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).
مقالة بحثية
تصميم محول تيار مستمر-تيار مستمر لمحطة شحن مركبات كهربائية مستقلة تعمل بالألواح الكهروضوئية ثنائية الوجه باستخدام خوارزمية تحسين طائر السكرتير
في هذه المقالة
ملخص
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.
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)
(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
(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.
(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.
(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 
، 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, 
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).
(5)
(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.
(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:
(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.
(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.
(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.
(11)
(12)
أين، تصفية السوائل (Liquid Filtration) تمثل استراتيجية طيران ليفي و 
، 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.
(13)
(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.
(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).
(16)
(17)
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 الحرارة (T)، وأحمال التيار المتردد (AC)، وخمس سيارات كهربائية من طرازات وتقييمات مختلفة لتوضيح أداء النظام. يركز هذا العمل بشكل أساسي على تحسين أداء نظام مركبات كهربائية مستقل دون اتصال بالشبكة، باستخدام شبكة عصبية اصطناعية (ANN) لتعظيم استخلاص الطاقة من نظام كهروضوئي مدعوم بتخزين البطاريات مع تقليل التشوه التوافقي الكلي (THD).
في الحالة الأولى، وبالنسبة للنظام المطور، تم اعتماد قيم الإشعاع ودرجات الحرارة القياسية لعدد محدد من الوحدات المتصلة على التوالي والتوازي عند الطرفين الأمامي والخلفي لنظام الطاقة الكهروضوئية ثنائي الوجه (Bifacial PV system)، مع وجود سيارات كهربائية (EV) وحمل تيار متردد مرتبط بمحطة. وهنا، يُستخدم الجهد والتيار والقدرة الشمسية المتولدة بواسطة نظام تتبع نقطة الطاقة القصوى (MPPT) المدرب باستخدام الشبكة العصبية الاصطناعية (ANN) المقترحة لتغذية الحمل. الشكل 7أعلاوة على ذلك، فإن توزيع القدرة الفعلي، كما هو موضح في الشكل 7B، بين الخلايا الكهروضوئية وبطارية التخزين والحمل المعتمد على محطة التيار المتردد وأحمال المركبات الكهربائية، يتم تنفيذ ذلك وفقاً لـ جدول ٣ السيناريو: عند 0.7 ثانية، تكون السيارات الكهربائية (EV) في وضع الشحن، حيث تعمل كحمل جنباً إلى جنب مع حمل القدرة النشطة لقاعدة المحطة. وفي هذه المرحلة، تكون قدرة الطاقة الكهروضوئية (PV) كافية لتلبية الطلب؛ وبالتالي، تكون بطارية التخزين في حالة مثالية. وفي الوقت ذاته، عند 1.2 ثانية، تقوم أحمال السيارات الكهربائية وأجهزة تكييف الهواء بسحب الطاقة من كل من النظام الكهروضوئي ونظام تخزين البطارية (وضع التفريغ)، نظراً لأن الطاقة الشمسية وحدها غير كافية لتلبية الطلب. بعد ذلك، تعطي حالة شحن بطاريات السيارات الكهربائية (وضع الشحن) وبطاريات التخزين (وضع التفريغ)، كما في الشكل 7(ج)، تحليلاً واضحاً لعمل بطارية التخزين أثناء متطلبات الذروة. ومن الواضح أن النظام نجح في الحفاظ على جهد مستقر لناقل التيار المستمر (DC bus) قدره 470 فولت، مع انحرافات وتجاوزات (overshoots) منخفضة. بالإضافة إلى ذلك، الشكل 7-د يُظهر أن المرشح المُحسَّن باستخدام خوارزمية SBOA يقلل من عيوب شكل الموجة عند نقطة الربط المشترك (PCC)، ويخفض التشوه التوافقي الكلي (THD) للتيار إلى 2.85% مع وجود مركبة كهربائية وحمل قدرة فعالة.
