Extraktion elektrischer Parameter von PV-Modulen mithilfe eines künstlichen Kolibri-Optimierers

Wissenschaftliche Berichte Band 13, Artikelnummer: 9240 (2023) Diesen Artikel zitieren

Details zu den Metriken

Die Parameterextraktion von PV-Modellen ist ein nichtlineares Optimierungsproblem mit mehreren Modellen. Es ist jedoch wichtig, die Parameter der PV-Einheiten richtig einzuschätzen, da sie sich auf die Effizienz des PV-Systems in Bezug auf Leistung und aktuelle Produktion auswirken. Als Ergebnis stellt diese Studie eine entwickelte künstliche Kolibri-Technik (AHT) vor, um die besten Werte der nicht angegebenen Parameter dieser PV-Einheiten zu erzeugen. Der AHT ahmt die einzigartigen Flugfähigkeiten und Futtersuchmethoden von Kolibris in freier Wildbahn nach. Das AHT wird mit zahlreichen kürzlich inspirierten Techniken verglichen, darunter Thunfischschwarmoptimierer, Afrikanischer Geier-Optimierer, Lehr-Lern-Studienbasierter Optimierer und andere neuere Optimierungstechniken. Die statistischen Studien und experimentellen Ergebnisse zeigen, dass AHT andere Methoden bei der Extraktion der Parameter verschiedener PV-Modelle von STM6-40/36, KC200GT und PWP 201 polykristallin übertrifft. Die Leistung des AHT wird anhand des vom Hersteller bereitgestellten Datenblatts bewertet. Um die Dominanz von AHT hervorzuheben, wird seine Leistung mit denen anderer konkurrierender Techniken verglichen. Die Simulationsergebnisse zeigen, dass der AHT-Algorithmus eine schnelle Verarbeitungszeit und stetige Konvergenz aufweist und gleichzeitig ein hohes Maß an Genauigkeit in der angebotenen Lösung beibehält.

Solarenergie ist aufgrund ihrer Umweltverträglichkeit und ihrer zahlreichen Möglichkeiten eine vielversprechende erneuerbare Technologie. Die Entwicklung von Solar-Photovoltaik-Systemen (PV) geht weiter, was den effektiven Einsatz dieser Systeme zur Stromerzeugung zur Deckung des Energiebedarfs fördert1. Darüber hinaus gibt es mehrere Nachteile für die Leistung von PV-Systemen, wie z. B. eine unzureichende Produktivität der PV-Module und eine direkte Offenlegung der Module gegenüber den Elementen2. Daher ist die Bestimmung des realistischen Wirkungsgrads von PV-Systemen von entscheidender Bedeutung für die effiziente Planung, Steuerung und Simulation von PV-Modulen. Um dieses Ziel zu erreichen, wird das praktische Modell verwendet, das auf den Strom- und Spannungsproben basiert, die an den Modulklemmen gesammelt werden. Mithilfe der mathematischen Darstellung können PV-Parameter festgelegt und das entsprechende Modell erstellt werden.

In der Literatur haben viele Forscher verschiedene PV-Modelle entwickelt, darunter das Single-Diode-Modell (SDM) und das Double-Diode-Modell (DDM). Darüber hinaus hängt die Leistung des PV-Modells von nicht identifizierten internen Parametern ab. Aufgrund von Verschleiß, Alterung und unvorhersehbaren Funktionszuständen ist es eine Herausforderung, alle unbekannten Parameter stabil zu halten und zu bewerten. Das Entwerfen, Schätzen, Simulieren und Optimieren von PV-Modulen ist ohne die Ermittlung ihrer jeweiligen elektrischen Parameter nicht möglich. Daher wird die Wirksamkeit von Schwarmoptimierungsmethoden zur Quantifizierung von PV-Systemparametern untersucht3. Analytische Ansätze4 erstellen vereinfachte Annahmen oder bestimmte Näherungen, ohne Kompromisse bei der Genauigkeit einzugehen. Dieses Analysemodell wurde jedoch vereinfacht, indem der Einfluss von Parallel- und Serienwiderständen bei der Berechnung des Stroms und der Spannung im Zusammenhang mit der höchsten Ausgangsleistung ignoriert wurde. In5 wurde die Lagrange-Multiplier-Methode (LMM) für SDM/DDM vorgeschlagen, um die Leistungsabgabe von Solarzellen-PV-Modulen zu optimieren. In6 wurden die entscheidenden Informationen aus dem Datenblatt des Herstellers entfernt, wo eine Grenzanforderung für einen Nullspannungszustand unter Verwendung der ersten Ableitung der Leistung erstellt wurde. Darüber hinaus wurden in7 vier zufällige Positionen auf der IV-Kurve und deren Steigungen dargestellt, um die SDM-Parameter ohne Näherung oder Vereinfachung analytisch zu extrahieren. Allerdings ist ein solcher analytischer Ansatz auf herkömmliche Testszenarien beschränkt. Das hat viele Berechnungen und schlägt fehl, wenn sie sich ändern8.

Andererseits wurden numerische Ansätze einschließlich deterministischer und metaheuristischer Algorithmen vorgestellt. Ungenaue Anfangswerte können bei der deterministischen Methode zu lokalen Optima führen, und das reale Modell hat außerdem Schwierigkeiten, die Einschränkungen der Zielfunktionsgleichung zu erfüllen9. Umgekehrt bieten metaheuristische Methoden einen effektiven und einfachen Ansatz zur Bestimmung von PV-Modellparametern. Infolgedessen wurde das Thema der Parameterextraktion mit einer Untersuchung metaheuristischer Methoden behandelt. Es wurden unzählige Forschungsarbeiten mit Differential Evolution (DE)10,11 durchgeführt, um das Problem der Parameteridentifizierung beim PV-Modell anzugehen. In12 wurde für SDM und DDM ein vergleichbares DE vorgeschlagen, das einen umgekehrten Lernprozess, Multipopulationsstrategien und eine Mutationsstrategie enthält. Um die PV-Zelleneigenschaften der Solarzelle von RTC France und des Photowatt-PWM201 vorherzusagen, wurden zwei einfache, metaphernfreie Methoden, Rao-2 und Rao-3, durchgeführt13. Der Gorilla-Truppen-Optimierer14, der Schleimpilz-Optimierungsalgorithmus15 und der verbesserte Grasshopper-Optimierungsalgorithmus (IGOA)16 wurden für elektrische Solar-PV-Systeme entwickelt. Im Jahr 17 wurde die Harris Hawks-Optimierung in die Nelder-Mead-Simplex- und (horizontalen und vertikalen) Frequenzweichen integriert und in KC200GT, SM55 und ST40 einschließlich DDM und SDM implementiert. Darüber hinaus wurde der JAYA-Algorithmus unter Verwendung der chaotischen Karte in18 modifiziert und mit einer Lernstrategie kombiniert, die auf dem Elite-Gegner-Prozess in19 basiert, um die PV-Parameterextraktion zu extrahieren.

Ein DE wurde 2020 in den Teaching-Learning Based Optimizer (TLBO) integriert, wobei die Ranking-Wahrscheinlichkeit der Lernenden berücksichtigt wurde. In21 wurde die Gradientenbasierte Optimierung (GBO) mit einer logistischen Karte und einer rangbasierten Strategie sowohl für SM55 als auch für KC200GT mit SDM und DDM ausgearbeitet. In22, eine innovative zweistufige Technik zum Extrahieren der Parameter des SDM des PV-Moduls aus experimentellen Daten der Leistungs-Spannungs-Eigenschaften. In Ref. 23 wurde eine Elite-Strategie mit Backtracking-Suchansatz (BSA) integriert, die sowohl für SDM als auch für DDM implementiert wurde. In24 wurde der Blässhuhn-Vogel-Optimierer zur Schätzung der optimalen PV-Parameter unter Berücksichtigung verschiedener elektrischer Modelle basierend auf der Anzahl der Diodenzweige eingesetzt. Im Jahr 25 wurde ein verbessertes TLBO (ITLBO) mit unterschiedlichen Lehrtaktiken entwickelt und sowohl auf SDM als auch auf DDM vergleichend durchgeführt. In26 wurde ein Gray-Wolf-Algorithmus mit einer orthogonalen Lernstrategie zum Finden der Unbekannten verschiedener Solar-PV-Modelle manifestiert. Unter Berücksichtigung des Triple-Junction (TJS)-PV-Moduls wurden Methoden zur Mottensuche27, zum Wasserkreislauf28 und zum Heap-Optimierer29 zum Extrahieren der Parameter des InGaP/InGaAs/Ge-TJS-PV-Moduls angewendet. In27,28,29 wurden beim Betrieb eines TJSC-basierten PV-Moduls bei unterschiedlichen Einstrahlungsstärken und Temperaturen ihre Leistungen im Vergleich zu mehreren anderen Optimierungsstrategien bewertet und bestätigt.

Verschiedene „No Free Lunch“-Theorien (NFL) belegen, dass die verbesserte Leistung jedes Algorithmus gegenüber einer Problemklasse durch die Effizienz gegenüber einer anderen ausgeglichen wird30. Zur optimalen Identifizierung der unbekannten Parameter von PV-Modellen wurden zahlreiche alternative Metaheuristiken dargestellt. Die verfügbare CPU-Zeit, Einschränkungen und einige Beobachtungen zu diesen Methoden werden auch in der Literatur aufgeführt. Die von (Zhao et al.) vorgeschlagene künstliche Kolibri-Technik AHT31 wird in diesem Artikel implementiert, um die Nachteile anderer Techniken zu überwinden. Der AHT imitiert die besonderen Flug- und Futtersuchmuster von Kolibris. Die Implementierung territorialer, gerichteter und wandernder Nahrungssuche sowie der Aufbau von Besuchstischen kann die Merkfähigkeit dieser Vögel für Nahrungsmittel nachahmen. Die Hauptbeiträge dieses Artikels können wie folgt zusammengefasst werden: (i) AHT demonstriert erfolgreich das PV-Modell Parameter, (ii) Die aus dem AHT erzielten Ergebnisse werden mit neuen, kürzlich entwickelten Techniken verglichen, nämlich Tuna Swarm Optimizer (TSO)32, African Vultures Optimizer (AVO)33, Teaching Learning Study-based Optimizer (TLSBO)34, (iii) Verschiedene SDM- und DDM-PV-Modelldesigns werden verwendet, um AHT mit anderen bekannten Berichtsansätzen zu vergleichen, und (iv) Statistische Tests und experimentelle Ergebnisse belegen die Lebensfähigkeit des AHT.

