人工ハチドリオプティマイザを使用した PV モジュールの電気パラメータ抽出

Scientific Reports volume 13、記事番号: 9240 (2023) この記事を引用

メトリクスの詳細

PV モデルのパラメータ抽出は、非線形の複数モデルの最適化問題です。ただし、電力と電流生産の観点から PV システム効率に影響を与えるため、PV ユニットのパラメータを正確に推定することが不可欠です。その結果、この研究では、これらの PV ユニットの未知のパラメータの最良の値を生成するために開発された人工ハチドリ技術 (AHT) を導入します。 AHT は、ハチドリのユニークな飛行能力と野生の採餌方法を模倣しています。 AHT は、マグロの群れオプティマイザー、アフリカハゲワシのオプティマイザー、教育学習学習ベースのオプティマイザー、その他の最近の最適化手法など、数多くの最近のインスピレーションを得た手法と比較されます。統計研究と実験結果は、AHT が STM6-40/36、KC200GT、および PWP 201 多結晶のさまざまな PV モデルのパラメーターを抽出する際に他の方法よりも優れていることを示しています。 AHT のパフォーマンスは、メーカーが提供するデータシートを使用して評価されます。 AHT の優位性を強調するために、そのパフォーマンスを他の競合技術のパフォーマンスと比較します。シミュレーション結果は、AHT アルゴリズムが、提供されるソリューションで高いレベルの精度を維持しながら、処理時間が短く、着実に収束することを特徴としていることを示しています。

太陽エネルギーは、その環境対応性と供給量の多さから、有望な再生可能技術です。太陽光発電 (PV) システムの開発は継続しており、エネルギー需要を満たす発電におけるこれらのシステムの効果的な使用が促進されています1。また、不十分な PV パネルの生産性や要素へのパネルの直接開示など、PV システムの性能にはいくつかの欠点があります2。そのため、PV システムの現実的な効率を判断することは、PV モジュールを効率的に計画、制御、シミュレーションするために重要です。この目標を達成するために、モジュールの端子で収集された電流と電圧のサンプルに基づいた実用的なモデルが採用されています。 PV パラメータを確立することができ、そのモデルは数学的表現を利用して構築できます。

文献では、多くの研究者がシングルダイオードモデル (SDM) やダブルダイオードモデル (DDM) などのさまざまな PV モデルを開発しています。さらに、PV モデルのパフォーマンスは未確認の内部パラメータに依存します。劣化、経年劣化、および予測不可能な機能状態のため、すべての未知のパラメータを安定に保ち、それらを評価することは困難です。 PV モジュールの設計、推定、シミュレーション、最適化は、電気的パラメータを確立することなしには不可能です。その結果、太陽光発電システムパラメータを定量化するための群最適化手法の有効性が研究されています3。分析的アプローチ 4 では、精度の低下を無視して、単純化された仮定または特定の近似値が作成されます。ただし、この解析モデルは、最大電力出力に関連する電流と電圧を計算する際の並列抵抗と直列抵抗の影響を無視することで簡略化されています。 In5では、太陽電池PVモジュールの電力出力を最適化するために、SDM/DDM用のラグランジュ乗数法(LMM)が提案されています。 In6 では、電力一次導関数を使用してゼロ電圧状態の境界要件が作成されているメーカーのデータシートから重要な情報が削除されました。さらに、7 では、近似や単純化を行わずに分析的に SDM パラメータを抽出するために、IV 曲線とその傾き上に 4 つのランダムな位置が示されています。ただし、このような分析アプローチは従来のテストシナリオに限定されます。これには多くの計算があり、変更されると失敗します8。

その一方で、決定論的アルゴリズムやメタヒューリスティックアルゴリズムを含む数値的アプローチが提示されています。不正確な初期値は、決定論的手法で局所最適につながる可能性があるだけでなく、実際のモデルでは目的関数方程式の制限を満たすことが困難であることがわかります9。逆に、メタヒューリスティック手法は、PV モデルのパラメーターを決定する効果的かつ簡単なアプローチを提供します。その結果、パラメータ抽出のトピックは、メタヒューリスティック手法の研究によって解決されました。 PV モデルのパラメータ同定の問題に対処するために、Differential Evolution (DE) 10,11 を使用して無数の研究が実施されてきました。 12 では、逆学習プロセス、多重母集団戦略、および突然変異戦略を含む同等の DE が SDM と DDM に対して提案されています。 RTC France 太陽電池と Photowatt-PWM201 の PV セル特性を予測するために、比喩を使わない 2 つの単純な方法、Rao-2 および Rao-3 が実行されました13。ゴリラ部隊オプティマイザー 14、粘菌最適化アルゴリズム 15、改良型バッタ最適化アルゴリズム (IGOA) 16 は、太陽光発電システム用に開発されています。 In17 では、ハリスホークスの最適化がネルダーミードシンプレックスおよび (水平および垂直) クロスオーバーと統合され、DDM と SDM を含む KC200GT、SM55、および ST40 に実装されました。さらに、JAYA アルゴリズムは、カオスマップ in18 を使用して修正され、エリート対戦相手プロセス in19 に基づく学習戦略と組み合わせて、PV パラメーター抽出を抽出しました。

DE は、学習者のランキング確率を考慮して、20 年に Teaching-Learning Based Optimizer (TLBO) と統合されました。 In21 では、ロジスティックマップとランクベースの戦略を使用した勾配ベースの最適化 (GBO) が、SM55、SDM および DDM を備えた KC200GT の両方に精緻化されました。 In22 は、電力-電圧特性の実験データから PV モジュールの SDM パラメータを抽出するための革新的な 2 段階の技術です。参考文献 23 では、SDM と DDM の両方に実装されたバックトラッキング検索アプローチ (BSA) を備えたエリート戦略が組み込まれています。 24 年には、オオバンオプティマイザが、ダイオード分岐の数に基づいてさまざまな電気モデルを考慮して最適な PV パラメータを推定するために適用されました。 25 年には、異なる教育戦術を備えた改良された TLBO (ITLBO) が登場し、SDM と DDM の両方で比較可能な方法で実行されました。 26 年には、異なる太陽光発電モデルの未知数を見つけるために、直交学習戦略を持つグレイウルフアルゴリズムが明らかにされました。 Triple-Junction (TJS) PV パネルを考慮して、InGaP/InGaAs/Ge TJS PV パネルのパラメータを抽出するために、モスサーチ 27、水循環 28、およびヒープオプティマイザ 29 技術が適用されました。 27、28、29 では、TJSC ベースの PV モジュールをさまざまな放射照度と温度で動作させる際に、他のいくつかの最適化戦略に対してそのパフォーマンスが評価および確認されました。