في الحالة 2، وبالنسبة للعدد المختار من السلاسل على التوالي والتوازي وللقيم المحددة تحت تأثير الإشعاع المتغير، يظهر جهد وتيار وقدرة الخلايا الكهروضوئية في الشكل 8A. هنا، تُعتبر أحمال المركبات الكهربائية، بالاقتران مع قنطرة تقويم غير خطية، بمثابة حمل للنظام. علاوة على ذلك، فإن قدرة الخلايا الكهروضوئية الفائضة المتولدة في الشكل 8B بعد تلبية احتياجات الحمل يتم تزويدها لبطارية التخزين لأغراض الشحن. ومع ذلك، فإن حالة شحن البطارية SOCB لأنظمة البطاريات والمركبات الكهربائية موضحة في الشكل 8C وتعمل وفقاً لإدارة القدرة. كما يتضح أيضاً أن النظام المقترح يقلل بشكل فعال من الانحراف في جهد ناقل التيار المستمر DC أثناء تغيرات الحمل والإشعاع. ويقوم المرشح المحسّن بواسطة خوارزمية SBOA بتقليل عيوب التيار وخفض التشوه التوافقي الكلي THD بما يتوافق معايير IEEE.
في الحالة 3، حيث تتباين الإشعاعات ودرجات الحرارة، كانت أقصى قيم للجهد والتيار والقدرة الكهروضوئية مشابهة لتلك الموجودة في الحالة 2 (الشكل 9A). وبالإضافة إلى أحمال المركبات الكهربائية، تم اعتبار قنطرة التقويم وحمل القدرة النشط، اللذين يعملان في آن واحد، كحمولة لمحطة القاعدة. علاوة على ذلك، يوضح الشكل 9B أن بطارية التخزين في حالة شحن، حيث تتجاوز قدرة النظام الكهروضوئي الطلب على الحمل. ويظهر الشكل 9C حالة الشحن لأنظمة البطاريات في المركبات الكهربائية ووحدات التخزين. كما يتضح أن النظام المقترح يعمل بشكل جيد في موازنة جهد ناقل التيار المستمر تحت تأثير تغيرات الحمل والإشعاع ودرجة الحرارة. وتعتبر الطريقة المقترحة، من حيث التشوه التوافقي الكلي THD ومتوسط مربع الخطأ MSE، أقل بكثير من الطرق الأخرى المتاحة في الدراسات السابقة، الجدول 6، مع زمن حسابي أقل. كما يتضح أن الطريقة المطورة تتمتع بكفاءة أداء عالية مع معدل نجاح أعلى بكثير.
توافر البيانات:
إن مجموعات البيانات المستخدمة و/أو التي تم تحليلها خلال هذه الدراسة متاحة عبر الرابط https://doi.org/10.6084/m9.figshare.32894939
الشكل 1محطة شحن للمركبات الكهربائية تعمل بنظام كهروضوئي ثنائي الوجه ومستقل. (أ) مخطط صندوقي لنظام شحن المركبات الكهربائية (EV) المقترح الذي يعمل بنظام كهروضوئي (PV) ثنائي الوجه ومستقل، يوضح وحدة التوليد الكهروضوئي، ونظام تخزين طاقة البطارية (BESS)، ومحولات التيار المستمر-التيار المستمر (DC–DC)، والعاكس، وحمل التيار المتردد للمحطة، ووحدات شحن المركبات الكهربائية. (ب) صورة تمثيلية لمحطة شحن مركبات كهربائية تعمل بالطاقة الكهروضوئية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 2نظام التحكم لمصفوفة الخلايا الكهروضوئية ثنائية الوجه ونظام تخزين طاقة البطاريات. بنية التحكم في مصفوفة الخلايا الكهروضوئية ثنائية الوجه مع تتبع نقطة الطاقة القصوى (MPPT) القائم على الشبكة العصبية الاصطناعية (ANN) ونظام تخزين طاقة البطارية (BESS). يوضح اللوح العلوي محول الرفع (boost converter) الذي يتم التحكم فيه بواسطة الشبكة العصبية الاصطناعية لاستخلاص الطاقة الكهروضوئية، بينما يوضح اللوح السفلي محول الخفض-الرفع (buck-boost converter) ووحدة التحكم في البطارية المستخدمة لتنظيم جهد الناقل المستمر (DC-bus voltage). يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 3نظام التحكم في العاكس، وحمل التيار المتردد للمحطة، ووحدات شحن المركبات الكهربائية. بنية التحكم في العاكس ثلاثي المستويات ذي نقطة التعادل المربوطة الذي يغذي حمل التيار المتردد في المحطة ووحدات شحن متعددة للمركبات