Die übrigen Elemente sind wie folgt gruppiert. Im Abschnitt „Problemformulierung für SDM und DDM“ werden verschiedene Solarzellenmodelle vorgestellt, während im Abschnitt „AHT zur Extraktion von PV-Zellenparametern“ der vorgeschlagene AHT für die Extraktion von PV-Parametern vorgestellt wird. Statistische Analysen und experimentelle Ergebnisse mehrerer PV-Modelle werden im Abschnitt „Simulationsergebnisse“ dargestellt. Die Schlussfolgerungen der vorgeschlagenen Arbeit werden im Abschnitt „Schlussfolgerung“ angezeigt und unterstrichen.

Dieser Teil veranschaulicht die nichtlinearen P-V- und I-V-Eigenschaften zahlreicher Solarzellen von Photovoltaikmodellen. Darüber hinaus werden die gängigsten PV-Modelldesigns beschrieben und die entsprechenden Stromkreise und mathematischen Gleichungen für diese PV-Modelle beschrieben35.

Diese Konfiguration besteht typischerweise aus einer Diode (D) parallel zu einem Shunt-Widerstand (\(R_{{{\text{sh}}}}\)) und einem fotogenerierten Strom (\(I_{{{\text{ph} }}}\)). Diese Konfiguration, wie sie in Abb. 1 dargestellt ist, wird in Reihe mit einer anderen (\(R_{{\text{S}}}\)) geschaltet. Der SDM-Stromausgang (I) lässt sich mathematisch formulieren36,37:

Dabei bezeichnen \(I_{P}\), \(I_{D1}\) und \(I_{SD1}\) den Strom durch den Shunt-Widerstand, den Diodenstrom bzw. den umgekehrten Sättigungsstrom der Diode. Darüber hinaus kennzeichnet das Symbol (\(n_{1}\)) seinen Idealitätsfaktor, während das Symbol (V) die Ausgangsspannung angibt. Darüber hinaus gibt das Symbol (\(V_{tm}\)) die Thermospannung an, während der Wert der Elektronenladung (q) C ist und der Wert der Boltzmann-Konstante (\(K_{b}\)) J/K ist und T bezieht sich auf die Zelltemperatur. In diesem Zusammenhang ist es wichtig, fünf Parameter f(\(I_{ph}\), \(R_{S}\), \(n\), \(I_{SD}\), \(R_{ sh}\)) genau aus (1).

Ersatzschaltung für SDM.

Es wird als SDM mit Einfügung einer zusätzlichen Rekombinationsdiode (D2) betrachtet, wie anhand von Abb. 2 dargestellt. Obwohl SDM die Vorteile seiner einfachen Struktur, weniger zu extrahierender Parameter und einer schnellen Implementierung im Verarmungsbereich bietet, ignoriert es die Rekombinationsverlust bei niedriger Spannung, der bei der Verwendung praktischer Solarzellen von entscheidender Bedeutung ist38,39. Obwohl die Struktur von SDM weniger schwierig ist als die von DDM, bietet DDM dementsprechend eine höhere Leistung. Der DDM-Ausgangsstrom (I) wird mathematisch dargestellt durch:

wobei \({\text{I}}_{{{\text{SD}}1}}\) den Diffusionsstrom bezüglich der ersten Diode darstellt, während \({\text{I}}_{{{\text{ SD}}2}}\) zeigt den Sättigungsstrom bezüglich der zweiten Diode. Außerdem ist \({\text{I}}_{{{\text{D}}2}}\). und \({\text{n}}_{2}\) offenbaren den Strom von Diffusions- und Rekombinationsdioden und seinen Qualitätsfaktor. Mit (3) müssen im Vergleich zu SDM nun sieben zusätzliche Parameter bestimmt werden, z. B. \(\left( {{\text{I}}_{{{\text{Ph}}}} ,{\text{ R }}_{{\text{S}}} ,{\text{ I}}_{{{\text{SD}}1}} ,{\text{n}}_{1} ,{\text{ I}}_{{{\text{SD}}2}} ,{\text{n}}_{2} ,{\text{ R}}_{{{\text{sh}}}} } \ Rechts)\).

Ersatzschaltung für DDM.

Die Zielfunktion kann den Fehler zwischen simuliertem und experimentellem Strom verringern, indem sie die optimale Schätzung der elektrischen Parameter der beiden Modelle (SDM und DDM) definiert. Der quadratische Mittelfehler (RMSE)40 wird als Zielfunktion verwendet, um die Änderung zwischen zwei IV-Merkmalen zu bestimmen. Es lässt sich wie folgt veranschaulichen:

wobei M die Anzahl der experimentellen Datenpunkte erklärt; \(I_{exp}^{j}\) und \(V_{exp}^{j}\) stellen die Strom- und Spannungswerte des j-ten Versuchspunkts dar; \(I_{cal}^{j} \left( {V_{exp}^{j} , x} \right)\) bezeichnet den berechneten Stromausgang; und die Variable x impliziert die Entscheidungsparameter.

Das in Gl. dargestellte Ziel (4a) ist so traditionell und wird von verschiedenen berichteten Werken umgesetzt. Basierend auf diesem objektiven Modell liegt das Hauptaugenmerk auf der Minimierung der Fehleraggregation, es garantiert jedoch nicht die Richtung zur Minimierung des maximalen Fehlers, der durch eine einzelne experimentelle Aufzeichnung erzeugt werden kann. Trotz des objektiven Modells in Gl. (4a) eine signifikante Übereinstimmung für die gesamten PV-Eigenschaften liefert, wäre der Fehler bei einigen Messwerten hoch. Daher dient eine weitere Zielfunktion der Minimierung der Summe des aktuellen absoluten Fehlers (MAE) über die Anzahl experimenteller Datenpunkte, die wie folgt mathematisch modelliert werden kann:

Unter Verwendung des vorgeschlagenen Ziels in Gl. (4b) dient die Suchrichtung dazu, den maximalen Fehler im Verlauf der experimentellen Aufzeichnungen zu minimieren, sodass die Fehlerverteilung ungefähr gleich und geeigneter ist.

Bei den Verfahren des AHT wird jedem Kolibri ein bestimmter Futtervorrat zugewiesen, von dem er sich ernähren kann. Für diese spezielle Futterversorgung kann es sich die Geschwindigkeit und den Ort der Nektarnachfüllung merken. Darüber hinaus merkt es sich, wie oft es seit dem letzten Zugriff auf jede Nahrungsquelle vergangen ist. Dank dieser besonderen Kompetenz verfügt das AHT über eine außerordentliche Fähigkeit, die besten Lösungen zu finden. Zunächst wird ein Schwarm mit der Größe \(h_{n}\) von Kolibris, wie in (5) angegeben, zufällig \(h_{n}\) Nahrungsquellen zugeordnet:

Dabei bezieht sich \({\text{H}}_{{\text{i}}}\) auf den Standort der i-ten Nahrungsquelle, der die Parameter der PV-Zellen als Lösungsvektor darstellt. Die oberen und unteren Grenzen mit Problemdimension werden durch \({\text{Ub}}\) und \({\text{Lb}}\) demonstriert; und R beschreibt einen randomisierten Vektor zwischen [0, 1].

Eine Besuchstabelle (VT) der Nahrungsquellen wird anhand der folgenden Kriterien erstellt:

wobei \(VT_{i,k}\) angibt, wie oft der i-te Kolibri die k-te Nahrungsquelle nicht erreicht hat, und null das Fehlen jeglichen Werts angibt.

Drei Flugmanöver – axiale, diagonale und omnidirektionale Flüge – werden bei der Nahrungssuche häufig verwendet und im AHT modelliert, die jeweils in (7) wie folgt zu sehen sind:

wobei r1 einen zufällig generierten Wert bezeichnet, der innerhalb von [0, 1] liegt; \(rand_{i}\) und \(randperm\) bezeichnen randomisierte Erzeugungsfunktionen, um Werte in Form von ganzen Zahlen bzw. permutierten ganzen Zahlen zu erzeugen.

Die gerichteten und territorialen Taktiken der Kolibris wählen zufällig eine der in (7) beschriebenen Flugfähigkeiten. Zunächst verwendet ein Kolibri die Methode der gezielten Nahrungssuche, um seine beabsichtigte Nahrungsquelle zu inspizieren, was zur Entdeckung einer potenziellen Futterzutat führt, die wie folgt erklärt wird:

wobei \(H_{i} \left( t \right)\) und \(H_{i,t\arg et} \left( t \right)\) die Positionen der gegenwärtigen und beabsichtigten i-ten Nahrungsquellen zum jeweiligen Zeitpunkt darstellen T; N(0, 1) ist die Gaußsche Verteilungsfunktion.

Zweitens beinhaltet die territoriale Futtersuchstrategie basierend auf einem bestimmten territorialen Parameter (b) die Suche nach einem frischeren Nahrungsangebot in der Umgebung, wie unten dargestellt:

Daher kann der Standort jeder Nahrungsquelle (i) im Allgemeinen aktualisiert werden durch:

wobei O (·) das in (4) beschriebene objektive Ziel ausdrückt. Nach diesem Modell.

Drittens handelt es sich um die Technik der wandernden Nahrungssuche, bei der Kolibris häufig an einen weiter entfernten Ort fliegen, um Nahrung zu beschaffen, wenn in ihrer Region Nahrungsknappheit herrscht41. Die Kolibris konnten zu verschiedenen Nahrungsquellen reisen, die zufällig aus dem gesamten Suchgebiet ausgewählt wurden.

wobei \(H_{worst}\) die Quelle bezeichnet, die innerhalb der Population die minimale Nektarnachschubrate aufweist.

Es sollte ein Inspektionsprozess durchgeführt werden, der sicherstellt, dass sich jeder Kolibri immer innerhalb des Grenzsuchraums bewegt und folglich jede Dimensionsvariable, die gemäß (14) missbraucht wurde, an die Suchraumgrenze zurückgegeben wird:

Das wichtigste Element des AHT ist die Besuchstabelle, in der Erfahrungen zu Besuchen von Nahrungsquellen gespeichert sind. Dementsprechend kann die Besuchertabelle für jeden Kolibri aktualisiert werden, wie in (6) dargestellt.