さまざまな「ノーフリーランチ」(NFL) 理論によって、あるクラスの問題に対するすべてのアルゴリズムのパフォーマンスの向上は、別のクラスの問題に対する効率によって相殺されることが確立されています30。 PV モデルの未知のパラメータを最適に特定するために、多数の代替メタヒューリスティックが示されました。利用可能な CPU 時間、制約、およびこれらの方法に関する観察結果も文献に記載されています。 (Zhao et al.) によって提案された人工ハチドリ技術 AHT31 は、他の技術の欠点を克服するためにこの論文で実装されています。 AHT はハチドリの特別な飛行パターンと採餌パターンを模倣します。縄張り、方向性、移動性の採餌の実施、および訪問テーブルの構築は、これらの鳥の餌に関する記憶能力を模倣することができます。この記事の主な貢献は次のように要約できます。 (i) AHT は PV モデルを成功裏に実証します。 (ii) AHT から得られた結果は、マグロ群オプティマイザー (TSO)32、アフリカハゲワシオプティマイザー (AVO)33、教育学習学習ベースオプティマイザー (TLSBO)34 など、最近開発された新しい技術と比較されます。多様な SDM および DDM PV モデル設計を使用して、AHT を他のよく知られたレポート手法と比較し、(iv) 統計的テストと実験結果により AHT の実行可能性を実証します。

残りの項目は次のようにグループ化されます。多様な太陽電池モデルが「SDM および DDM の問題定式化」セクションで示され、「PV セルパラメータ抽出のための AHT」セクションでは PV パラメータ抽出のための提案された AHT が明示されます。いくつかの PV モデルの統計分析と実験結果は、「シミュレーション結果」セクションに示されています。提案された研究の結論は、「結論」セクションに示され、下線が引かれています。

この部分では、多数の太陽光発電モデルの太陽電池の非線形 P-V および I-V 特性を示します。さらに、最も一般的な PV モデルの設計について説明し、これらの PV モデルの対応する電気回路と数学の方程式についても説明します 35。

この構成には通常、シャント抵抗 (\(R_{{{\text{sh}}}\)) および光生成電流 (\(I_{{{\text{ph}) と並列に接続された 1 つのダイオード (D) が含まれます。 }}}\))。この構成は、図 1 に示すように、別の構成 (\(R_{{\text{S}}}\)) と直列に配置されます。 SDM 電流出力 (I) は数学的に公式化されます 36,37:

ここで、\(I_{P}\)、\(I_{D1}\)、および \(I_{SD1}\) は、シャント抵抗を流れる電流、ダイオード電流、ダイオードの逆飽和電流をそれぞれ示します。さらに、記号 (\(n_{1}\)) はその理想係数を表し、記号 (V) は出力電圧を示します。それに加えて、記号 (\(V_{tm}\)) は熱電圧を示し、電子電荷 (q) の値は C、ボルツマン定数 (\(K_{b}\)) の値は J/K です。、T はセル温度を指します。この文脈では、5 つのパラメータ f(\(I_{ph}\)、\(R_{S}\)、\(n\)、\(I_{SD}\)、\(R_{ sh}\)) (1) から正確に。

SDMの等価回路。

これは、図 2 で明らかなように、追加の再結合ダイオード (D2) を挿入した SDM と見なされます。SDM には、構造が単純で、抽出するパラメータが少なく、空乏領域での実装が迅速であるという利点がありますが、低電圧での再結合損失は、実用的な太陽電池を使用する場合に極めて重要です38,39。したがって、SDM の構造は DDM よりも難しくありませんが、DDM の方がパフォーマンスが高くなります。 DDM 出力電流 (I) は数学的に次のように表されます。

ここで、\({\text{I}}_{{{\text{SD}}1}}\) は最初のダイオードに関する拡散電流を示し、\({\text{I}}_{{{\text{ SD}}2}}\) は、2 番目のダイオードに関する飽和電流を示しています。それに、\({\text{I}}_{{{\text{D}}2}}\)。と \({\text{n}}_{2}\) は、拡散ダイオードと再結合ダイオードの電流とその品質係数を明らかにします。 (3) を使用すると、SDM と比較して、さらに 7 つのパラメータを決定する必要があります。例: \(\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}}}} } \右）\）。

DDMの等価回路。

目的関数は、2 つのモデル (SDM と DDM) の電気パラメータの最適な推定値を定義することにより、シミュレーション電流と実験電流の間の誤差を減らすことができます。二乗平均平方根誤差 (RMSE)40 は、2 つの I-V 特性間の変化を決定する目的関数として使用されます。それは次のように説明できます。

ここで、M は実験データ点の数を説明します。 \(I_{exp}^{j}\) と \(V_{exp}^{j}\) は、それぞれ j 番目の実験点の電流値と電圧値を表します。 \(I_{cal}^{j} \left( {V_{exp}^{j} , x} \right)\) は計算された電流出力を示します。変数 x は決定パラメータを意味します。

式で示される目的は次のとおりです。 (4a) は非常に伝統的であり、さまざまな報告された作品で実装されています。この客観的モデルに基づいて、主な焦点はエラーの集約を最小限に抑えることですが、単一の実験記録によって生成される可能性のある最大エラーを最小限に抑えるための方向性を保証するものではありません。式の目的モデルにもかかわらず、 (4a) は PV 特性全体にかなりの一致を示しますが、一部の読み取り値の誤差は大きくなります。したがって、別の目的関数は、次のように数学的にモデル化できる実験データポイントの数に対する現在の絶対誤差 (MAE) の合計を最小化するために使用されます。

式で提案された目的を使用します。 (4b) に示すように、探索方向は実験記録の過程で最大エラーを最小限に抑えるために専用に設定されているため、エラーの分布はほぼ同等になり、より適切になります。

AHT の手順では、各ハチドリには、餌を与えることができる明確な餌が割り当てられます。この特定の飼料供給について、花蜜の補充速度と場所を記憶できます。さらに、最後にあらゆる食料源にアクセスしてからどれくらいの頻度でアクセスしたかを記憶しています。 AHT は、これらの特別なスキルのおかげで、最適なソリューションを見つける優れた能力を備えています。最初に、(5) に示すように \(h_{n}\) サイズのハチドリの群れが \(h_{n}\) の食料源にランダムに割り当てられます。

ここで、 \({\text{H}}_{{\text{i}}}\) は、PV セルのパラメータを解ベクトルとして表す i 番目の食料源の位置を指します。問題の次元の上限と下限は \({\text{Ub}}\) と \({\text{Lb}}\) によって示されます。 R は [0, 1] の間のランダム化されたベクトルを表します。

食料源の訪問表 (VT) は、次の基準を使用して確立されます。

ここで、 \(VT_{i,k}\) は、i 番目のハチドリが k 番目の食料源に到達できなかった回数を示し、null は値がないことを示します。

3 つの飛行操作 (軸方向飛行、対角飛行、および全方向飛行) は、採餌を通じて広範囲に使用され、AHT でモデル化されています。それぞれ (7) で次のように確認できます。

ここで、r1 は [0, 1] 内に収まるランダムに生成された値を示します。 \(rand_{i}\) と \(randperm\) は、対応して整数および並べ替えられた整数の形式で値を作成するランダム化生成関数を示します。

ハチドリの指示された領土戦略は、(7) で説明されている飛行スキルの 1 つをランダムに選択します。まず、ハチドリは指示採餌法を使用して目的の餌源を検査します。その結果、潜在的な餌成分が発見されます。これは次のように説明されます。

ここで、 \(H_{i} \left( t \right)\) と \(H_{i,t\arg et} \left( t \right)\) は、その時点での現在および意図されている i 番目の食料源の位置を表します。と; N(0, 1) はガウス分布関数です。

