(2):2583-2592.
  5. Siu JY, Kumar N, Panda SK. Command authentication using multiagent system for attacks on the economic dispatch problem. IEEE Trans Ind Appl. 2022;58(4):4381-4393.
  6. Hole SR, Goswami AD. Design of an efficient MPPT optimization model via accurate shadow detection for solar photovoltaic. Energy Harvest Syst. 2023;10(2):377-383.
  7. Çelik D, Ahmed H. Enhanced control of superconducting magnetic energy storage integrated UPQC for power quality improvement in EV charging station. J Energy Storage. 2023;62:106843.
  8. Bouchakour S, Caballero DV, Luna A, Medina ER, El Amin KB, Cortes PR. Monitoring, modelling and simulation of bifacial PV modules over normal and high albedos. In: Proc 9th Int Conf Renew Energy Res Appl (ICRERA); 2020 Sep 27-30; Glasgow, UK. p. 252-256.
  9. Shoukry I, Libal J, Kopecek R, Wefringhaus E, Werner J. Modelling of bifacial gain for stand-alone and in-field installed bifacial PV modules. Energy Procedia. 2016;92:600-608.
  10. Yusufoglu UA, Pletzer TM, Koduvelikulathu LJ, Comparotto C, Kopecek R, Kurz H. Analysis of the annual performance of bifacial modules and optimization methods. IEEE J Photovolt. 2015;5(1):320-328.
  11. Luque A, Lorenzo E, Sala G, López-Romero S. Diffusing reflectors for bifacial photovoltaic panels. Sol Cells. 1985;13:277-292.
  12. Chieng YK, Green MA. Computer simulation of enhanced output from bifacial photovoltaic modules. Prog Photovolt Res Appl. 1993;1(4):293-299.
  13. Yusufoglu UA, Lee TH, Pletzer TM, Halm A, Koduvelikulathu LJ, Comparotto C, et al. Simulation of energy production by bifacial modules with revision of ground reflection. Energy Procedia. 2014;55:389-395.
  14. Janssen GJ, Van Aken B, Carr AJ, Mewe AA. Outdoor performance of bifacial modules by measurements and modelling. Energy Procedia. 2015;77:364-373.
  15. Lave L, Samuel M, Stein S, Burnham J. Performance Results for the Prism Solar Installation at the New Mexico Regional Test Center: Field Data from February 15-August 15, 2016. Albuquerque (NM): Sandia National Laboratories; 2016.
  16. Srilakshmi K, Jyothi KK, Kalyani G, Goud YSP. Design of UPQC with solar PV and battery storage systems for power quality improvement. Cybern Syst. 2023; 56(5):599-628
  17. Srilakshmi K, Sujatha CN, Balachandran PK, Mihet-Popa L, Kumar NU. Optimal design of an artificial intelligence controller for solar-battery integrated UPQC in three-phase distribution networks. Sustainability. 2022;14(21).
  18. Srilakshmi K, Srinivas N, Balachandran PK, Reddy JGP, Gaddameedhi S, Valluri N, et al. Design of soccer league optimization-based hybrid controller for solar-battery integrated UPQC. IEEE Access. 2022;10:107116-107136.
  19. Bouchakour S, Valencia-Caballero D, Luna A, Roman E, Boudjelthia EAK, Rodríguez P. Modelling and simulation of bifacial PV production using monofacial electrical models. Energies. 2021;14(14):4224. doi:10.3390/en14144224.
  20. Dineshraj V, Prasanna Moorthy V. ANN-based MPPT for electric vehicle charging station. Int J Adv Res Sci Commun Technol. 2022;2(1):721-728. doi:10.48175/IJARSCT-4652.
  21. Rashid A. A grid-integrated PV-powered EV charging station featuring artificial neural network-based MPPT and comprehensive power flow control. E3S Web Conf. 2025;650:01015. doi:10.1051/e3sconf/202565001015.
  22. Awad M, Ibrahim AM, Alaas ZM, El-Shahat A, Omar AI. Design and analysis of an efficient photovoltaic energy-powered electric vehicle charging station using perturb and observe MPPT algorithm. Front Energy Res. 2022;10:969482. doi:10.3389/fenrg.2022.969482.
  23. Fu Y, Liu D, Chen J, et al. Secretary bird optimization algorithm: A new metaheuristic for solving global optimization problems. Artif Intell Rev. 2024;57:123. doi:10.1007/s10462-024-10729-y.
  24. Vidia Laksmi BN. Design of automatic battery charger using forward DC-DC converter for solar home energy. Vokasi UNESA Bull Eng Technol Appl Sci. 2025;2(1):57-66.
  25. Araria R, Berkani A, Negadi K, Marignetti F, Boudiaf M. Performance analysis of DC-DC converter and DTC-based fuzzy logic control for power management in electric vehicle application. J Eur Syst Autom. 2020;53(1):1-9. doi:10.18280/jesa.530101.
  26. Satpathy PR, Ramachandaramurthy VK, Radha Krishnan TR, et al. Technological innovations and sustainable strategies for advancing electric vehicle performance and market integration. Energy Strategy Rev. 2025;60:101790. doi:10.1016/j.esr.2025.101790.
  27. Saheb GM, Jamiu O, Li L. A review on electric vehicle charging station operation considering market dynamics and grid interaction. Appl Energy. 2025;392:126058. doi:10.1016/j.apenergy.2025.126058.
  28. Radha Krishnan TR, Satpathy PR, Ramachandaramurthy VK, Dollah Z, Pulenthirarasa S, Ramasamy A. Optimizing vehicle-to-grid systems: Smart integration of shared autonomous and conventional electric vehicles. eTransportation. 2025;24:100401. doi:10.1016/j.etran.2025.100401.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

الوسوم

تخزين طاقة البطارياتتتبع نقطة الطاقة القصوىالشبكة العصبية الاصطناعيةإدارة الطاقةMATLAB Simulinkالتشوه التوافقي الكلي
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.