Die Bedeutung dieser Besuchstabelle besteht darin, den Überblick über die Zeit zu behalten, die jeder Futtervorrat verstrichen ist, ohne dass er von einem einzelnen Vogel erneut besucht wurde, wobei eine lange Lücke zwischen den Besuchen auf eine höhere Besuchsrate hinweist. Somit zeigt Abb. 3 die Hauptschritte des AHT bei der Erkennung der nicht identifizierten Parameter von PV-Zellen.

Hauptschritte des AHT zur Erkennung der nicht identifizierten Parameter von PV-Zellen.

Die vorgeschlagene AHT wird durchgeführt, um die elektrischen SDM- und DDM-Parameter für KC200GT und STM6-40/36 zu identifizieren. Zwei Solarmodule, multikristallines KC200GT mit 54 in Reihe geschalteten Zellen und monokristallines STM6-40/36 mit 36 ​​in Reihe geschalteten Zellen bei einer Temperatur von 25 °C bzw. 51 °C und einer Bestrahlungsstärke von (1000 W/ m2). Die gemessenen Daten für KC200GT und STM6-40/36 enthalten 15 bzw. 20 Paare von V/I-Werten. Darüber hinaus werden, wie in Tabelle 1 dargestellt, die unteren (LB) und oberen (UB) Grenzen der Parameter anhand der Zelldaten dargestellt.

Um die vorgeschlagene AHT mit einigen anderen neu etablierten Methoden zu vergleichen, wenn sie auf dem SDM und DDM von STM 6–40/36 verwendet werden, werden vier Wirksamkeitsmetriken für Maximum, Durchschnitt, Minimum und Standardabweichung des RMSE angezeigt. Darüber hinaus zeigt ein niedriger RMSE-Score, dass die Parameter effektiv ermittelt wurden, da RMSE darauf abzielt, den Unterschied zwischen gemessenen und simulierten Daten zu minimieren. Darüber hinaus wird die AHT am polykristallinen PV-Modul PWP 201 unter Verwendung von SDM und DDM validiert. Die Simulationen werden mit MATLAB 2017b auf Intel® Core™ i7-7500U CPU @ 2,70 GHz 2,90 GHz mit 8,00 GB RAM durchgeführt. Basierend auf der gewählten Zielfunktion werden zwei Szenarien wie folgt betrachtet:

Szenario 1: Traditionelles objektives Modell, dargestellt in Gl. (4a) zur Minimierung der Fehleraggregation.

Szenario 2: Minimierung der (MAE)-Zielfunktion, dargestellt in Gl. (4b).

Die spezifischen Parameter von SDM und DDM von STM6-40/36 werden durch die vorgeschlagenen AHT und AVO33, TSO32 und TLSBO43 geschätzt, die in diesem Artikel zum ersten Mal implementiert werden, wie in Tabelle 2 dargestellt. In Bezug auf die numerischen Simulationen, z SDM könnte der vorgeschlagene AHT den niedrigstmöglichen Wert von 1,7298E−3 erreichen, während AVO, TSO und TLSBO die niedrigstmöglichen Werte von 1,7324E−3, 1,9219E−3 bzw. 1,9264E−3 erreichen, wie in gezeigt Tabelle 2. Der AHT konnte den niedrigstmöglichen Wert von 1,7028E−3 erreichen, während AVO und TSO die niedrigstmöglichen Werte von 1,7049E−3 und 2,6843E−3 erreichen, entsprechend für DDM.

Darüber hinaus werden in diesem Artikel dreißig unabhängige Läufe für die vorgeschlagenen AHT, AVO, TSO und TLSBO für SDM und DDM durchgeführt, um die Leistung dieser Optimierer zu zeigen. Aus der Durchführung dieser Läufe lässt sich erkennen, dass die vorgeschlagene AHT den minimalen Wert unter diesen Techniken aufweist, was die Effizienz und Robustheit der vorgeschlagenen AHT im Vergleich zu diesen Optimierern hervorhebt, wie in Abb. 4 beispielhaft dargestellt. Wie gezeigt, ergibt sich für SDM die geringste Ableitung von AHT Minimum, Mittelwert, Maximum und Standardabweichung bezogen auf den RMSE von 0,001729814, 0,001729831, 0,001730045 bzw. 5,39233E−8. Im Gegensatz dazu erhalten AVO, TLSBO und TSO höhere Standardabweichungen von 0,001084, 0,000102 bzw. 0,000967. Ähnliche Ergebnisse wurden für DDM erzielt. AHT erreicht die geringsten minimalen, mittleren, maximalen und Standardabweichungen im Zusammenhang mit dem RMSE von 0,001704932, 0,001728661, 0,001762892 bzw. 9,85118E−6. Im Gegensatz dazu erhalten AVO, TLSBO und TSO jeweils höhere Standardabweichungen von 0,000833907, 0,000537932 und 0,000899015.

Whisker-Diagramm des AHT im Vergleich zu AVO, TLSBO und TSO mit den beiden Modellen von STM6-40/36 (Szenario 1).

Die Konvergenzeigenschaften von AHT werden für SDM und DDM entwickelt, wie in Abb. 5a, b dargestellt, und mit AVO, TSO, TLSBO, Forensic-Based Investigation (FBI) Technique44, Enhanced Marine Predator Approach (EMPA)45 und Equilibrium Optimization (EO) verglichen ), Heap-basierte Technik29,46,47 und Jellyfish Search (JFS)-Optimierer48. Aus dieser Abbildung geht hervor, dass die Konvergenzeigenschaften des AHT im Gegensatz zu diesen Optimierern eine hervorragende Leistung aufweisen.

Konvergenzeigenschaften der verglichenen Algorithmen für die beiden Modelle von STM6-40/36 (Szenario 1).

Für SDM sind die von AHT, AVO, TSO und TLSBO dargestellten experimentellen und geschätzten Daten der Ströme und Leistungen in Abb. 6a, b für jeweils 20 Punkte dargestellt. Außerdem wird an jedem Punkt der absolute Fehler zwischen geschätzten und experimentellen Daten für die Ströme und Leistungen veranschaulicht, wie er in den zuvor genannten Zahlen zum Ausdruck kommt, wobei der vorgeschlagene AHT im Vergleich zu AVO, TSO und TLSBO die niedrigsten absoluten Fehler erreicht. Aus Gründen der Quantifizierung beträgt, wie in Abb. 6a gezeigt, der maximale absolute prozentuale Fehler zwischen gemessenen und geschätzten Stromwerten am Versuchspunkt Nr. 0,14 %. 11 mit IAE-Wert von weniger als 6,09 mA, beschnitten durch die AHT. Die IV-Kurve und die PV-Kurve sind in Abb. 7a bzw. b dargestellt, was die genaue Nähe zwischen den geschätzten und experimentellen Daten der Leistungen und Ströme an jedem Spannungspunkt veranschaulicht.

Vom AHT und anderen Optimierern für SDM des STM6-40/36 PV-Moduls beschnittene absolute Fehler (Szenario 1).

Die vom vorgeschlagenen AHT für SDM des STM6-40/36-PV-Moduls entwickelten I-V- und P-V-Kurven (Szenario 1).

Für DDM sind die experimentellen Daten und die von AHT, AVO, TSO und TLSBO dargestellten geschätzten Daten der Ströme und Leistungen in Abb. 8(a)–(b) für jeweils 20 Punkte beschrieben. Außerdem wird an jedem Punkt der absolute Fehler zwischen geschätzten und experimentellen Daten für die Ströme und Leistungen veranschaulicht, wobei der vorgeschlagene AHT im Vergleich zu AVO, TSO und TLSBO die niedrigsten absoluten Fehler erreicht. Auch hier beträgt, wie in Abb. 8(a) dargestellt, der maximale absolute prozentuale Fehler zwischen gemessenen und geschätzten Stromwerten 0,40 %, wobei der IAE-Wert durch den AHT auf weniger als 6,31 mA beschnitten wird. Die I-V-Kurve und die P-V-Kurve sind in Abb. 9a, b dargestellt, die die Nähe zwischen den geschätzten und experimentellen Daten der Leistungen und Ströme an jedem Spannungspunkt veranschaulicht.

Absolute Fehler, die vom AHT und anderen Optimierern für DDM des STM6-40/36 PV-Moduls erzeugt werden (Szenario 1).

Die vom AHT für DDM des STM6/40-36-PV-Moduls entwickelten I-V- und P-V-Kurven (Szenario 1).

Die statistische Analyse einschließlich der besten, schlechtesten, durchschnittlichen und Standardabweichungsparameter für SDM und DDM ist entsprechend in den Tabellen 3 und 4 dargestellt. In diesen Tabellen wird die vorgeschlagene AHT mit mehreren Optimierern von AVO, TSO und TLSBO sowie den gemeldeten Optimierern von Simulated Annealing (SA)49, Three Point Based Approach (TPBA)50 und Hybridizing Cuckoo Search/Biogeography Based Optimization (BHCS) verglichen. 51, ITLBO25, Enhanced CS Approach (ECSA)52, Improved Shuffled Complex Evolution (ISCE)53, chaotische logistische Rao-Technik (CLRT)54, Enhanced PSO (EPSO)55, Fractional Chaotic PSO (FC-EPSO)56, Fledermausoptimierungsansatz (BA), neuartiger BA (NBA), gerichteter Fledermausalgorithmus (DBA)57, SDO58, MPA59 und verbesserter Chaotic-Wal-Optimierungsalgorithmus (ICWOA)61 für beide Modelle.

Wie gezeigt, erreicht der AHT für SDM den geringsten RMSE, die Standardabweichung, den Mittelwert und das Maximum von 1,7298E−3, 5,3923E−8, 1,7298E−3 bzw. 1,7300E−3 (siehe Tabelle 3). Der AHT erreicht 1,7049E-3, 9,8512E-6, 1,7287E-3 bzw. 1,7629E-3 für DDM, wie in Tabelle 4 angegeben. Die vergleichende Bewertung zeigt eine hohe Suchgenauigkeit und gute Stabilität des vorgeschlagenen AHT im Vergleich zu mehreren neue Techniken und die gemeldeten Optimierer.