第二に、特定の領土パラメータ (b) に基づいて、以下に示すように、領土採食戦略には、周囲のエリア内でより新鮮な食料供給を探すことが含まれます。

したがって、すべての食料源 (i) の位置は通常、次の方法で更新できます。

ここで、O(・)は(4)で述べた客観的な目標を表します。このモデルによると。

3 つ目は渡りの採餌技術です。この技術では、ハチドリは、その地域で食料が不足すると、食料を得るためにより遠くの場所に頻繁に飛んでいきます 41。ハチドリは、探索エリア全体からランダムに選択された、さまざまな餌場に移動する可能性があります。

ここで、 \(H_{worst}\) は、集団内で最小の花蜜補充率を持つ供給源を示します。

各ハチドリが常に境界検索空間内を移動していることを保証する検査プロセスを実行する必要があり、その結果、(14) に従って悪用された各次元変数が検索空間境界に返されることになります。

AHT の最も重要な要素は、食料源訪問に関する経験を保存する訪問テーブルです。したがって、（６）に示すように、ハチドリごとに訪問テーブルを更新することができる。

この訪問テーブルの重要性は、一羽の鳥が再び訪問することなく各餌の供給が経過した時間を追跡することであり、訪問間の間隔が長いほど訪問率が高いことを示しています。したがって、図 3 は、PV セルの未確認パラメータを認識する際の AHT の主要なステップを示しています。

太陽電池の未確認パラメータを認識するための AHT の主な手順。

提案された AHT は、KC200GT および STM6-40/36 の電気的な SDM および DDM パラメータを特定するために実行されます。 2 つの太陽電池モジュールは、直列 54 セルを備えた多結晶 KC200GT と、直列 36 セル42を備えた単結晶 STM6-40/36 で、対応する温度 25°C および 51°C、放射照度 (1000 W/ m2)。 KC200GT と STM6-40/36 の測定データには、それぞれ 15 ペアと 20 ペアの V/I 値が含まれています。さらに、表 1 に示すように、パラメーターの下限 (LB) と上限 (UB) がセルデータごとに示されています。

STM 6-40/36 の SDM および DDM で使用した場合に、提案された AHT を他の新しく確立された方法と比較するために、RMSE の最大、平均、最小、標準偏差の 4 つの有効性メトリクスが表示されます。さらに、RMSE は測定データとシミュレーションデータの差を最小限に抑えることを目的としているため、RMSE スコアが低い場合は、パラメータが効果的に取得されたことを示します。さらに、AHT は、SDM と DDM の両方を使用する PWP 201 多結晶 PV モジュールで検証されています。シミュレーションは、8.00 GB RAM を搭載した Intel® Core™ i7-7500U CPU @ 2.70 GHz 2.90 GHz 上の MATLAB 2017b を使用して実行されます。選択した目的関数に基づいて、次の 2 つのシナリオが考慮されます。

シナリオ 1: 式 1 で示される従来の目的モデル (4a) エラーの集計を最小限に抑えるため。

シナリオ 2: 式 2 で示される (MAE) 目的関数の最小化 (4b)。

STM6-40/36 の SDM および DDM の具体的なパラメータは、表 2 に示すように、提案された AHT およびこの記事で初めて実装された AVO33、TSO32、および TLSBO43 によって推定されます。 SDM、提案されている AHT は 1.7298E-3 という可能な最低値を達成できますが、AVO、TSO、および TLSBO はそれぞれ 1.7324E-3、1.9219E-3、および 1.9264E-3 という最低可能値を達成します。表 2. AHT は可能な最低値 1.7028E-3 を達成できましたが、AVO と TSO は DDM に応じて可能な最低値 1.7049E-3 および 2.6843E-3 を達成しました。

さらに、この記事では、これらのオプティマイザーのパフォーマンスを示すために、SDM および DDM に対して提案された AHT、AVO、TSO、および TLSBO に対して 30 回の独立した実行が実行されています。これらの実行を実行すると、図 4 に例示されているように、これらのオプティマイザーと比較して、提案された AHT の効率とロバスト性が強調されるこれらの手法の中で、提案された AHT が最小値を持つことがわかります。示されているように、SDM の場合、AHT は最小値を導き出します。 RMSE に関連する最小、平均、最大および標準偏差は、それぞれ 0.001729814、0.001729831、0.001730045、および 5.39233E−8 でした。反対に、AVO、TLSBO、および TSO は、それぞれ 0.001084、0.000102、および 0.000967 というより高い標準偏差を取得します。同様の結果が DDM についても得られ、AHT は RMSE に関連する最小最小値、平均値、最大値、標準偏差がそれぞれ 0.001704932、0.001728661、0.001762892、および 9.85118E-6 という最小値を達成しています。反対に、AVO、TLSBO、および TSO は、それぞれ、0.000833907、0.000537932、および 0.000899015 というより高い標準偏差を取得します。

STM6-40/36 の 2 つのモデルを使用した、AVO、TLSBO、および TSO と比較した AHT のウィスカープロット (シナリオ 1)。

AHT の収束特性は、図 5a、b に示すように SDM および DDM に対して開発され、AVO、TSO、TLSBO、法医学ベースの調査 (FBI) 技術 44、強化海洋捕食者アプローチ (EMPA)45、平衡最適化 (EO) と比較されます。 )、ヒープベースの手法 29、46、47、および Jellyfish search (JFS) オプティマイザー 48。この図から、AHT の収束特性は、これらのオプティマイザーとは対照的に優れたパフォーマンスを備えていることがわかります。

STM6-40/36 の 2 つのモデルの比較されたアルゴリズムの収束特性 (シナリオ 1)。

SDMの場合、電流と電力のAHT、AVO、TSO、TLSBOによって示される実験データと推定データは、20ポイントごとにそれぞれ図6a、bに示されています。さらに、各点で、電流と電力の推定データと実験データの間の絶対誤差が前述の図に示されているように例示されており、提案された AHT は AVO、TSO、および TLSBO と比較して最小の絶対誤差を達成しています。定量化のために、図6aに示すように、測定された電流値と推定された電流値の間の最大絶対パーセント誤差は、実験点番号2で0.14％です。 11、AHT によってトリミングされた IAE 値が 6.09 mA 未満。 I-V曲線とP-V曲線はそれぞれ図7a、bに示されており、電圧の各点での電力と電流の推定データと実験データの両方の間の正確な近接性を例示しています。

STM6-40/36 PV モジュールの SDM 用に AHT およびその他のオプティマイザによってトリミングされた絶対誤差 (シナリオ 1)。

STM6-40/36 PV モジュールの SDM 用に提案された AHT によって開発された I-V および P-V 曲線 (シナリオ 1)。

DDM の場合，電流と電力の AHT，AVO，TSO，TLSBO で示される実験データと推定データを 20 点ごとに図 8(a)，(b)に示す。さらに、各点で、電流と電力の推定データと実験データの間の絶対誤差が例示されており、提案された AHT は、AVO、TSO、および TLSBO と比較して最小の絶対誤差を達成しています。もう一度、図 8(a) に示すように、測定電流値と推定電流値の間の最大絶対パーセント誤差は 0.40% で、AHT によってクロップされた IAE 値は 6.31 mA 未満です。 I-V曲線とP-V曲線は図9a、bに示されており、各電圧点での電力と電流の推定データと実験データの両方の間の近さを例示しています。