الكهربائية. يوضح الشكل أيضاً استراتيجية التحكم في العاكس، وتكوين المرشح، وحلقة القفل الطوري (PLL)، والتحكم الفردي في محول التيار المستمر-التيار المستمر (DC-DC) لشحن المركبات الكهربائية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 4بنية الشبكة العصبية الاصطناعية لتتبع نقطة الطاقة القصوى (MPPT). تُستخدم بنية شبكة عصبية اصطناعية (ANN) لتتبع نقطة الطاقة القصوى (MPPT). حيث يتم توفير الإشعاع الشمسي (G) ودرجة الحرارة (T) كمدخلات للطبقة الخفية، وتقوم الشبكة بتوليد المخرج المستخدم لتحديد نقطة التشغيل لتحقيق أقصى استخلاص للطاقة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 5تصنيف خوارزميات الأمثلة. تصنيف خوارزميات التحسين إلى خوارزميات حتمية، وميتا-heuristic (خوارزميات فوق حدسية)، ومقاربات تحسين تخصصية أخرى، مع أمثلة ممثلة لكل فئة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 6مخطط انسيابي لخوارزمية تحسين طائر السكرتير (SBOA). مخطط انسيابي يوضح إجراء تحسين خوارزمية SBOA، بما في ذلك تهيئة المجتمع، وتقييم الصلاحية، واستراتيجية الصيد (البحث عن الفريسة واستهلاكها ومهاجمتها)، واستراتيجية الهروب، وتحديث الحل، والتقارب نحو الحل الأمثل. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 7نتائج المحاكاة للحالة 1. (A) جهد وتيار وقدرة خرج الخلايا الكهروضوئية (PV) تحت ظروف التشغيل القياسية. (Bتوزيع الطاقة بين مصفوفة الخلايا الكهروضوئية، والحمل المتردد للمحطة، ونظام تخزين طاقة البطاريات، وأحمال المركبات الكهربائية.سيحالة الشحن (SOC) لبطاريات المركبة الكهربائية وبطارية التخزين، إلى جانب دورة التشغيل وجهد ناقل التيار المستمر (DC-bus).دأشكال موجات التيار والجهد ثلاثية الأطوار عند نقطة الربط المشترك (PCC). يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 8نتائج المحاكاة للحالة 2. (A) جهد وتيار وقدرة خرج الخلايا الكهروضوئية تحت ظروف إشعاع متغير. (Bتوزيع الطاقة بين مصفوفة الخلايا الكهروضوئية، وحمل التيار المتردد للمحطة، ونظام تخزين طاقة البطاريات، وأحمال المركبات الكهربائية.كربونحالة الشحن (SOC) لبطاريات المركبات الكهربائية وبطارية التخزين، جنبًا إلى جنب مع دورة التشغيل وجهد ناقل التيار المستمر (DC-bus voltage). (د) أشكال موجات التيار والجهد ثلاثية الطور عند نقطة الربط المشترك (PCC). يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 9نتائج المحاكاة للحالة 3. (Aجهد الخلية الكهروضوئية، وتيارها، وقدرة خرجها تحت ظروف متغيرة من الإشعاع ودرجة الحرارة.Bتوزيع الطاقة بين مصفوفة الخلايا الكهروضوئية، وحمل التيار المتردد في المحطة، ونظام تخزين طاقة البطارية، وأحمال المركبات الكهربائية.كربونحالة الشحن (SOC) لبطاريات المركبة الكهربائية وبطارية التخزين، جنباً إلى جنب مع دورة التشغيل وجهد ناقل التيار المستمر (DC-bus).دأشكال موجات التيار والجهد ثلاثية الأطوار عند نقطة الربط المشتركة (PCC). يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 10أداء انحدار الشبكة العصبية الاصطناعية (ANN). تحليل الانحدار لنموذج الشبكة العصبية الاصطناعية (ANN) لمجموعات البيانات التدريبية، والتحقق، والاختبار، والمجموعة المدمجة، مما يوضح التوافق بين القيم المتوقعة والقيم المستهدفة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 11أداء التحقق من الشبكة العصبية الاصطناعية. أداء متوسط مربع الخطأ (MSE) للشبكة العصبية الاصطناعية (ANN) أثناء التدريب والتحقق والاختبار، وهو ما يظهر التقارب عبر حقب التدريب المتعاقبة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 12خصائص التقارب لخوارزمية تحسين طائر السكرتير. منحنى التقارب لخوارزمية SBOA الذي يوضح الانخفاض في التشوه التوافقي الكلي (THD) مع زيادة تكرارات التحسين للحالة 1. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 13تحليل تحويل فوريه السريع لتوافقيات التيار. أطياف تحويل فوريه السريع (FFT) لتيار المخرج لثلاث حالات محاكاة. تتوافق اللوحات مع الأطياف التوافقية التي تم الحصول عليها للحالة 1 (أعلى اليسار)، والحالة 2 (أعلى اليمين)، والحالة 3 (الأسفل)، مما يوضح تشوه التوافقي الكلي (THD) الذي تم تحقيقه في ظل كل حالة تشغيل. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
| متكامل | التشويه التوافقي الكلي (%) | الكفاءة (%) | تتبع نقطة الطاقة القصوى/ | موازنة جهد ناقل التيار المستمر | خوارزمية التحسين | حالة الشبكة / الجزيرة | انبعاثات الكربون | المرجع |
| تقنية الضبط | ||||||||
| الضغط الوريدي & بطارية | جيد | متوسط | P&أو | جيد | دوري كرة القدم | شبكة | مرتفع | سريلاكشمي وآخرون.16 |
| الضغط الوريدي (PV) | متوسط | جيد | التحكم بالمنطق الضبابي والوضع الانزلاقي (Fuzzy-SMC) | متوسط | -- | شبكة | عالي | سريلاكشمي وآخرون.17 |
| PV & بطارية | جيد | متوسط | P&أو | جيد | دوري كرة القدم | شبكة | عالي | سريلاكشمي وآخرون.18 |
| الضغط الوريدي (PV) | - | - | P&أو | - | - | جزيرة | منخفض | .Dineshraj وآخرون20 |
| الضغط الوريدي (PV) | - | - | الشبكة العصبية الاصطناعية | - | - | شبكة | عالٍ | راشد وآخرون.21 |
| الخلايا الكهروضوئية ثنائية الوجه & بطارية | ممتاز | ممتاز | الشبكات العصبية الاصطناعية | ممتاز | طائر السكرتير | جزيرة | منخفض | مقترح |
الجدول 1: مقارنة بطرق شحن المركبات الكهربائية السابقة التي تعمل بالطاقة الكهروضوئية. مقارنة بالدراسات السابقة بناءً على مصادر الطاقة المتكاملة، وتقنيات MPPT/التحكم، وطرق التحسين، وجودة الطاقة، ووضع التشغيل، والانبعاثات الكربونية.
| النظام | المَعلَمَة/ القيمة |
| الضغط الوريدي (PV) | القدرة المقدرة = 28.735 واط |
| أقصى جهد كهربائي = 29.9 فولت | |
| تيار دائرة القصر = 8.18A | |
| جهد الدائرة المفتوحة = 37.1 فولت، معامل درجة حرارة الجهد β = -0.361 | |
| أقصى تيار = 7.65A، معامل درجة الحرارة للتيار α = 0.102 | |
| معاملات الوضاءة = 0.2، عامل الوجهين = 0.1، زاوية الميل = 120ج | |
| الإشعاع القياسي واط/م²2 = Gs= ١٠ واط/متر2; جير = 100 | |
| درجات درجة الحرارة القياسية Ts = 25 | |
| سلسلة/سلاسل متوازية Ns = 10/7، الخلوص الأرضي = 1 م | |
| بطارية تخزين الرصاص الحمضية | السعة المقدرة = 40Ah |
| الجهد الاسمي = 30V | |
| تهيئة حالة شحن الخلية (SOCB) = 30%، حدود الشحن/التفريغ = 30، 70 | |
| جهد القطع = 25 فولت | |
| جهد الشحن الكامل = -326 فولت | |
| محول تيار مستمر إلى تيار مستمر (DC-DC converter) | القدرة = 3.202e4، الإجهاد = 476 فولت |
| جهد الدخل = 299V | |
| تردد التبديل = 10kH | |
| جهد المخرج = 479 فولت | |
| نسبة التشغيل = 0.375 | |
| تصنيف محول التيار المستمر إلى تيار متردد | استراتيجية تعديل عرض النبضة (PWM) = تعديل عرض النبضة الجيبي |
| معاملات المرشح المحسنة؛ المقاومة R = 0.02789 أوم، المحاثة L = 8706 ملي هنري | |
| مؤشر التعديل = 0.8 | |
| زمن أخذ العينات المستخدم في المحاكاة = 100µs | |
| السعة الكهربائية للتيار المستمر: 524.43μF؛ جهد التيار المستمر = 470 فولت |