Für dieses Szenario werden die vorgeschlagenen AHT, AVO, TSO und TLSBO implementiert und die entsprechenden Parameter von SDM und DDM von STM6-40/36 sind in Tabelle 5 dargestellt. Außerdem sind die Konvergenzeigenschaften des AHT im Vergleich zu AVO und TLSBO dargestellt , und TSO für dieses Szenario werden für SDM und DDM entwickelt, wie in Abb. 10a,b dargestellt. In Bezug auf die numerischen Simulationen könnte für SDM der vorgeschlagene AHT den niedrigsten MAE-Wert von 4,068E−3 erreichen, während AVO, TSO und TLSBO die niedrigsten möglichen Werte von 8,805E−3, 6,175E−3 und 6,193E erreichen −3, wie in Tabelle 5 dargestellt. Der AHT könnte den niedrigsten MAE-Wert von 3,99E−3 erreichen, während AVO, TSO und TLSBO die niedrigsten möglichen Werte von 7,291E−3, 6,243E−3 und 6,108E− erreichen 3, entsprechend für DDM.

Konvergenzeigenschaften der verglichenen Algorithmen für die beiden Modelle von STM6-40/36 (Szenario 2).

Darüber hinaus zeigt Abb. 11 das betreffende Whisker-Diagramm des AHT im Vergleich zu AVO, TLSBO und TSO für dieses Szenario. Wie gezeigt, leitet AHT für SDM den kleinsten Mittelwert bezogen auf den MAE von 0,005084 ab. Im Gegensatz dazu erreichen AVO, TLSBO und TSO höhere MAE-Ziele von 0,023869, 0,006279 bzw. 0,007603. Für DDM ermittelt AHT das geringste Minimum, den Mittelwert, das Maximum und die Standardabweichung in Bezug auf den MAE von 0,00399, 0,004383, 0,005025 bzw. 0,000299. Im Gegensatz dazu erzielen AVO, TLSBO und TSO höhere Standardabweichungen von 0,017904, 0,000501 bzw. 0,001165.

Whisker-Diagramm des AHT im Vergleich zu AVO, TLSBO und TSO mit den beiden Modellen von STM6-40/36 (Szenario 2).

Für beide Modelle in diesem Szenario sind die experimentellen absoluten Fehler im erzeugten Strom in Abb. 12a,b für AHT, AVO, TLSBO und TSO für jeweils 20 Punkte beschrieben. Wie gezeigt, bietet das vorgeschlagene AHT im Vergleich zu den anderen eine überlegene Fähigkeit zur Minimierung des maximalen absoluten Fehlers. Basierend auf diesem Szenario ist die Fehlerverteilung ungefähr gleich und besser geeignet, wenn die Suchrichtung darauf ausgerichtet ist, den maximalen Fehler im Verlauf der experimentellen Aufzeichnungen zu minimieren. Für das SDM liegen die Fehler bei Verwendung des vorgeschlagenen AHT zwischen 0,000495 und der Messwertnummer. 7 auf 0,004901 bei der Ablese-Nr. 11. Daher beträgt die relative Differenz zwischen den beiden erhaltenen Grenzen 0,004406. In ähnlicher Weise beträgt die berechnete Differenz zwischen den beiden erhaltenen Grenzen unter Verwendung von AVO, TLSBO und TSO 0,02237, 0,005984 bzw. 0,006012. Diese Unterschiede zeigen die hohe Fähigkeit des vorgeschlagenen AHT, die beste Verteilung der Fehler im Verlauf der experimentellen Aufzeichnungen zu erreichen.

Absolute Fehler im erzeugten Strom durch die verglichenen Optimierer des STM6-40/36 PV-Moduls (Szenario 2).

Für das DDM liegen die Fehler bei Verwendung des vorgeschlagenen AHT zwischen 0,000389 und der Messwertnummer. 18 auf 0,004415 bei der Ablese-Nr. 11. Der relative Unterschied zwischen den beiden erhaltenen Grenzen beträgt 0,00403. In ähnlicher Weise beträgt die berechnete Differenz zwischen den beiden erhaltenen Grenzen unter Verwendung von AVO, TLSBO und TSO 0,01452, 0,007083 bzw. 0,007797. Diese Unterschiede zeigen die hohe Fähigkeit des vorgeschlagenen AHT, die beste Verteilung der Fehler im Verlauf der experimentellen Aufzeichnungen zu erreichen.

Die spezifischen Parameter von SDM und DDM des PV-Moduls KC200GT werden durch das vorgeschlagene AHT und die kürzlich entwickelten Optimierer AVO33, TSO32 und TLSBO62 geschätzt, die in diesem Artikel zum ersten Mal implementiert werden, wie in Tabelle 6 dargestellt. Außerdem gilt für SDM das Das vorgeschlagene AHT könnte den niedrigstmöglichen Wert von 6,4957E−4 erreichen, während AVO, TSO und TLSBO die niedrigstmöglichen Werte von 1,0426E−2, 1,1538E−2 bzw. 1,2897E−2 erreichen. Aus dieser Tabelle geht auch hervor, dass die vorgeschlagene AHT den niedrigstmöglichen Wert von 3,7154E−4 erreichen könnte, während AVO, TSO und TLSBO die niedrigstmöglichen Werte von 9,6100E−3, 1,1268E−2 und 1,2580E−2 erreichen könnten bzw. für DDM.

In diesem Artikel werden 30 unabhängige Läufe für die vorgeschlagenen AHT, AVO, TSO und TLSBO für SDM und DDM dieses Moduls durchgeführt, um die Leistung dieser Optimierer zu zeigen. Aus der Durchführung dieser Läufe lässt sich erkennen, dass die vorgeschlagene AHT den minimalen Wert unter diesen Techniken aufweist, was die Effizienz und Robustheit der vorgeschlagenen AHT im Vergleich zu diesen Optimierern hervorhebt, wie in Abb. 13 beispielhaft dargestellt.

Whisker-Diagramm des AHT im Vergleich zu AVO, TLSBO und TSO mit den beiden Modellen des KC200GT-PV-Moduls (Szenario 1).

Wie gezeigt, erreicht AHT für SDM die geringsten minimalen, mittleren, maximalen und Standardabweichungen im Zusammenhang mit dem RMSE von 0,0006496, 0,0067283, 0,0095589 bzw. 0,0023414. Im Gegensatz dazu erzielen AVO, TLSBO und TSO einen höheren mittleren RMSE von 0,037613, 0,015379 bzw. 0,041981. Außerdem erhalten sie höhere Standardabweichungen von 0,009989, 0,00121 bzw. 0,011769. Ähnliche Ergebnisse werden für DDM erzielt, AHT erhält die geringsten minimalen, mittleren, maximalen und Standardabweichungen in Bezug auf den RMSE von 0,000371545, 0,009679481, 0,016820415 bzw. 0,005198108. Im Gegensatz dazu erhalten AVO, TLSBO und TSO jeweils höhere Standardabweichungen von 0,011457421, 0,001713595 und 0,013369672.

Die Konvergenzeigenschaften von AHT für SDM und DDM sind in Abb. 14a bzw. b dargestellt und mit AVO, TSO, TLSBO, EMPA, EO, Heap, JFS und FBI44 verglichen. Aus dieser Abbildung geht hervor, dass die Konvergenzeigenschaften des AHT im Vergleich zu diesen Optimierern eine hervorragende Leistung aufweisen.

Konvergenzeigenschaften des AHT im Vergleich zu anderen Optimierern des KC200GT PV-Moduls (Szenario 1).

Für SDM sind die experimentellen Daten und die von AHT, AVO, TSO und TLSBO dargestellten geschätzten Daten der Ströme und Leistungen in Abb. 15a, b für jeweils 15 Punkte beschrieben. Außerdem wird an jedem Punkt der absolute Fehler zwischen geschätzten und experimentellen Daten für die Ströme und Leistungen veranschaulicht, wobei der vorgeschlagene AHT im Vergleich zu AVO, TSO und TLSBO die niedrigsten absoluten Fehler erreicht. Zur Quantifizierung beträgt, wie in Abb. 15 dargestellt, der maximale absolute prozentuale Fehler zwischen gemessenen und geschätzten Stromwerten am Versuchspunkt Nr. 0,45 %. 9 mit IAE-Wert von 11,2 mA, beschnitten durch AHT. Die I-V-Kurve und die P-V-Kurve sind in Abb. 16a,b dargestellt, die die Nähe zwischen den geschätzten und experimentellen Daten der Leistungen und Ströme an jedem Spannungspunkt veranschaulicht.

Absolute Fehler, die vom AHT und anderen Optimierern für SDM des KC200GT PV-Moduls beschnitten wurden (Szenario 1).

Die vom AHT für SDM des KC200GT-PV-Moduls entwickelten I-V- und P-V-Kurven (Szenario 1).

Für SDM sind die experimentellen Daten und die von AHT, AVO, TSO und TLSBO dargestellten geschätzten Daten der Ströme und Leistungen in Abb. 17a, b für jeweils 15 Punkte beschrieben. Außerdem wird an jedem Punkt der absolute Fehler zwischen geschätzten und experimentellen Daten für die Ströme und Leistungen veranschaulicht, wobei der vorgeschlagene AHT im Vergleich zu AVO, TSO und TLSBO die niedrigsten absoluten Fehler erreicht. Die I-V-Kurve und die P-V-Kurve sind in Abb. 18a,b dargestellt, die die Nähe zwischen den geschätzten und experimentellen Daten der Leistungen und Ströme an jedem Spannungspunkt veranschaulicht.

Vom AHT und anderen Optimierern für DDM des KC200GT-PV-Moduls vorgeschlagene absolute Fehler (Szenario 1).

Die vom AHT für DDM des KC200GT-PV-Moduls entwickelte I-V-Kurve und P-V-Kurve (Szenario 1).