STM6-40/36 PV モジュールの DDM 用の AHT およびその他のオプティマイザによって生成される絶対エラー (シナリオ 1)。

STM6/40-36 PV モジュールの DDM 用に AHT によって開発された I-V および P-V 曲線 (シナリオ 1)。

SDM および DDM の最良、最悪、平均、標準偏差パラメーターを含む統計分析を、それぞれ表 3 および表 4 に示します。これらの表では、提案された AHT が、AVO、TSO、TLSBO のいくつかのオプティマイザー、およびシミュレーテッドアニーリング (SA)49、3 点ベースのアプローチ (TPBA)50、カッコー検索/生物地理ベースのハイブリッド最適化 (BHCS) の報告されているオプティマイザーと比較されています。 51、ITLBO25、強化された CS アプローチ (ECSA)52、改良型シャッフル複雑進化 (ISCE)53、カオスロジスティック Rao テクニック (CLRT)54、強化された PSO (EPSO)55、フラクショナルカオス PSO (FC-EPSO)56、bat 最適化アプローチ(BA)、新規 BA (NBA)、方向性コウモリアルゴリズム (DBA)57、SDO58、MPA59、および両方のモデルの改良型カオスクジラ最適化アルゴリズム (ICWOA)61。

実証されているように、AHT は、SDM に対して、最小の RMSE、標準偏差、平均および最大値であるそれぞれ 1.7298E-3、5.3923E-8、1.7298E-3、1.7300E-3 を達成します (表 3 を参照)。表 4 に示すように、AHT は DDM に対してそれぞれ 1.7049E-3、9.8512E-6、1.7287E-3、および 1.7629E-3 を達成します。比較評価は、いくつかの AHT と比較して、提案された AHT の高い検索精度と良好な安定性を示しています。新しい技術と報告されたオプティマイザー。

このシナリオでは、提案された AHT、AVO、TSO、および TLSBO が実装され、STM6-40/36 の SDM および DDM の関連パラメータが表 5 に示されています。また、AVO、TLSBO と比較した AHT のコンバージェンス特性も示しています。、このシナリオの TSO は、図 10a、b に示すように、SDM および DDM 用に開発されています。数値シミュレーションに関しては、SDM の場合、提案された AHT は 4.068E-3 という最低の MAE 値を達成できましたが、AVO、TSO、および TLSBO は 8.805E-3、6.175E-3、および 6.193E という可能な限り低い値を達成しました。表 5 に示すように、それぞれ -3 です。AHT は 3.99E-3 という最低の MAE 値を達成できましたが、AVO、TSO、および TLSBO は 7.291E-3、6.243E-3、および 6.108E-という可能な最低値を達成しました。 3、DDM の場合に応じて。

STM6-40/36 の 2 つのモデルの比較されたアルゴリズムの収束特性 (シナリオ 2)。

さらに、図 11 は、このシナリオの AVO、TLSBO、および TSO と比較した AHT のウィスカープロットを示しています。示されているように、SDM の場合、AHT は 0.005084 の MAE に関連する最小平均値を導き出します。反対に、AVO、TLSBO、および TSO は、それぞれ 0.023869、0.006279、および 0.007603 というより高い MAE 目標値を取得します。 DDM の場合、AHT は、MAE に関連する最小最小値、平均値、最大値、および標準偏差のそれぞれ 0.00399、0.004383、0.005025、および 0.000299 を導出します。反対に、AVO、TLSBO、および TSO は、それぞれ 0.017904、0.000501、および 0.001165 というより高い標準偏差を取得します。

STM6-40/36 の 2 つのモデルを使用した、AVO、TLSBO、および TSO と比較した AHT のウィスカープロット (シナリオ 2)。

このシナリオでの両方のモデルについて、生成された電流の実験による絶対誤差が、AHT、AVO、TLSBO、およびTSOのそれぞれについて、20点ごとに図12a、bに示されています。示されているように、提案された AHT は、最大絶対誤差を最小限に抑える点で他の AHT と比較して優れた機能を引き出します。このシナリオに基づくと、実験記録の過程で最大エラーを最小限に抑えるために検索方向が特化されている場合、エラーの分布はほぼ同等であり、より適切です。 SDM の場合、提案された AHT を使用した誤差の範囲は読み取り番号 0.000495 です。読み取り番号で 7 ～ 0.004901 したがって、得られた２つの境界間の差は、０．００４４０６となる。同様に、AVO、TLSBO、TSO を使用して取得された 2 つの境界間の差を計算すると、それぞれ 0.02237、0.005984、0.006012 となります。これらの違いは、実験記録の過程でエラーの最良の分布を達成する際の、提案された AHT の高い能力を示しています。

STM6-40/36 PV モジュールの比較されたオプティマイザによる生成電流の絶対誤差 (シナリオ 2)。

DDM の場合、提案されている AHT を使用したエラーの範囲は、読み取り番号で 0.000389 です。読み取り番号で 18 ～ 0.004415 11. 得られた 2 つの境界間の差は 0.00403 です。同様に、AVO、TLSBO、TSO を使用して取得された 2 つの境界間の差を計算すると、それぞれ 0.01452、0.007083、0.007797 となります。これらの違いは、実験記録の過程でエラーの最良の分布を達成する際の、提案された AHT の高い能力を示しています。

KC200GT PV モジュールの SDM および DDM の特定のパラメータは、表 6 に示すように、提案された AHT と、この記事で初めて実装された最近開発されたオプティマイザである AVO33、TSO32、TLSBO62 によって推定されます。提案された AHT は、可能な最低値 6.4957E-4 を達成できますが、AVO、TSO、および TLSBO は、それぞれ、可能な最低値 1.0426E-2、1.1538E-2、および 1.2897E-2 を達成します。また、この表から、提案された AHT は 3.7154E-4 という最低の値を達成できるのに対し、AVO、TSO、および TLSBO は 9.6100E-3、1.1268E-2、および 1.2580E-2 という最低の値を達成できることもわかります。、それぞれ DDM の場合。

この記事では、これらのオプティマイザーのパフォーマンスを示すために、このモジュールの SDM および DDM に対して提案された AHT、AVO、TSO、および TLSBO に対して 30 回の独立した実行が実行されます。これらの実行を実行すると、提案された AHT がこれらの手法の中で最小値を持つことがわかります。これは、図 13 に例示されているように、これらのオプティマイザーと比較して、提案された AHT の効率とロバスト性を強調しています。

KC200GT PV モジュールの 2 つのモデルを使用した、AVO、TLSBO、および TSO と比較した AHT のウィスカープロット (シナリオ 1)。

示されているように、SDM の場合、AHT は、RMSE に関連する最小最小値、平均値、最大値、および標準偏差、それぞれ 0.0006496、0.0067283、0.0095589、および 0.0023414 を取得します。反対に、AVO、TLSBO、および TSO は、それぞれ 0.037613、0.015379、および 0.041981 というより高い平均 RMSE を取得します。同様に、それぞれ 0.009989、0.00121、0.011769 というより高い標準偏差が得られます。同様の結果が DDM でも得られ、AHT では、RMSE に関連する最小の最小、平均、最大、標準偏差がそれぞれ 0.000371545、0.009679481、0.016820415、0.005198108 となりました。反対に、AVO、TLSBO、および TSO は、それぞれ、0.011457421、0.001713595、および 0.013369672 というより高い標準偏差を取得します。