الجدول 2: المواصفات الكهربائية لنظام الخلايا الكهروضوئية ثنائي الوجه، ونظام تخزين الطاقة بالبطاريات، ومحولات الطاقة. التصنيفات الكهربائية ومعاملات التشغيل لمصفوفة الخلايا الكهروضوئية، ونظام تخزين الطاقة بالبطاريات (BESS)، ومحول DC–DC، وعاكس DC–AC المستخدمة في النموذج المقترح
| إذا تحقق الشرط | ثم الإجراء |
| السيناريو-1: مخرجات الخلايا الكهروضوئية منعدمة | ستقوم بطارية التخزين بتزويد المركبة الكهربائية بالطاقة & حمل التيار المتردد. |
| السيناريو -2: توازن الطاقة الكهروضوئية مع الطلب على الحمل | ستقوم الخلايا الكهروضوئية بتغذية المركبة الكهربائية & حمل التيار المتردد |
| السيناريو -3: خرج الخلايا الكهروضوئية أقل من جهد المركبة الكهربائية & طلب حمل التيار المتردد | ستقوم البطارية بتوفير فرق الطاقة حتى تصل إلى الحد الأدنى لحالة الشحن للبطارية (SOCOB min). |
| السيناريو -4: القدرة المولدة من الخلايا الكهروضوئية أكبر من احتياج المركبة الكهربائية & قدرة الحمل المطلوبة للتيار المتردد | تُستخدم طاقة الخلايا الكهروضوئية الفائضة لشحن البطارية حتى تصل إلى الحد الأقصى من حالة شحن البطارية (SOCOB). |
الجدول 3: استراتيجية إدارة الطاقة لنظام شحن المركبات الكهربائية المقترح. سيناريوهات التشغيل التي تصف تدفق الطاقة بين مصفوفة الخلايا الكهروضوئية، ونظام تخزين طاقة البطارية، وأحمال المركبات الكهربائية، وحمل التيار المتردد في المحطة تحت ظروف تشغيل مختلفة.
| النظام | المَعلَمَة/ القيمة |
| الشبكات العصبية الاصطناعية | عدد الخلايا العصبية للمدخلات = 2، عدد الخلايا العصبية للمخرجات = 1، الطبقة المخفية = 1، عدد الخلايا العصبية للطبقة المخفية = 10 |
| دالة التنشيط = Sigmoid | |
| معدل التعلم=0.01، العصور=10، العينات=10 | |
| تقسيم التدريب والتحقق = التدريب 70%، والتحقق 15%، والاختبار 15% | |
| معايير التقارب=مستقرة، متوسط مربع الخطأ=1.091e-09 | |
| المُطَبَّع = التسوية الدنيا والقصوى (min–max normalization) ضمن نطاق من 0 إلى 1 | |
| SBOA | حجم المجتمع = 30 عامل بحث |
| أقصى عدد من التكرارات = 150 | |
| تهيئة مساحة البحث = التهيئة العشوائية للمعاملات (مخطط انسيابي) | |
| الأبعاد = تحددها المعلمات المختارة. | |
| الحركة البراونية = التوزيع الطبيعي المعياري | |
| معايير التوقف = الحد الأقصى للتكرارات |
الجدول 4: معاملات الشبكة العصبية الاصطناعية (ANN) وخوارزمية تحسين طائر السكرتير (SBOA). معاملات تكوين الشبكة العصبية الاصطناعية (ANN) وخوارزمية SBOA المستخدمة في تتبع نقطة الطاقة القصوى (MPPT) وتحسين وحدة التحكم.
| الظروف | الحالة 1 | الحالة 2 | الحالة 3 |
| تشعيع قياسي 10W/m2 ودرجة حرارة 25 oC | ✓ | ||
| تغيير في التشعيع من 10W/m2 إلى 80W/m2 مع درجة حرارة 25 oC | ✓ | ||
| تغيير في التشعيع من 10W/m2 إلى 80W/m2 مع درجة حرارة 20 oC | ✓ | ||
| Np/Ns (45/10) | ✓ | ✓ | |
| Np/Ns (7/10) | ✓ | ||
| تنظيم جهد ناقل التيار المستمر DC Bus | ✓ | ✓ | ✓ |
| إدارة الطاقة | ✓ | ✓ | ✓ |
| تقليل التشوه التوافقي الكلي THD | ✓ | ✓ | ✓ |
| حمولة التيار المتردد 1 القائمة على المحطة: حمولة القدرة النشطة | ✓ | ✓ | |
| حمولة التيار المتردد 2 القائمة على المحطة: حمولة قنطرة المقوم | ✓ | ✓ | |
| الحمولة 3: من EV1 إلى EV5 (السيارات) | ✓ | ✓ | ✓ |
الجدول 5: حالات المحاكاة التي تم تقييمها في الدراسة. ملخص لسيناريوهات المحاكاة الثلاثة، بما في ذلك الإشعاع، ودرجة الحرارة، وظروف الحمل، ومعايير التقييم.