Für das PV-Modul KC200GT ist die statistische Analyse für SDM und DDM in den Tabellen 7 bzw. 8 dargestellt. In dieser Tabelle wird die vorgeschlagene AHT mit AVO, TSO und TLSBO sowie den gemeldeten Optimierern verglichen: CPMPSO63, PSO64, BMA65, NLBMA66, PGJAYA67, FPSO68, Hybridized Pattern Search and Firefly Technique (HPSFT)69, FBI44, EHHO70 und MVO71 für beide Modelle. Wie gezeigt, erreicht die vorgeschlagene AHT den kleinsten RMSE, die kleinste Standardabweichung, den Mittelwert und das Maximum von 6,4957E-4, 2,3414E-3, 6,7283E-3 bzw. 9,5589E-3 für SDM, wie in Tabelle 7 dargestellt Andererseits erreicht der AHT 3,7154E-4, 5,1981E-3, 9,6795E-3 bzw. 1,6820E-2 für DDM (siehe Tabelle 8). Die vergleichende Bewertung zeigt eine hohe Suchgenauigkeit und gute Stabilität des vorgeschlagenen AHT im Vergleich zu den kürzlich entwickelten Optimierern und den gemeldeten Optimierern.

Um die AHT-Ergebnisse bei verschiedenen Temperaturen und bei unterschiedlicher Sonneneinstrahlung zu validieren, sind Abb. 19a,b und 17a,b zeigen die entsprechenden I-V- und P-V-Kurven für das KC200GT-PV-Modul. Bei Temperaturschwankungen bei einer Bestrahlungsstärke von 1000 W/m2, wie in Abb. 19a,b dargestellt, leitet das vorgeschlagene AHT eine signifikante Übereinstimmung zwischen den simulierten und experimentellen Aufzeichnungen ab. Ähnliche Ergebnisse werden mit Schwankungen der Bestrahlungsstärke bei einer Temperatur von 25 °C erzielt, wie in Abb. 20a,b dargestellt. Beide Zahlen zeigen die hohe Validität des vorgeschlagenen AHT bei unterschiedlichen Temperaturen und Sonneneinstrahlungen.

Hauptmerkmale des PV-Moduls KC200GT bei Temperaturschwankungen bei einer Einstrahlung von 1000 W/m2.

Hauptmerkmale des PV-Moduls KC200GT bei Schwankungen der Einstrahlungsstärke bei einer Temperatur von 25 °C.

Für dieses Szenario werden die vorgeschlagenen AHT, AVO, TSO und TLSBO durchgeführt und die entsprechenden Parameter von SDM und DDM sind in Tabelle 9 dargestellt. Außerdem die Konvergenzeigenschaften des AHT im Vergleich zu AVO, TLSBO und TSO für dieses Szenario werden für SDM und DDM entwickelt, wie in Abb. 21a,b dargestellt. Wie gezeigt, könnte der vorgeschlagene AHT für SDM den niedrigsten MAE-Wert von 2,79E-2 erreichen, während AVO, TSO und TLSBO die niedrigsten möglichen Werte von 3,39E-2, 3,14E-2 bzw. 3,88E-2 erreichen . Für den DDM könnte der AHT den niedrigsten MAE-Wert von 1,70E-2 erreichen, während AVO, TSO und TLSBO entsprechend die niedrigsten möglichen Werte von 2,11E-2, 3,37E-2 und 1,97E-2 erreichen. Basierend auf diesen Erkenntnissen gibt die vorgeschlagene AHT einen Verbesserungsprozentsatz von 17,75 %, 11,30 % und 28,15 % basierend auf dem SDM und 19,24 %, 49,59 % bzw. 13,55 % basierend auf dem DDM im Vergleich zu AVO, TSO und TLSBO an.

Konvergenzeigenschaften der verglichenen Algorithmen für die beiden Modelle von KC200GT (Szenario 2).

Darüber hinaus zeigt Abb. 22 das betreffende Whisker-Diagramm der AHT im Vergleich zu AVO, TLSBO und TSO für dieses Szenario.

Whisker-Diagramm des AHT im Vergleich zu AVO, TLSBO und TSO mit den beiden Modellen von KC200GT (Szenario 2).

Wie gezeigt, leitet AHT für SDM die geringste minimale, mittlere, maximale und Standardabweichung in Bezug auf die MAE von 0,0279, 0,0488, 0,0589 bzw. 0,0092 ab. Auf der anderen Seite erzielen AVO, TLSBO und TSO höhere Standardabweichungen von 0,0183, 0,0133 bzw. 0,0136. Ebenso zeigt der vorgeschlagene AHT für das DDM die beste Leistung mit den niedrigsten minimalen, mittleren und maximalen MAE-Werten von 0,017, 0,0349 bzw. 0,0647.

Für beide Modelle in diesem Szenario beschreiben Abb. 23a,b die experimentellen absoluten Fehler im erzeugten Strom für AHT, AVO, TLSBO bzw. TSO. Wie gezeigt, bietet das vorgeschlagene AHT im Vergleich zu den anderen eine überlegene Leistungsfähigkeit mit einer besseren Fehlerverteilung. Für das SDM liegen die Fehler unter Verwendung des vorgeschlagenen AHT im Bereich von 0,0026 bei der Messwertnummer. 3 bis 0,0279 bei der Anzeige Nr. 12. Daher beträgt die relative Differenz zwischen den beiden erhaltenen Grenzen 0,0253. In ähnlicher Weise beträgt die berechnete Differenz zwischen den beiden erhaltenen Grenzen unter Verwendung von AVO, TLSBO und TSO 0,0333, 0,0313 bzw. 0,0388. Diese Unterschiede zeigen die hohe Fähigkeit des vorgeschlagenen AHT, die beste Verteilung der Fehler im Verlauf der experimentellen Aufzeichnungen zu erreichen.

Absolute Fehler im erzeugten Strom durch die verglichenen Optimierer des KC200GT PV-Moduls (Szenario 2).

Für das DDM liegen die Fehler unter Verwendung des vorgeschlagenen AHT im Bereich von 4,18E−5 bei der Messwertnummer. 3 auf 0,01701 bei der Ablese-Nr. 6. Der relative Unterschied zwischen den beiden erhaltenen Grenzen beträgt 0,001697. In ähnlicher Weise beträgt die berechnete Differenz zwischen den beiden erhaltenen Grenzen unter Verwendung von AVO, TLSBO und TSO 0,01963, 0,03101 bzw. 0,01874. Diese Unterschiede zeigen die hohe Fähigkeit des vorgeschlagenen AHT, die beste Verteilung der Fehler im Verlauf der experimentellen Aufzeichnungen zu erreichen.

Tabelle 10 beschreibt die fünf bzw. sieben-neun Variablen von SDM und DDM, die mit dem AHT unter Berücksichtigung beider Szenarien 1 und 2 ermittelt wurden. Gemäß Tabelle 10 bestimmt der AHT-Ansatz für das erste Szenario, dass 2,42507 mA das Optimum ist Anpassungswert für SDM und DDM. Der minimale RMSE, der den Parametern jedes Modells zugeordnet ist, ist in dieser Tabelle aufgeführt. Der vorgeschlagene AHT zeigt eine starke Stabilität und eine größere Sucheffizienz als zuvor berichtete Algorithmen, gemäß der statistischen Auswertung der drei Metriken (Beste, Durchschnitt, Schlechteste), dargestellt in Tabelle 10. Die Ergebnisse der dreißig Durchläufe zeigen die überlegene Widerstandsfähigkeit des vorgeschlagenen AHT gegenüber anderen in Bezug auf den Vergleich des vorgeschlagenen AHT und anderer kürzlich beschriebener Ansätze ist in Tabelle 11 dargestellt: SNS72, FBI44, SA49, ISCE53, ImCSA52, HFAPS69, SMA15, CGBO73, PSO64 und RAO-Optimierer13 für den SDM. Die vergleichende Bewertung erfolgt unter Berücksichtigung des DDM im Vergleich zu verschiedenen gemeldeten Stand der Technik wie SNS72, FBI44, PSO74, LAPO75, PSO64, MPA73 und CGBO73. Darüber hinaus veranschaulicht Abb. 24 die Konvergenzeigenschaften des AHT, was zeigt, wie das vorgeschlagene AHT sowohl für SDM als auch für DDM hohe Leistungen zeigt. Darüber hinaus zeigt Abb. 25a–d die projizierten und gemessenen Werte für die Leistungen und Ströme an jedem Punkt des SDM und DDM dieses Moduls und charakterisiert die Ähnlichkeit zwischen den erwarteten und gemessenen Werten bei der Schätzung der Daten mit dem vorgeschlagenen AHT.

Konvergenzmuster von AHT mit SDM und DDM für das polykristalline PV-Modul PWP 201 (Szenario 1).

I–V- und P–V-Kurven experimenteller und simulierter Ergebnisse für das PV-Modul PWP 201 (Szenario 1).

Für dieses Szenario wird die vorgeschlagene AHT durchgeführt und die entsprechenden Parameter von SDM und DDM sind zuvor in Tabelle 10 angegeben. Für beide Modelle und Szenarien zeigt Abb. 26a,b die experimentellen absoluten Fehler im erzeugten Strom unter Verwendung der vorgeschlagenen AHT. Für das SDM liegen im ersten Szenario die Fehler unter Verwendung des vorgeschlagenen AHT zwischen 9,21E−5 und 4,43E−3, wobei die Differenz zwischen den beiden erhaltenen Grenzen 4,34E−3 beträgt. Für dasselbe Modell liegen die Fehler unter Verwendung des vorgeschlagenen AHT zwischen 4,40E−5 und 3,66E−3, wobei die Differenz zwischen den beiden erhaltenen Grenzen unter Berücksichtigung des zweiten Szenarios 3,62E−3 beträgt. Auf dieser Grundlage zeigt die Nutzung des MAE-Minimierungsziels in Szenario 2 eine bessere Fehlerverteilung mit einer Verbesserung von 16,67 % gegenüber dem RMSE-Minimierungsziel in Szenario 1 durch die vorgeschlagene AHT. Ähnliche Ergebnisse werden bei Betrachtung des SDM erzielt. Die Nutzung des MAE-Minimierungsziels in Szenario 2 zeigt eine bessere Fehlerverteilung mit einer Verbesserung von 15,15 % gegenüber dem RMSE-Minimierungsziel in Szenario 1 durch die vorgeschlagene AHT. Im ersten Szenario liegen die Fehler bei Verwendung des vorgeschlagenen AHT zwischen 9,22E−5 und 4,43E−3, wobei die Differenz zwischen den beiden erhaltenen Grenzen 4,34E−3 beträgt. Für dasselbe Modell liegen die Fehler unter Verwendung des vorgeschlagenen AHT zwischen 2,9E−5 und 3,71–3, wobei die Differenz zwischen den beiden erhaltenen Grenzen unter Berücksichtigung des zweiten Szenarios 3,68E−3 beträgt.