SDMおよびDDMに対するAHTの収束特性をそれぞれ図14a、bに示し、AVO、TSO、TLSBO、EMPA、EO、Heap、JFSおよびFBI44と比較します。この図から、AHT の収束特性がこれらのオプティマイザーと比較して優れたパフォーマンスを備えていることがわかります。

KC200GT PV モジュールの他のオプティマイザと比較した AHT の収束特性 (シナリオ 1)。

SDMの場合、電流と電力のAHT、AVO、TSO、TLSBOによって示される実験データと推定データが、15点ごとにそれぞれ図15a、bに示されています。さらに、各点で、電流と電力の推定データと実験データの間の絶対誤差が例示されており、提案された AHT は、AVO、TSO、および TLSBO と比較して最小の絶対誤差を達成しています。定量化のために、図 15 に示すように、測定された電流値と推定された電流値の間の最大絶対パーセント誤差は、実験点番号 1 で 0.45% です。 9、AHT によってトリミングされた IAE 値 11.2 mA。 I-V曲線とP-V曲線は図16a、bに示されており、各電圧点での電力と電流の推定データと実験データの両方の間の近さを例示しています。

KC200GT PV モジュールの SDM 用に AHT およびその他のオプティマイザによってトリミングされた絶対誤差 (シナリオ 1)。

KC200GT PV モジュールの SDM 用に AHT によって作成された I-V および P-V 曲線 (シナリオ 1)。

SDMの場合、電流と電力のAHT、AVO、TSO、TLSBOによって示される実験データと推定データが、15点ごとにそれぞれ図17a、bに示されています。さらに、各点で、電流と電力の推定データと実験データの間の絶対誤差が例示されており、提案された AHT は、AVO、TSO、TLSBO と比較して絶対誤差が最も低くなります。 I-V曲線とP-V曲線は図18a、bに示されており、各電圧点での電力と電流の推定データと実験データの両方の間の近さを例示しています。

KC200GT PV モジュールの DDM に対して AHT およびその他のオプティマイザによって提案された絶対誤差 (シナリオ 1)。

KC200GT PV モジュール (シナリオ 1) の DDM 用に AHT によって開発された I-V 曲線と P-V 曲線。

KC200GT PV モジュールの場合、SDM と DDM の統計分析をそれぞれ表 7 と表 8 に示します。この表では、提案された AHT が AVO、TSO、TLSBO、および報告されているオプティマイザである CPMPSO63、PSO64、BMA65、NLBMA66、PGJAYA67、FPSO68、Hybridized Pattern Search and Firefly Technique (HPSFT)69、FBI44、EHHO70 と比較されています。両モデルともMVO71。示されているように、表 7 に示すように、提案された AHT は、SDM に対して、最小の RMSE、標準偏差、平均および最大値であるそれぞれ 6.4957E-4、2.3414E-3、6.7283E-3、および 9.5589E-3 を達成します。一方、AHT は DDM に対してそれぞれ 3.7154E-4、5.1981E-3、9.6795E-3、および 1.6820E-2 を達成します (表 8 を参照)。比較評価は、最近開発されたオプティマイザーや報告されたオプティマイザーと比較して、提案された AHT の高い検索精度と良好な安定性を実証しています。

さまざまな温度およびさまざまな日射量での AHT の結果を検証するために、図 3 と図 4 を示します。 19a、b および 17a、b は、KC200GT PV モジュールの対応する I-V 曲線および P-V 曲線を示しています。図19a、bに示すように、1000 W/m2の放射照度レベルでの温度変化により、提案されたAHTは、シミュレーション記録と実験記録の間で顕著な一致を導き出します。図20a、bに示すように、温度25℃での放射照度の変化でも同様の結果が得られます。両方の図は、さまざまな温度と日射量における提案された AHT の高い検証を示しています。

1000 W/m2 放射照度での温度変化による KC200GT PV モジュールの主な特性。

KC200GT PV モジュールの温度 25 °C での放射照度変化の主な特性。

このシナリオでは、提案された AHT、AVO、TSO、および TLSBO が実行され、SDM および DDM の関連パラメーターが表 9 に示されています。また、このシナリオの AHT の収束特性を AVO、TLSBO、および TSO と比較して示します。図 21a、b に示すように、SDM および DDM 用に開発されています。示されているように、SDM の場合、提案された AHT は 2.79E-2 の最低 MAE 値を達成できますが、AVO、TSO、および TLSBO はそれぞれ 3.39E-2、3.14E-2、および 3.88E-2 という可能な最低値を達成します。。 DDM の場合、AHT は 1.70E-2 の最低 MAE 値を達成できますが、AVO、TSO、および TLSBO はそれに応じて 2.11E-2、3.37E-2、および 1.97E-2 という可能な最低値を達成します。これらの調査結果に基づいて、提案された AHT は、AVO、TSO、および TLSBO と比較して、SDM に基づいて 17.75%、11.30%、および 28.15%、DDM に基づいてそれぞれ 19.24%、49.59%、および 13.55% の改善率を宣言します。

KC200GT の 2 つのモデルの比較されたアルゴリズムの収束特性 (シナリオ 2)。

さらに、図 22 は、このシナリオの AVO、TLSBO、および TSO と比較した AHT のウィスカープロットを示しています。

KC200GT の 2 つのモデルを使用した、AVO、TLSBO、および TSO と比較した AHT のウィスカープロット (シナリオ 2)。

示されているように、SDM の場合、AHT は、MAE に関連する最小最小値、平均値、最大値、および標準偏差のそれぞれ 0.0279、0.0488、0.0589、および 0.0092 を導出します。一方、AVO、TLSBO、TSO では、それぞれ 0.0183、0.0133、0.0136 というより高い標準偏差が得られます。同様に、DDM の場合、提案された AHT は、最小 MAE 値、平均 MAE 値、最大 MAE 値がそれぞれ 0.017、0.0349、0.0647 で最高のパフォーマンスを示します。

このシナリオでの両モデルについて、図２３ａ、ｂは、それぞれＡＨＴ、ＡＶＯ、ＴＬＳＢＯ、およびＴＳＯについて生成された電流の実験による絶対誤差を示す。示されているように、提案された AHT は、他の AHT と比較してエラーの分散が良好で優れた機能を引き出します。 SDM の場合、提案された AHT を使用した誤差の範囲は読み取り番号で 0.0026 です。読み取り番号で 3 ～ 0.0279 したがって、得られた２つの境界間の差は０．０２５３となる。同様に、AVO、TLSBO、および TSO を使用して取得された 2 つの境界間の計算された差は、それぞれ 0.0333、0.0313、および 0.0388 です。これらの違いは、実験記録の過程でエラーの最良の分布を達成する際の、提案された AHT の高い能力を示しています。