| التشويه التوافقي الكلي (THD %) | الكفاءة (%) | متوسط مربع الخطأ (MSE) | وقت الحساب (ثانية) | معدل النجاح | المرجع |
| 3.3 | 96–98 | -- | 190 | -- | Srilakshmi et al.16 |
| 3.72 | 92-96 | -- | 130 | -- | Srilakshmi et al.17 |
| 3.43 | 96–98 | -- | 12 | -- | Srilakshmi et al.18 |
| - | - | -- | -- | -- | Dineshraj et al.20 |
| - | - | 2.07E-03 | -- | -- | Rashid et al.21 |
| 2.85 | >95 | 1.09E-09 | 92 | 97% | المقترح |
الجدول 6: مقارنة الأداء مع الطرق المبلغ عنها سابقاً. مقارنة الطريقة المقترحة مع النهج المنشورة من حيث التشوه التوافقي الكلي (THD)، والكفاءة، ومتوسط مربع الخطأ (MSE)، ووقت الحساب، ومعدل النجاح.
الجدول التكميلي 1. مقارنة بين طرق تتبع نقطة الطاقة القصوى (MPPT). المزايا والقيود الخاصة بطرق MPPT التقليدية ونهج MPPT المقترح القائم على الشبكات العصبية الاصطناعية (ANN).يرجى النقر هنا لتحميل هذا الملف.
الجدول التكميلي 2. حدود متغيرات التحسين. الحدود الدنيا والعليا لمتغيرات التحسين المستخدمة في عملية التحسين بطريقة SBOA.يرجى النقر هنا لتحميل هذا الملف.
الجدول التكميلي 3. إعدادات MATLAB/Simulink ومواصفات أحمال المركبات الكهربائية (EV). بيئة المحاكاة، وإعدادات الحلّال (solver)، ومعلمات التنفيذ، والمواصفات الكهربائية لأحمال المركبات الكهربائية.يرجى النقر هنا لتحميل هذا الملف.
الجدول التكميلي 4. قيم المعلمات المحسّنة بواسطة خوارزمية SBOA. معلمات المتحكم والمرشح والمحول المحسّنة التي تم الحصول عليها باستخدام خوارزمية تحسين طائر السكرتير (Secretary Bird Optimization Algorithm) لكل حالة محاكاة.يرجى النقر هنا لتحميل هذا الملف.
الجدول التكميلي 5. مؤشرات الأداء المستخدمة لتقييم التنظيم الديناميكي لجهد ناقل التيار المستمر (DC bus) لوحدة التحكم المقترحة القائمة على الشبكة العصبية الاصطناعية وخوارزمية تحسين سرب الطيور المعدلة (ANN–SBOA) تحت ثلاث حالات محاكاة. يشير زمن الاستقرار الأقل، والتجاوز الأقل، وعدد تكرارات أقل للوصول إلى التقارب، ووقت حساب أقصر إلى تحسن في أداء وحدة التحكم.يرجى النقر هنا لتحميل هذا الملف.
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 الكهربائية المتصلة بالشبكة والمغذاة بأنظمة الخلايا الكهروضوئية أحادية الوجه باستخدام طرق تتبع نقطة الطاقة القصوى (MPPT) التقليدية. ومع ذلك، لم يتم تطوير سوى القليل من أنظمة الخلايا الكهروضوئية ثنائية الوجه التي تدمج تتبع نقطة الطاقة القصوى القائم على الذكاء الاصطناعي والاختيار الأمثل للمعاملات لمحولات DC-DC والمرشحات ومكاسب تحكم PI، كل ذلك ضمن إطار عمل واحد، للحفاظ على استقرار جهد ناقل التيار المستمر وتقليل التشوه التوافقي الكلي (THD). أولاً، تقوم الشبكة العصبية الاصطناعية (ANN) باستخلاص أقصى قدر من الطاقة من الخلايا الكهروضوئية ثنائية الوجه من خلال الاستفادة من الإشعاع الأمامي والخلفي معاً. ثم تواصل تقدير دورة التشغيل (duty-cycle) من خلال اعتبار الإشعاع ودرجة الحرارة كمدخلات. ويساعد هذا في تحقيق تدفق طاقة أكثر سلاسة بين الخلايا الكهروضوئية ثنائية الوجه ووصلة التيار المستمر مع تقليل الاضطرابات.