Absolute Fehler im vom AHT erzeugten Strom für beide Szenarien des PV-Moduls PWP 201.

Darüber hinaus wird unter Berücksichtigung dieses Szenarios eine vergleichende Bewertung zwischen den vorgeschlagenen AHT, AVO, TSO und TLSBO durchgeführt. Die betreffenden Parameter von SDM und DDM sind in Tabelle 12 dargestellt, während ihre Konvergenzeigenschaften für SDM und DDM entwickelt werden, wie in Abb. 27a,b dargestellt. Wie gezeigt, könnte das vorgeschlagene AHT den niedrigsten MAE-Wert von 3,66E−3 und 3,71E−3 für SDM bzw. DDM erreichen.

Konvergenzeigenschaften der verglichenen Algorithmen für die beiden Modelle von PWP 201 (Szenario 2).

Darüber hinaus zeigt Abb. 28 das betreffende Whisker-Diagramm des AHT im Vergleich zu AVO, TLSBO und TSO für dieses Szenario. Wie gezeigt, zeigt der AHT im Vergleich zu den anderen die beste Leistung. Der vorgeschlagene AHT leitet das kleinste Minimum, Mittel und Maximum in Bezug auf den MAE von 0,00366, 0,00451 und 0,00628 für den SDM bzw. 0,00371, 0,005696 und 0,01286 für den DDM ab.

Whisker-Diagramm des AHT im Vergleich zu AVO, TLSBO und TSO mit den beiden Modellen von PWP 201 (Szenario 2).

In dieser Studie wurde eine neuartige Anwendung einer künstlichen Kolibri-Technik (AHT) zur Extraktion unbekannter Parameter aus SDM- und DDM-PV-Modellen von monokristallinem STM6-40/36 und multikristallinem KC200GT vorgestellt. Die Leistung des vorgeschlagenen AHT wird anhand statischer Indizes bewertet, die als Min RMSE-, Max RMSE-, Mean RMSE-, Standardabweichungs-, IAE-, PAE-, P-V- und I-V-Kurven bezeichnet werden. Die früheren Ergebnisse von AHT zur Bestimmung genauer Parameter verschiedener PV-Modelle zeigen, dass AHT im Vergleich zu anderen kürzlich entwickelten Algorithmen ein wettbewerbsfähiges Endergebnis liefert. Die Parameter des PV-Moduls werden in diesem Artikel mithilfe des AHT extrahiert. Um die PV-Modulparameter abzuschätzen, verwendet der vorgeschlagene Ansatz experimentelle Daten, die aus der Leistungs-Spannungs-Kurve (P-V) extrahiert wurden. In einer letzten Phase dieser Bemühungen wurde das Foto WATT-PWP 201 untersucht. Zusammenfassend lässt sich sagen, dass drei unterschiedliche PV-Module, die in der Literatur häufig verwendet werden, nämlich STM6-40/36, KC200GT und Photo WATT-PWP 201, untersucht wurden, um das vorgeschlagene AHT zu validieren. Für alle PV-Module weist der vorgeschlagene AHT den niedrigsten RMSE auf. Die Leistung des AHT wird zusätzlich anhand statistischer Daten in insgesamt 30 unabhängigen Läufen getestet. Basierend auf den experimentellen Ergebnissen kann bekannt gegeben werden, dass der AHT alle ausgewählten State-of-the-Art-Optimierer für die gemeldeten Testfälle übertrifft.

Die Daten, die die Ergebnisse dieser Studie stützen, sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

El-Ela, A. et al. Mikronetz-Schnittstelle für erneuerbare Energien: wirtschaftliche und ökologische Fragen. Elektronik https://doi.org/10.3390/electronics11050815 (2022).

Artikel Google Scholar

Feng, X. et al. Ein einfacher Ansatz zur Parameterschätzung zur Modellierung von Photovoltaikmodulen basierend auf Datenblattwerten. J. Sol. Energie-Ing. Trans. ASME 138(5), 1–8. https://doi.org/10.1115/1.4034357 (2016).

Artikel Google Scholar

Luu, TV & Nguyen, NS Parameterextraktion von Solarzellen mit modifiziertem JAYA-Algorithmus. Optik (Stuttg) 203, 164034. https://doi.org/10.1016/J.IJLEO.2019.164034 (2020).

Artikel ADS CAS Google Scholar

Lin, P., Cheng, S., Yeh, W., Chen, Z. & Wu, L. Parameterextraktion von Solarzellenmodellen unter Verwendung eines modifizierten vereinfachten Schwarmoptimierungsalgorithmus. Sol. Energie 144, 594–603. https://doi.org/10.1016/j.solener.2017.01.064 (2017).

Artikel ADS Google Scholar

Louzazni, M., Khouya, A., Al-Dahidi, S., Mussetta, M. & Amechnoue, K. Analytische Optimierung der Photovoltaikleistung mit der Lagrange-Multiplikator-Methode. Optik 199, 163379. https://doi.org/10.1016/j.ijleo.2019.163379 (2019).

Artikel ADS Google Scholar

Cubas, J., Pindado, S. & Victoria, M. Über den analytischen Ansatz zur Modellierung des Verhaltens von Photovoltaiksystemen. J. Power Sources 247, 467–474. https://doi.org/10.1016/J.JPOWSOUR.2013.09.008 (2014).

Artikel ADS CAS Google Scholar

Toledo, FJ & Blanes, JM Analytische und quasi-explizite Vier-Punkte-Methode zur Extraktion von Parametern für Solarzellen-Einzeldiodenmodelle. Erneuern. Energie 92, 346–356. https://doi.org/10.1016/J.RENENE.2016.02.012 (2016).

Artikel Google Scholar

Gnetchejo, PJ, Ndjakomo Essiane, S., Dadjé, A. & Ele, P. Eine Kombination aus Newton-Raphson-Methode und heuristischen Algorithmen zur Parameterschätzung in Photovoltaikmodulen. Heliyon 7(4), e06673. https://doi.org/10.1016/J.HELIYON.2021.E06673 (2021).

Artikel PubMed PubMed Central Google Scholar

Jain, A. & Kapoor, A. Exakte analytische Lösungen der Parameter realer Solarzellen mithilfe der Lambert-W-Funktion. Sol. Energie Mater. Sol. Zellen 81(2), 269–277. https://doi.org/10.1016/j.solmat.2003.11.018 (2004).

Artikel CAS Google Scholar

Hao, Q., Zhou, Z., Wei, Z. & Chen, G. Parameteridentifizierung von Photovoltaikmodellen mithilfe einer auf mehreren Strategien und Erfolgsgeschichten basierenden adaptiven Differentialentwicklung. IEEE Access 8, 35979–35994. https://doi.org/10.1109/ACCESS.2020.2975078 (2020).

Artikel Google Scholar

Liao, Z., Gu, Q., Li, S., Hu, Z. & Ning, B. Eine verbesserte Differentialentwicklung zur Extraktion von Parametern für Photovoltaikzellen. IEEE Access 8, 177838–177850. https://doi.org/10.1109/ACCESS.2020.3024975 (2020).

Artikel Google Scholar

Song, Y. et al. MPPCEDE: Parallele koevolutionäre differenzielle Evolution mehrerer Populationen zur Parameteroptimierung. Energiewandler. Geschäftsführer 228, 113661. https://doi.org/10.1016/J.ENCONMAN.2020.113661 (2021).

Artikel Google Scholar

Premkumar, M., Babu, TS, Umashankar, S. & Sowmya, R. Ein neuer metapherloser Algorithmus für die Parameterschätzung von Photovoltaikzellen. Optik (Stuttg) 208(März), 164559. https://doi.org/10.1016/j.ijleo.2020.164559 (2020).

Artikel ADS CAS Google Scholar

Ginidi, A. et al. Gorilla-Truppen-Optimierer für elektrisch basierte Einzel- und Doppeldiodenmodelle von Solar-Photovoltaikanlagen. Nachhaltigkeit 13, 9459. https://doi.org/10.3390/su13169459 (2021).

Artikel Google Scholar

Kumar, C., Raj, TD, Premkumar, M. & Raj, TD Ein neuer stochastischer Schleimpilz-Optimierungsalgorithmus zur Schätzung der Parameter von Solar-Photovoltaikzellen. Optik (Stuttg) 223(August), 165277. https://doi.org/10.1016/j.ijleo.2020.165277 (2020).

Artikel ADS CAS Google Scholar

Wu, Z. & Shen, D. Parameteridentifizierung des Photovoltaikzellenmodells basierend auf einem verbesserten Grasshopper-Optimierungsalgorithmus. Optik (Stuttg) 247, 167979. https://doi.org/10.1016/J.IJLEO.2021.167979 (2021).

Artikel ADS CAS Google Scholar

Liu, Y. et al. Horizontale und vertikale Kreuzung des Harris-Hawk-Optimierers mit Nelder-Mead-Simplex zur Parameterschätzung von Photovoltaikmodellen. Energiewandler. Geschäftsführer 223, 113211. https://doi.org/10.1016/J.ENCONMAN.2020.113211 (2020).

Artikel Google Scholar

Jian, X. & Weng, Z. Ein logistisch-chaotischer JAYA-Algorithmus zur Parameteridentifizierung von Photovoltaik-Zellen- und Modulmodellen. Optik (Stuttg) https://doi.org/10.1016/j.ijleo.2019.164041 (2020).

Artikel Google Scholar

Wang, L. & Huang, C. Ein neuartiger, auf Elite-Opposition basierender Jaya-Algorithmus zur Parameterschätzung von Photovoltaik-Zellenmodellen. Optik (Stuttg) 155, 351–356. https://doi.org/10.1016/J.IJLEO.2017.10.081 (2018).

Artikel ADS Google Scholar

Li, S., Gong, W., Wang, L., Yan, X. & Hu, C. Eine hybride adaptive, auf Lehren und Lernen basierende Optimierung und differenzielle Evolution zur Parameteridentifizierung von Photovoltaikmodellen. Energiewandler. Geschäftsführer 225, 113474. https://doi.org/10.1016/J.ENCONMAN.2020.113474 (2020).