KC200GT PV モジュールの比較されたオプティマイザによる生成電流の絶対誤差 (シナリオ 2)。

DDM の場合、提案された AHT を使用したエラーの範囲は読み取り番号 4.18E-5 です。読み取り番号で 3 ～ 0.01701 6. 得られた 2 つの境界間の差は 0.001697 です。同様に、AVO、TLSBO、TSO を使用して取得された 2 つの境界間の差を計算すると、それぞれ 0.01963、0.03101、0.01874 となります。これらの違いは、実験記録の過程でエラーの最良の分布を達成する際の、提案された AHT の高い能力を示しています。

表 10 は、シナリオ 1 とシナリオ 2 の両方を考慮して AHT を使用して取得された SDM と DDM の 5 変数と 79 変数をそれぞれ示しています。表 10 によると、最初のシナリオでは、AHT アプローチは 2.42507 mA が最適であると判断します。 SDM と DDM の両方の適応値。各モデルのパラメータに関連付けられた最小 RMSE を次の表に示します。表 10 に示す 3 つの指標 (最良、平均、最悪) の統計的評価によると、提案された AHT は、以前に報告されたアルゴリズムよりも強力な安定性と優れた検索効率を示しています。30 回の実行結果は、提案された AHT が他のアルゴリズムよりも優れた回復力を示していることを示しています。提案された AHT と最近説明された他のアプローチの比較に関連する、SDM 用の SNS72、FBI44、SA49、ISCE53、ImCSA52、HFAPS69、SMA15、CGBO73、PSO64、および RAO オプティマイザー 13 を表 11 に示します。比較評価は、DDM と、SNS72、FBI44、PSO74、LAPO75、PSO64、MPA73、CGBO73 などのさまざまな報告されている最新技術を考慮して行われます。さらに、図 24 は、提案された AHT が SDM と DDM の両方に対してどのように高いパフォーマンスを示すかを示す AHT の収束特性を示しています。さらに、図25a〜dは、このモジュールのSDMとDDMの各ポイントでの電力と電流の予測値と測定値を示しており、提案されたAHTでデータを推定する際の予測値と測定値の類似性を特徴付けています。

PWP 201 多結晶 PV モジュールの AHT と SDM および DDM の収束パターン (シナリオ 1)。

PWP 201 PV モジュールの実験結果とシミュレーション結果の I-V 曲線および P-V 曲線 (シナリオ 1)。

このシナリオでは、提案された AHT が実行され、SDM と DDM の関連パラメーターは表 10 に記載されています。モデルとシナリオの両方について、図 26a、b は、提案された AHT を使用して生成される電流の実験による絶対誤差を示します。 SDM の場合、最初のシナリオでは、提案された AHT を使用した誤差は、4.34E-3 の 2 つの取得された境界間の差に関して、9.21E-5 から 4.43E-3 の範囲になります。同じモデルの場合、提案された AHT を使用した誤差は 4.40E-5 から 3.66E-3 の範囲であり、2 番目のシナリオを考慮して 3.62E-3 の 2 つの取得された境界間の差が生じます。これに基づいて、シナリオ 2 での MAE 最小化目標の利用は、提案された AHT によるシナリオ 1 での RMSE 最小化目標と比較して 16.67% 改善され、エラー分散が良好であることを示しています。 SDM を考慮すると同様の結果が得られます。シナリオ 2 で MAE 最小化目標を使用すると、提案された AHT によるシナリオ 1 での RMSE 最小化目標と比較して 15.15% 改善され、エラー分散が改善されています。最初のシナリオでは、提案された AHT を使用した誤差は、4.34E-3 の 2 つの取得された境界間の差に関して、9.22E-5 から 4.43E-3 の範囲になります。同じモデルの場合、提案された AHT を使用した誤差は 2.9E-5 から 3.71-3 の範囲であり、2 番目のシナリオを考慮して 3.68E-3 の 2 つの取得された境界間の差が生じます。

PWP 201 PV モジュールの両方のシナリオにおける AHT によって生成される電流の絶対誤差。

さらに、このシナリオを考慮して、提案されている AHT、AVO、TSO、および TLSBO 間の比較評価が実行されます。ＳＤＭおよびＤＤＭの関連パラメータは表１２に示されており、その収束特性は図２７ａ、ｂに示されているようにＳＤＭおよびＤＤＭについて開発されている。示されているように、提案された AHT は、SDM と DDM に対してそれぞれ 3.66E-3 と 3.71E-3 の最低 MAE 値を達成できました。

PWP 201 の 2 つのモデルの比較されたアルゴリズムの収束特性 (シナリオ 2)。

さらに、図 28 は、このシナリオの AVO、TLSBO、および TSO と比較した AHT のウィスカープロットを示しています。示されているように、AHT は他のものと比較して最高のパフォーマンスを示します。提案された AHT は、MAE に関連する最小最小値、平均値、および最大値の SDM の場合はそれぞれ 0.00366、0.00451、および 0.00628、DDM の場合は 0.00371、0.005696、および 0.01286 を導出します。

PWP 201 の 2 つのモデルを使用した、AVO、TLSBO、および TSO と比較した AHT のウィスカープロット (シナリオ 2)。

この研究では、単結晶 STM6-40/36 および多結晶 KC200GT の SDM および DDM PV モデルから未知のパラメータを抽出するための人工ハチドリ技術 (AHT) の新しいアプリケーションを紹介しました。提案された AHT のパフォーマンスは、最小 RMSE、最大 RMSE、平均 RMSE、標準偏差、IAE、PAE、P-V、および I-V 曲線と呼ばれる静的指標によって評価されます。さまざまな PV モデルの正確なパラメーターを決定するための AHT の初期の結果は、AHT が他の最近開発されたアルゴリズムと比較して競争力のある最終結果を生み出すことを示しています。この記事では、AHT を使用して PV モジュールのパラメータを抽出します。 PV モジュールのパラメータを推定するために、提案されたアプローチでは電力 - 電圧 (P-V) 曲線から抽出された実験データが使用されます。この取り組みの最終段階では、Photo WATT-PWP 201 が検討されました。要約すると、文献で広く使用されている 3 つの異なる PV モジュール、つまり STM6-40/36、KC200GT、および Photo WATT-PWP 201 が、提案された AHT を検証するために調査されました。すべての PV モジュールに関して、提案された AHT は最も低い RMSE を示します。 AHT のパフォーマンスは、30 回の独立した実行全体の統計データを利用してさらにテストされます。実験結果に基づいて、AHT が報告されたテストケースに対して選択されたすべての最先端のオプティマイザーを克服すると発表される可能性があります。

この研究の結果を裏付けるデータは、合理的な要求に応じて責任著者から入手できます。

El-Ela、A. et al. 再生可能エネルギーのマイクログリッドインターフェース: 経済と環境の問題。エレクトロニクス https://doi.org/10.3390/electronics11050815 (2022)。

記事 Google Scholar

Feng、X.ら。データシートの値に基づいて太陽光発電モジュールをモデル化するためのシンプルなパラメーター推定アプローチ。Ｊ．ソル．エネルギー工学トランス。 ASME 138(5)、1–8。 https://doi.org/10.1115/1.4034357 (2016)。

記事 Google Scholar

Luu, TV および Nguyen, NS 修正された JAYA アルゴリズムを使用した太陽電池のパラメーター抽出。 Optik (Stuttg) 203、164034。https://doi.org/10.1016/J.IJLEO.2019.164034 (2020)。