بعد ذلك، يتم استخدام SBOA لضبط بارامترات كسب وحدة التحكم PI، إلى جانب اختيار بارامترات L المدرجة في الجدول التكميلي 4، بهدف تقليل التشوه التوافقي الكلي (THD). وتتمثل إحدى محدوديات SBOA في بطء تقاربها نسبيًا مقارنة ببعض خوارزميات التحسين، رغم أنها توفر استراتيجية متوازنة بين الاستكشاف والاستغلال تساعد في تجنب القيم المثلى المحلية. ومع ذلك، فإن لها عيبًا يتمثل في بطء التقارب. وأخيرًا، يعمل BES كمخزن مؤقت للطاقة أثناء التغيرات السريعة في الحمل والإشعاع، حيث تعوض البطارية عدم التطابق في القدرة بين قدرة PV وطلب الحمل.
شكل 10, الشكل 11, الشكل 12 يُظهر الشكل مخطط الانحدار، ومخطط التحقق، وانخفاض متوسط مربع الخطأ (MSE) مع 1000 حقبة (epochs) وتقارب خوارزمية تحسين سرب الطيور المعدلة (SBOA) لهدف التشوه التوافقي الكلي (THD)، مع 28 تكراراً للتقارب العالمي. كما يظهر تحليل تحويل فوريه السريع (FFT) للنظام المقترح لثلاث حالات دراسية في الشكل 13، مما يوضح أن المتحكم المقترح يقلل التشوه التوافقي الكلي (THD) إلى 2.23% مع المقوم، والقدرة الفعالة، وحمل المركبة الكهربائية (EV). وعلى الرغم من أن التشوه التوافقي الكلي هو الهدف الأساسي، فقد عملت خوارزمية SBOA على تحسين بارامترات المحول باستخدام تتبع نقطة الطاقة القصوى (MPPT) القائم على الشبكات العصبية الاصطناعية (ANN) لتحسين تنظيم واستقرار جهد ناقل التيار المستمر طوال عملية الشحن، كما هو مفصل في ملحق الجدول 5. يدعم النظام المقترح بقوة القابلية للتوسع لمحطات شحن المركبات الكهربائية الأكبر حجماً التي تعمل في بيئات متغيرة ديناميكياً مثل الإشعاع ودرجة الحرارة والحمل. ومع زيادة عدد منافذ الشحن، يمكن إضافة مصفوفات كهروضوئية ثنائية الوجه وأنظمة تخزين طاقة البطاريات (BES) إضافية لغرض التوسعة دون إجراء تعديلات جوهرية على النظام المطور. ومع ذلك، فإن المرشحات والمحولات المُحسَّنة، وأجهزة التحكم باستخدام خوارزمية تحسين سرب الطيور (SBOA)، تحافظ على جودة الطاقة (PQ) بشكل فعال.
من ناحية أخرى، ورغم أن خوارزمية SBOA تنجح في تقليل THD، إلا أنها تعاني من التعقيد الحسابي. وبالرغم من النتائج المشجعة، فإن هذه الدراسة تنطوي على بعض القيود، مثل: الحاجة إلى دراسة أداء الأنظمة الشمسية في ظل الظروف المناخية القاسية أو تقلبات الإشعاع الشمسي السريعة؛ كما أن التحديات الواقعية، مثل ضجيج المستشعرات وفقد المحولات وغيرها، لم يتم تمثيلها بشكل كامل في بيئة المحاكاة. ومع ذلك، تظهر النتائج بوضوح أن الطريقة المقترحة تمثل حلاً فعالاً من الناحية التقنية لمحطة شحن المركبات الكهربائية المستقلة التي تعمل بنظام PV وBES.