Artikel Google Scholar

Ahmadianfar, I. et al. Gradientenbasierte Optimierung mit Ranking-Mechanismen zur Parameteridentifikation von Photovoltaikanlagen. Energy Rep. 7, 3979–3997. https://doi.org/10.1016/J.EGYR.2021.06.064 (2021).

Artikel Google Scholar

Reddy, SS & Yammani, C. Eine neuartige zweistufige Methode zum Extrahieren der Parameter des Einzeldiodenmodells eines Photovoltaikmoduls unter Verwendung experimenteller Strom-Spannungs-Daten. Optik (Stuttg) 248, 167977. https://doi.org/10.1016/J.IJLEO.2021.167977 (2021).

Artikel ADS Google Scholar

Yu, K., Liang, JJ, Qu, BY, Cheng, Z. & Wang, H. Multiple-Learning-Backtracking-Suchalgorithmus zur Schätzung von Parametern von Photovoltaikmodellen. Appl. Energie 226, 408–422. https://doi.org/10.1016/j.apenergy.2018.06.010 (2018).

Artikel Google Scholar

Fathy, A. & Rezk, H. Parameterschätzung einer Photovoltaikanlage unter Verwendung eines imperialistischen Wettbewerbsalgorithmus. Erneuern. Energie https://doi.org/10.1016/j.renene.2017.04.014 (2017).

Artikel Google Scholar

Li, S. et al. Parameterextraktion von Photovoltaikmodellen mithilfe einer verbesserten lehr-lernbasierten Optimierung. Energiewandler. Geschäftsführer 186, 293–305. https://doi.org/10.1016/j.enconman.2019.02.048 (2019).

Artikel Google Scholar

Xavier, FJ, Pradeep, A., Premkumar, M. & Kumar, C. Orthogonaler, lernbasierter Gray-Wolf-Optimierer zur Identifizierung der unsicheren Parameter verschiedener Photovoltaikmodelle. Optik (Stuttg) https://doi.org/10.1016/j.ijleo.2021.167973 (2021).

Artikel Google Scholar

Fathy, A., Elaziz, MA, Sayed, ET, Olabi, AG & Rezk, H. Optimale Parameteridentifizierung von Dreifach-Photovoltaikmodulen basierend auf einem verbesserten Mottensuchalgorithmus. Energie https://doi.org/10.1016/j.energy.2019.116025 (2019).

Artikel Google Scholar

Rezk, H. & Fathy, A. Eine neuartige Identifizierung optimaler Parameter einer Dreifachsolarzelle basierend auf einem kürzlich meta-heuristischen Wasserkreislaufalgorithmus. Sol. Energie https://doi.org/10.1016/j.solener.2017.08.084 (2017).

Artikel Google Scholar

Houssein, EH, Nassef, AM, Fathy, A., Mahdy, MA & Rezk, H. Modifizierter Such- und Rettungsoptimierungsalgorithmus zur Identifizierung der optimalen Parameter hocheffizienter Dreifachsolarzellen/-module. Int. J. Energy Res. 46(10), 13961–13985 (2022).

Artikel Google Scholar

Wolpert, DH & Macready, WG Keine Free-Lunch-Theoreme zur Optimierung. IEEE Trans. Entwicklung Berechnen. https://doi.org/10.1109/4235.585893 (1997).

Artikel Google Scholar

Zhao, W., Wang, L. & Mirjalili, S. Künstlicher Kolibri-Algorithmus: Ein neuer bioinspirierter Optimierer mit seinen technischen Anwendungen. Berechnen. Methoden Appl. Mech. Ing. 388, 114194. https://doi.org/10.1016/J.CMA.2021.114194 (2022).

Artikel ADS MathSciNet MATH Google Scholar

Xie, L. et al. Thunfischschwarmoptimierung: Ein neuartiger schwarmbasierter metaheuristischer Algorithmus zur globalen Optimierung. Berechnen. Intel. Neurosci. https://doi.org/10.1155/2021/9210050 (2021).

Artikel PubMed PubMed Central Google Scholar

Abdollahzadeh, B., Gharehchopogh, FS & Mirjalili, S. Optimierungsalgorithmus für afrikanische Geier: Ein neuer, von der Natur inspirierter metaheuristischer Algorithmus für globale Optimierungsprobleme. Berechnen. Ind. Eng. https://doi.org/10.1016/j.cie.2021.107408 (2021).

Artikel Google Scholar

Rao, RV, Savsani, VJ & Vakharia, DP Lehr-lernbasierte Optimierung: Eine neuartige Methode für eingeschränkte Optimierungsprobleme mechanischer Konstruktionen. Berechnen. Des. 43(3), 303–315. https://doi.org/10.1016/j.cad.2010.12.015 (2011).

Artikel Google Scholar

Easwarakhanthan, T., Bottin, J., Bouhouch, I. & Boutrit, C. Nichtlinearer Minimierungsalgorithmus zur Bestimmung der Solarzellenparameter mit Mikrocomputern. Int. J. Sol. Energie 4(1), 1–12. https://doi.org/10.1080/01425918608909835 (1986).

Artikel CAS Google Scholar

Xiong, G. et al. Parameterextraktion von Solar-Photovoltaik-Modellen mittels einer hybriden Differentialentwicklung mit Whale-Optimierungsalgorithmus. Sol. Energie https://doi.org/10.1016/j.solener.2018.10.050 (2018).

Artikel Google Scholar

Chin, VJ, Salam, Z. & Ishaque, K. Zellmodellierung und Modellparameter-Schätztechniken für die Anwendung von Photovoltaik-Simulatoren: Ein Überblick. Appl. Energie 154, 500–519. https://doi.org/10.1016/j.apenergy.2015.05.035 (2015).

Artikel Google Scholar

Alrahim Shannan, NMA, Yahaya, NZ & Singh, B. Eindiodenmodell und Zweidiodenmodell von PV-Modulen: Ein Vergleich, in Proceedings of the 2013 IEEE Int. Konf. Steuersystem. Berechnen. Ing. ICCSCE 2013, 210–214, 2013. https://doi.org/10.1109/ICCSCE.2013.6719960.

Ortiz-Conde, A., Lugo-Muñoz, D. & García-Sánchez, FJ Ein explizites multiexponentielles Modell als Alternative zu herkömmlichen Solarzellenmodellen mit Serien- und Shunt-Widerständen. IEEE J. Photovoltaics 2(3), 261–268. https://doi.org/10.1109/JPHOTOV.2012.2190265 (2012).

Artikel Google Scholar

Chin, VJ & Salam, Z. Coyote-Optimierungsalgorithmus für die Parameterextraktion von Photovoltaikzellen. Sol. Energie 194, 656–670. https://doi.org/10.1016/j.solener.2019.10.093 (2019).

Artikel ADS Google Scholar

Hamida, MA, El-Sehiemy, RA, Ginidi, AR, Elattar, E. & Shaheen, AM Parameteridentifizierung und Ladezustandsschätzung von Li-Ion-Batterien, die in Elektrofahrzeugen verwendet werden, mithilfe eines künstlichen Kolibri-Optimierers. J. Energy Storage 51, 104535. https://doi.org/10.1016/J.EST.2022.104535 (2022).

Artikel Google Scholar

Tong, NT & Pora, W. Eine Parameterextraktionstechnik, die intrinsische Eigenschaften von Solarzellen nutzt. Appl. Energie 176, 104–115. https://doi.org/10.1016/j.apenergy.2016.05.064 (2016).

Artikel Google Scholar

Sarhan, S., Shaheen, A., El-Sehiemy, R. & Gafar, M. Ein auf Lehren und Lernen basierender Algorithmus mit mehreren Zielen für den groß angelegten Einsatz kombinierter Strom- und Wärmeenergie. Mathematik. 10(13), 2278. https://doi.org/10.3390/math10132278 (2022).

Artikel Google Scholar

Shaheen, AM, Ginidi, AR, El-Sehiemy, RA & Ghoneim, SSM Ein forensisch-basierter Untersuchungsalgorithmus zur Parameterextraktion von Solarzellenmodellen. IEEE Access 9, 1–20. https://doi.org/10.1109/ACCESS.2020.3046536 (2021).

Artikel Google Scholar

Shaheen, AM et al. Ein neuartiger, verbesserter Meeresraubtieralgorithmus für das wirtschaftliche Versandproblem der Kraft-Wärme-Kopplung. Alex. Ing. J. https://doi.org/10.1016/J.AEJ.2021.07.001 (2021).

Artikel Google Scholar

Shaheen, AM, Elsayed, AM, Ginidi, AR, El-Sehiemy, RA & Elattar, EE Verbesserter Heap-basierter Optimierer für die DG-Zuteilung in neu konfigurierten radialen Feeder-Verteilungssystemen. IEEE-System. J. https://doi.org/10.1109/JSYST.2021.3136778 (2022).

Artikel Google Scholar

Ginidi, AR, Elsayed, AM, Shaheen, AM, Elattar, EE & El-Sehiemy, RA Ein neuartiger Heap-basierter Optimierer für die Planung einer wirtschaftlichen Verteilung von Kraft-Wärme-Kopplung in großem Maßstab. IEEE Access 9, 83695–83708. https://doi.org/10.1109/ACCESS.2021.3087449 (2021).

Artikel Google Scholar

Shaheen, AM, El-Sehiemy, RA, Ginidi, AR, Ghoneim, SSM & Alharthi, MM Multiobjektiver Quallensuchoptimierer für effizienten Stromsystembetrieb basierend auf einem mehrdimensionalen OPF-Framework. Energie https://doi.org/10.1016/J.ENERGY.2021.121478 (2021).

Artikel Google Scholar

Ben Messaoud, R. Extraktion unsicherer Parameter eines Einzeldiodenmodells für ein Photovoltaikmodul mithilfe der Optimierung des Blitzbefestigungsverfahrens. J. Comput. Elektron. https://doi.org/10.1007/s10825-020-01500-x (2020).

Artikel Google Scholar

Chin, VJ & Salam, Z. Ein neuer dreipunktbasierter Ansatz für die Parameterextraktion von Photovoltaikzellen. Appl. Energie 237, 519–533. https://doi.org/10.1016/j.apenergy.2019.01.009 (2019).