記事 ADS CAS Google Scholar

Lin, P.、Cheng, S.、Yeh, W.、Chen, Z. & Wu, L. 修正された簡略化された群最適化アルゴリズムを使用した太陽電池モデルのパラメーター抽出。ソル。エネルギー 144、594–603。 https://doi.org/10.1016/j.solener.2017.01.064 (2017)。

記事 ADS Google Scholar

Louzazni, M.、Khouya, A.、Al-Dahidi, S.、Mussetta, M.、Amechnoue, K. ラグランジュ乗数法による太陽光発電出力の解析的最適化。 Optik 199、163379。https://doi.org/10.1016/j.ijleo.2019.163379 (2019)。

記事 ADS Google Scholar

Cubas, J.、Pindado, S.、Victoria, M. 太陽光発電システムの動作をモデル化するための分析的アプローチについて。 J. 電源 247、467–474。 https://doi.org/10.1016/J.JPOWSOUR.2013.09.008 (2014)。

記事 ADS CAS Google Scholar

Toledo、FJ & Blanes、JM 太陽電池の単ダイオードモデルパラメーターを抽出するための解析的および準陽的任意の 4 点法。更新します。エネルギー 92、346–356。 https://doi.org/10.1016/J.RENENE.2016.02.012 (2016)。

記事 Google Scholar

Gnetchejo, PJ、Ndjakomo Essiane, S.、Dadjé, A. & Ele, P. 太陽光発電モジュールのパラメーター推定のためのニュートン・ラフソン法とヒューリスティックアルゴリズムの組み合わせ。ヘリヨン 7(4)、e06673。 https://doi.org/10.1016/J.HELIYON.2021.E06673 (2021)。

記事 PubMed PubMed Central Google Scholar

Jain, A. & Kapoor, A. Lambert W 関数を使用した実際の太陽電池のパラメーターの正確な解析ソリューション。ソル。エネルギーメーター。ソル。セル 81(2)、269 ～ 277。 https://doi.org/10.1016/j.solmat.2003.11.018 (2004)。

記事 CAS Google Scholar

Hao, Q.、Zhou, Z.、Wei, Z. & Chen, G. 複数戦略の成功履歴に基づく適応差分進化を使用した太陽光発電モデルのパラメータ同定。 IEEE アクセス 8、35979 ～ 35994。 https://doi.org/10.1109/ACCESS.2020.2975078 (2020)。

記事 Google Scholar

Liao, Z.、Gu, Q.、Li, S.、Hu, Z. & Ning, B. 太陽電池パラメータを抽出するための改善された微分進化。 IEEE アクセス 8、177838 ～ 177850。 https://doi.org/10.1109/ACCESS.2020.3024975 (2020)。

記事 Google Scholar

Song, Y. 他 MPPCEDE: パラメータ最適化のための複数母集団の並列共進化差分進化。エネルギー変換者。管理。 228、113661。https://doi.org/10.1016/J.ENCONMAN.2020.113661 (2021)。

記事 Google Scholar

Premkumar, M.、Babu, TS、Umashankar, S.、Sowmya, R. 太陽電池パラメータ推定のためのメタファーレスの新しいアルゴリズム。 Optik (Stuttg) 208(March)、164559。https://doi.org/10.1016/j.ijleo.2020.164559 (2020)。

記事 ADS CAS Google Scholar

ジニディ、A.ら。太陽光発電システムの電気ベースのシングルおよびダブルダイオードモデル用のゴリラ部隊オプティマイザー。サステナビリティ 13、9459。https://doi.org/10.3390/su13169459 (2021)。

記事 Google Scholar

Kumar, C.、Raj, TD、Premkumar, M. & Raj, TD 太陽光発電セルのパラメーターを推定するための新しい確率的粘菌最適化アルゴリズム。 Optik (Stuttg) 223(8 月)、165277。https://doi.org/10.1016/j.ijleo.2020.165277 (2020)。

記事 ADS CAS Google Scholar

Wu, Z. & Shen, D. 改良されたバッタ最適化アルゴリズムに基づく太陽電池モデルのパラメーター特定。 Optik (Stuttg) 247、167979。 https://doi.org/10.1016/J.IJLEO.2021.167979 (2021)。

記事 ADS CAS Google Scholar

Liu、Y.ら。太陽光発電モデルのパラメーター推定のための、ハリスホークオプティマイザーとネルダーミードシンプレックスの水平および垂直クロスオーバー。エネルギー変換者。管理。 223、113211。https://doi.org/10.1016/J.ENCONMAN.2020.113211 (2020)。

記事 Google Scholar

Jian, X. & Weng, Z. 太陽電池およびモジュールモデルのパラメーターを特定するためのロジスティックカオス JAYA アルゴリズム。 Optik (Stuttg) https://doi.org/10.1016/j.ijleo.2019.164041 (2020)。

記事 Google Scholar

Wang, L. & Huang, C. 太陽電池モデルのパラメーター推定のための、新しい Elite Opposition ベースの Jaya アルゴリズム。 Optik (シュトゥットク) 155、351–356。 https://doi.org/10.1016/J.IJLEO.2017.10.081 (2018)。

記事 ADS Google Scholar

Li, S.、Gong, W.、Wang, L.、Yan, X. & Hu, C. 太陽光発電モデルのパラメーター同定のための、ハイブリッド適応教育と学習ベースの最適化および微分進化。エネルギー変換者。管理。 225、113474。https://doi.org/10.1016/J.ENCONMAN.2020.113474 (2020)。

記事 Google Scholar

アフマディアンファル、I. et al. 太陽光発電システムのパラメータを識別するためのランク付けメカニズムを使用した勾配ベースの最適化。 Energy Rep. 7、3979–3997。 https://doi.org/10.1016/J.EGYR.2021.06.064 (2021)。

記事 Google Scholar

Reddy, SS & Yammani, C. 実験的な電力電圧データを使用して太陽光発電モジュールの単一ダイオードモデルのパラメータを抽出する新しい 2 ステップの方法。 Optik (Stuttg) 248、167977。https://doi.org/10.1016/J.IJLEO.2021.167977 (2021)。

記事 ADS Google Scholar

Yu、K.、Liang、JJ、Qu、BY、Cheng、Z.、Wang、H. 太陽光発電モデルのパラメーターを推定するための多重学習バックトラッキング検索アルゴリズム。応用エネルギー 226、408–422。 https://doi.org/10.1016/j.apenergy.2018.06.010 (2018)。

記事 Google Scholar

Fathy, A. & Rezk, H. 帝国主義的競争アルゴリズムを使用した太陽光発電システムのパラメータ推定。更新します。エネルギー https://doi.org/10.1016/j.renene.2017.04.014 (2017)。

記事 Google Scholar

リー、Ｓ．ら。改善された教育学習ベースの最適化を使用した太陽光発電モデルのパラメーター抽出。エネルギー変換者。管理。 186、293–305。 https://doi.org/10.1016/j.enconman.2019.02.048 (2019)。

記事 Google Scholar

Xavier, FJ、Pradeep, A.、Premkumar, M. & Kumar, C. さまざまな太陽光発電モデルの不確実なパラメーターを特定するための直交学習ベースの Gray Wolf オプティマイザー。 Optik (Stuttg) https://doi.org/10.1016/j.ijleo.2021.167973 (2021)。