تقترح هذه المقالة نظاماً كهروضوئياً ثنائي الوجه مستقلاً يعمل بتقنية تتبع نقطة الطاقة القصوى (MPPT) المعتمدة على الشبكات العصبية الاصطناعية (ANN) لشحن خمسة طرازات مختلفة من المركبات الكهربائية (EV): أربعة منها ببطاريات ليثيوم-أيون وواحد ببطارية رصاص حمضية، مع دعم من تخزين البطاريات. ومن خلال تطبيق تقنية MPPT المعتمدة على ANN لنموذج كهروضوئي ثنائي الوجه، يتم الحصول على أقصى طاقة من الخلايا الكهروضوئية. بالإضافة إلى ذلك، تم تطويع خوارزمية SBOA لتحسين اختيار قيم كسب وحدة التحكم التناسبية التكاملية (PI) ومحول DC-DC، فضلاً عن معاملات تصميم المرشح ومحول DC-DC، وذلك لتقليل التشوه التوافقي الكلي (THD). ولتحليل أداء النظام المقترح، تم اختيار ثلاث دراسات حالة تجريبية مع توليفات من مستويات الإشعاع القياسية والمتغيرة من 800 W/m2 إلى 1000 W/m2 ودرجات حرارة تتراوح بين 20 °C و 25 °C، جنباً إلى جنب مع أحمال التيار المتردد (AC) الخاصة بالقاعدة الأساسية للمحطة. وكانت قيم THD لدراسات الحالة 2.85% و 2.26% و 2.23% على التوالي، وهي أقل بكثير من تلك الموجودة في الطرق الحالية. وتكشف النتائج أن النظام الكهروضوئي المقترح فعال في الوضع المستقل لشحن المركبات الكهربائية مع الحفاظ على جهد ناقل DC مستقر. ومع ذلك، لم يتم التحقق من الطريقة المقترحة بعد من خلال التنفيذ العتادي. ولذلك، فإن العوامل التي تؤثر على أداء العتاد، مثل خسائر التبديل، وتأخيرات الاتصال، وأخطاء القياس، وتقادم البطارية، وتأثيرات درجة الحرارة، لم تُدرج في نموذج المحاكاة. وفي المستقبل، ومن أجل زيادة تحسين موثوقية النظام المقترح وقوته وقابلية توسيعه، ستركز الدراسة على التحقق التجريبي.
الإفصاحات
يصرح المؤلفون بأنه لا توجد تضاربات في المصالح.
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| محول DC–AC | MathWorks | توثيق Simscape Electrical Three-Level Converter: https://www.mathworks.com/help/sps/ref/threelevelconverterthreephase.html | نموذج محول DC–AC ثلاثي الأطوار وثلاثي المستويات ومثبت النقطة المحايدة. |
| محول DC–DC | MathWorks | توثيق Simscape Electrical Boost Converter: https://www.mathworks.com/help/sps/ref/boostconverter.html | نموذج محول DC–DC رافع (Boost) يُستخدم لتنظيم جهد خرج الخلايا الكهروضوئية (PV). |
| بطارية EV1 | MathWorks | توثيق نموذج البطارية: https://www.mathworks.com/help/autoblks/ref/datasheetbattery.html | بطارية رصاص حمضية محاكات تمثل المركبة EV1. |
| بطاريات EV2–EV5 | MathWorks | توثيق نموذج البطارية: https://www.mathworks.com/help/autoblks/ref/datasheetbattery.html | نماذج بطاريات ليثيوم-أيون محاكات تمثل المركبات EV2 وEV3 وEV4 وEV5. |
| MATLAB/Simulink | MathWorks | برمجيات؛ https://www.mathworks.com/products/simulink.html | البيئة البرمجية المستخدمة لنمذجة ومحاكاة محطة شحن المركبات الكهربائية التي تعمل بالطاقة الكهروضوئية (PV). |
| Simscape Electrical | MathWorks | برمجيات؛ https://www.mathworks.com/products/simscape-electrical.html | مكتبة المكونات المستخدمة لنمذجة محولات الطاقة والشبكة الكهربائية ونظام التحكم المرتبط بها. |
| لوح شمسي | Waaree Energies Ltd.؛ تمت نمذجته في MATLAB/Simulink | طراز 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 تخزين | MathWorks | توثيق نموذج بطارية الرصاص الحمضية: https://www.mathworks.com/help/simscape/ug/lead-acid-battery.html | بطارية رصاص حمضية محاكات تُستخدم كنظام تخزين طاقة ثابت. |
المراجع
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Luque A, Lorenzo E, Sala G, López-Romero S. Diffusing reflectors for bifacial photovoltaic panels. Sol Cells. 1985;13:277-292.
- Chieng YK, Green MA. Computer simulation of enhanced output from bifacial photovoltaic modules. Prog Photovolt Res Appl. 1993;1(4):293-299.
- 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.
- Janssen GJ, Van Aken B, Carr AJ, Mewe AA. Outdoor performance of bifacial modules by measurements and modelling. Energy Procedia. 2015;77:364-373.
- 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.
- 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
- 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).
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.