Artikel CAS Google Scholar

Chen, X. & Yu, K. Hybridisierung des Kuckuckssuchalgorithmus mit biogeographiebasierter Optimierung zur Schätzung von Photovoltaik-Modellparametern. Sol. Energie 180, 192–206. https://doi.org/10.1016/j.solener.2019.01.025 (2019).

Artikel ADS Google Scholar

Kang, T., Yao, J., Jin, M., Yang, S. & Duong, T. Ein neuartiger, verbesserter Kuckuckssuchalgorithmus zur Parameterschätzung von Photovoltaikmodellen (PV). Energien https://doi.org/10.3390/en11051060 (2018).

Artikel Google Scholar

Gao, X. et al. Parameterextraktion von Solarzellenmodellen mithilfe eines verbesserten Shuffled Complex Evolution-Algorithmus. Energiewandler. Geschäftsführer 157, 460–479. https://doi.org/10.1016/j.enconman.2017.12.033 (2018).

Artikel Google Scholar

Lekouaghet, B., Boukabou, A. & Boubakir, C. Schätzung der Parameter von Photovoltaikzellen/-modulen unter Verwendung einer verbesserten Rao-basierten chaotischen Optimierungstechnik. Energiewandler. Geschäftsführer 229 (November 2020), 113722. https://doi.org/10.1016/j.enconman.2020.113722 (2021).

Artikel Google Scholar

Rezaee Jordehi, A. Enhanced Leader Particle Swarm Optimization (ELPSO): Ein effizienter Algorithmus zur Parameterschätzung von Photovoltaik (PV)-Zellen und -Modulen. Sol. Energie 159, 78–87. https://doi.org/10.1016/j.solener.2017.10.063 (2018).

Artikel ADS CAS Google Scholar

Yousri, D., Thanikanti, SB, Allam, D., Ramachandaramurthy, VK & Eteiba, MB Fraktionaler chaotischer Ensemble-Partikelschwarmoptimierer zur Identifizierung der Parameter der Einzel-, Doppel- und Dreidioden-Photovoltaikmodelle. Energie https://doi.org/10.1016/j.energy.2020.116979 (2020).

Artikel Google Scholar

Deotti, LMP, Pereira, JLR & da Silva Júnior, IC Parameterextraktion von Photovoltaikmodellen unter Verwendung eines verbesserten Lévy-Flugbatalgorithmus. Energiewandler. Geschäftsführer 221 (Februar), 113114. https://doi.org/10.1016/j.enconman.2020.113114 (2020).

Artikel Google Scholar

Ginidi, AR, Shaheen, AM, El-Sehiemy, RA & Elattar, E. Algorithmus zur Optimierung der Angebotsnachfrage zur Parameterextraktion verschiedener Solarzellenmodelle. Energy Rep. 7, 5772–5794. https://doi.org/10.1016/J.EGYR.2021.08.188 (2021).

Artikel Google Scholar

Rezk, H. & Abdelkareem, MA Optimale Parameteridentifizierung des Dreifachdiodenmodells für Solar-Photovoltaikmodule und -zellen. Energievertreter. https://doi.org/10.1016/j.egyr.2021.11.179 (2022).

Artikel Google Scholar

Elshahed, M. et al. Eine innovative Jäger-Beute-basierte Optimierung für elektrisch basierte Einzel-, Doppel- und Dreifachdiodenmodelle von Solar-Photovoltaiksystemen. Mathematik 10(23), 4625. https://doi.org/10.3390/math10234625 (2022).

Artikel Google Scholar

Oliva, D., Abd El Aziz, M. & Ella Hassanien, A. Parameterschätzung von Photovoltaikzellen unter Verwendung eines verbesserten Chaotic-Wal-Optimierungsalgorithmus. Appl. Energie https://doi.org/10.1016/j.apenergy.2017.05.029 (2017).

Artikel Google Scholar

Akbari, E., Ghasemi, M., Gil, M., Rahimnejad, A. & AndrewGadsden, S. Optimaler Leistungsfluss durch einen auf Lehren, Lernen und Lernen basierenden Optimierungsalgorithmus. Elektr. Power Compon. Syst. https://doi.org/10.1080/15325008.2021.1971331 (2021).

Artikel Google Scholar

Liang, J. et al. Klassifizierter, auf Störungsmutationen basierender Partikelschwarm-Optimierungsalgorithmus zur Parameterextraktion von Photovoltaikmodellen. Energiewandler. Geschäftsführer 203 (Juni 2019), 112138. https://doi.org/10.1016/j.enconman.2019.112138 (2020).

Artikel ADS Google Scholar

Khanna, V., Das, BK, Bisht Vandana, D. & Singh, PK Ein Drei-Dioden-Modell für industrielle Solarzellen und Schätzung von Solarzellenparametern mithilfe des PSO-Algorithmus. Erneuern. Energie 78, 105–113. https://doi.org/10.1016/j.renene.2014.12.072 (2015).

Artikel Google Scholar

Sulaiman, MH, Mustaffa, Z., Saari, MM & Daniyal, H. Barnacles Mating Optimizer: Ein neuer bioinspirierter Algorithmus zur Lösung technischer Optimierungsprobleme. Ing. Appl. Artif. Intel. https://doi.org/10.1016/j.engappai.2019.103330 (2020).

Artikel Google Scholar

Rizk-Allah, RM & El-Fergany, AA Laplace-Seepocken-Paarungsalgorithmus auf Basis eines bewussten Nachbarschaftsschemas zur Parameteroptimierung von Photovoltaik-Einzel- und Doppeldiodenmodellen. Energiewandler. Geschäftsführer 226 (Juni), 113522. https://doi.org/10.1016/j.enconman.2020.113522 (2020).

Artikel Google Scholar

Yu, K. et al. Ein leistungsgesteuerter JAYA-Algorithmus zur Parameteridentifizierung von Photovoltaikzellen und -modulen. Appl. Energie 237, 241–257. https://doi.org/10.1016/j.apenergy.2019.01.008 (2019).

Artikel Google Scholar

Ebrahimi, SM, Salahshour, E., Malekzadeh, M. & Gordillo, F. Parameteridentifizierung von PV-Solarzellen und -Modulen mithilfe eines flexiblen Partikelschwarmoptimierungsalgorithmus. Energie 179, 358–372. https://doi.org/10.1016/j.energy.2019.04.218 (2019).

Artikel CAS Google Scholar

Beigi, AM & Maroosi, A. Parameteridentifizierung für Solarzellen und -module mithilfe eines Hybrid-Firefly- und Mustersuchalgorithmus. Sol. Energie 171, 435–446. https://doi.org/10.1016/j.solener.2018.06.092 (2018).

Artikel ADS Google Scholar

Chen, H., Jiao, S., Wang, M., Heidari, AA und Zhao, X. Parameteridentifizierung von Photovoltaikzellen und -modulen mithilfe der durch Diversifizierung angereicherten Harris Hawks-Optimierung mit chaotischen Drifts. J. Sauber. Prod. 244, 118778. https://doi.org/10.1016/j.jclepro.2019.118778 (2020).

Artikel Google Scholar

Ali, EE, El-Hameed, MA, El-Fergany, AA & El-Arini, MM Parameterextraktion von Photovoltaik-Erzeugungseinheiten mithilfe eines Multiversum-Optimierers. Aufrechterhalten. Energietechnologie. Gutachten 17, 68–76. https://doi.org/10.1016/j.seta.2016.08.004 (2016).

Artikel Google Scholar

Shaheen, AM, Elsayed, AM, Ginidi, AR, El-Sehiemy, RA & Elattar, E. Verbesserter Suchalgorithmus für soziale Netzwerke mit leistungsstarker Ausnutzungsstrategie für die Schätzung von PV-Parametern. Energiewissenschaft. Ing. 10(4), 1398–1417. https://doi.org/10.1002/ese3.1109 (2022).

Artikel Google Scholar

Montoya, OD, Gil-Gonzalez, W. & Grisales-Norea, LF Sinus-Cosinus-Algorithmus zur Parameterschätzung in Solarzellen mithilfe von Datenblattinformationen. J. Phys. Conf Ser. https://doi.org/10.1088/1742-6596/1671/1/012008 (2020).

Artikel Google Scholar

Jordehi, AR Zeitvariierende Beschleunigungskoeffizienten-Partikelschwarmoptimierung (TVACPSO): Ein neuer Optimierungsalgorithmus zur Schätzung von Parametern von PV-Zellen und -Modulen. Energiewandler. Geschäftsführer 129, 262–274. https://doi.org/10.1016/j.enconman.2016.09.085 (2016).

Artikel Google Scholar

Nematollahi, AF, Rahiminejad, A. & Vahidi, B. Eine neuartige physikalisch basierte meta-heuristische Optimierungsmethode, bekannt als Lightning Attachment Procedure Optimization. Appl. Soft Comput. J. 59, 596–621. https://doi.org/10.1016/j.asoc.2017.06.033 (2017).

Artikel Google Scholar

Referenzen herunterladen

Open-Access-Finanzierung durch die Science, Technology & Innovation Funding Authority (STDF) in Zusammenarbeit mit der Egyptian Knowledge Bank (EKB).

Fakultät für Elektrotechnik, Fakultät für Ingenieurwissenschaften, Kafrelsheikh-Universität, Kafrelsheikh, 33516, Ägypten

Ragab El-Sehiemy

Fakultät für Elektrotechnik, Fakultät für Ingenieurwissenschaften, Suez-Universität, Suez, 43533, Ägypten

Abdullah Shaheen und Ahmed Ginidi

Abteilung für elektrische Energie und Maschinen, Fakultät für Ingenieurwissenschaften, Zagazig-Universität, Zagazig, 44519, Ägypten

Attia El Fergany

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Die Autoren haben zu jedem Teil dieser Arbeit gleichermaßen beigetragen. Die Autoren haben das endgültige Manuskript gelesen und genehmigt.

Korrespondenz mit Attia El-Fergany.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

El-Sehiemy, R., Shaheen, A., El-Fergany, A. et al. Extraktion elektrischer Parameter von PV-Modulen mithilfe eines künstlichen Kolibri-Optimierers. Sci Rep 13, 9240 (2023). https://doi.org/10.1038/s41598-023-36284-0

Zitat herunterladen

Eingegangen: 19. Mai 2022

Angenommen: 31. Mai 2023

Veröffentlicht: 07. Juni 2023

DOI: https://doi.org/10.1038/s41598-023-36284-0

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.