記事 Google Scholar

Fathy, A.、Elaziz, MA、Sayed, ET、Olabi, AG & Rezk, H. 強化された蛾探索アルゴリズムに基づく三重接合太陽光発電パネルの最適パラメータ同定。エネルギー https://doi.org/10.1016/j.energy.2019.116025 (2019)。

記事 Google Scholar

Rezk, H. & Fathy, A. 最近のメタヒューリスティック水循環アルゴリズムに基づく三重接合太陽電池の新しい最適パラメータの同定。ソル。エネルギー https://doi.org/10.1016/j.solener.2017.08.084 (2017)。

記事 Google Scholar

Houssein, EH、Nassef, AM、Fathy, A.、Mahdy, MA & Rezk, H. 高効率三重接合太陽電池/モジュールの最適なパラメーターを特定するための修正された捜索救助最適化アルゴリズム。内部。 J.エネルギー研究所。 46(10)、13961–13985 (2022)。

記事 Google Scholar

Wolpert, DH & Macready, WG 最適化のためのフリーランチ定理はありません。 IEEEトランス。進化。計算します。 https://doi.org/10.1109/4235.585893 (1997)。

記事 Google Scholar

Zhao, W.、Wang, L. & Mirjalili, S. 人工ハチドリアルゴリズム: エンジニアリングアプリケーションを備えた、生物からインスピレーションを得た新しいオプティマイザー。計算します。メソッドの適用。メカ。工学 388、114194。https://doi.org/10.1016/J.CMA.2021.114194 (2022)。

記事 ADS MathSciNet MATH Google Scholar

Xie、L.ら。マグロの群れ最適化: グローバル最適化のための新しい群れベースのメタヒューリスティックアルゴリズム。計算します。知性。神経科学。 https://doi.org/10.1155/2021/9210050 (2021)。

記事 PubMed PubMed Central Google Scholar

Abdollahzadeh, B.、Gharehchopogh, FS & Mirjalili, S. アフリカハゲワシ最適化アルゴリズム: グローバル最適化問題のための、自然にインスピレーションを得た新しいメタヒューリスティックアルゴリズム。計算します。工業工学 https://doi.org/10.1016/j.cie.2021.107408 (2021)。

記事 Google Scholar

Rao、RV、Savsani、VJ & Vakharia、DP 教育学習ベースの最適化: 制約付き機械設計の最適化問題に対する新しい方法。計算します。デス。 43(3)、303–315。 https://doi.org/10.1016/j.cad.2010.12.015 (2011)。

記事 Google Scholar

Easwarakhanthan, T.、Bottin, J.、Bouhouch, I. & Boutrit, C. マイクロコンピューターを使用して太陽電池パラメーターを決定するための非線形最小化アルゴリズム。内部。Ｊ．ソル．エネルギー 4(1)、1-12。 https://doi.org/10.1080/01425918608909835 (1986)。

記事 CAS Google Scholar

シオン、G.ら。クジラ最適化アルゴリズムを使用したハイブリッド微分進化による太陽光発電モデルのパラメーター抽出。ソル。エネルギー https://doi.org/10.1016/j.solener.2018.10.050 (2018)。

記事 Google Scholar

Chin, VJ、Salam, Z. & Ishaque, K. 太陽光発電シミュレーターアプリケーションのためのセルモデリングとモデルパラメーター推定技術: レビュー。応用エネルギー 154、500–519。 https://doi.org/10.1016/j.apenergy.2015.05.035 (2015)。

記事 Google Scholar

Alrahim Shannan、NMA、Yahaya、NZ & Singh、B. PV モジュールの単一ダイオードモデルと 2 ダイオードモデル: 比較、2013 IEEE Int. 会議制御システム計算します。工学 ICCSCE 2013、210–214、2013。https://doi.org/10.1109/ICCSCE.2013.6719960。

Ortiz-Conde, A.、Lugo-Muñoz, D.、García-Sánchez, FJ 直列抵抗とシャント抵抗を備えた従来の太陽電池モデルの代替となる明示的な多指数モデル。 IEEE J. 太陽光発電 2(3)、261–268。 https://doi.org/10.1109/JPHOTOV.2012.2190265 (2012)。

記事 Google Scholar

Chin, VJ & Salam, Z. 太陽電池のパラメーター抽出のための Coyote 最適化アルゴリズム。ソル。エネルギー 194、656–670。 https://doi.org/10.1016/j.solener.2019.10.093 (2019)。

記事 ADS Google Scholar

マサチューセッツ州ハミダ、アーカンソー州エルセヒエミー、アーカンソー州ジニディ、E. エラッター、AM シャヒーン人工ハチドリオプティマイザーを使用した電気自動車に使用されるリチウムイオン電池のパラメータの特定と充電状態の推定。 J. Energy Storage 51、104535。https://doi.org/10.1016/J.EST.2022.104535 (2022)。

記事 Google Scholar

Tong, NT & Pora, W. 太陽電池の固有特性を利用したパラメータ抽出技術。応用エネルギー 176、104–115。 https://doi.org/10.1016/j.apenergy.2016.05.064 (2016)。

記事 Google Scholar

Sarhan, S.、Shaheen, A.、El-Sehiemy, R. & Gafar, M. 電力と熱エネルギーを組み合わせた大規模な送電のための、多目的の教育学習学習ベースのアルゴリズム。数学。 10(13)、2278。https://doi.org/10.3390/math10132278 (2022)。

記事 Google Scholar

Shaheen, AM、Ginidi, AR、El-Sehiemy, RA & Ghoneim, SSM 太陽電池モデルのパラメータ抽出のためのフォレンジックベースの調査アルゴリズム。 IEEE アクセス 9、1 ～ 20。 https://doi.org/10.1109/ACCESS.2020.3046536 (2021)。

記事 Google Scholar

シャヒーン、AM et al. 熱と電力を組み合わせた経済的な派遣問題のための、新しく改良された海洋捕食者アルゴリズム。アレックス。工学 J. https://doi.org/10.1016/J.AEJ.2021.07.001 (2021)。

記事 Google Scholar

Shaheen、AM、Elsayed、AM、Ginidi、AR、El-Sehiemy、RA & Elattar、EE 再構成されたラジアルフィーダ分散システムでの DG 割り当てのためのヒープベースのオプティマイザを改善しました。 IEEE システム J. https://doi.org/10.1109/JSYST.2021.3136778 (2022)。

記事 Google Scholar

Ginidi, AR、Elsayed, AM、Shaheen, AM、Elattar, EE & El-Sehiemy, RA 大規模な熱電併給の経済的供給をスケジュールするための新しいヒープベースのオプティマイザー。 IEEE アクセス 9、83695 ～ 83708。 https://doi.org/10.1109/ACCESS.2021.3087449 (2021)。

記事 Google Scholar

Shaheen、AM、El-Sehiemy、RA、Ginidi、AR、Ghoneim、SSM & Alharthi、MM 多次元 OPF フレームワークに基づいた効率的な電力システム運用のための多目的クラゲ検索オプティマイザー。エネルギー https://doi.org/10.1016/J.ENERGY.2021.121478 (2021)。

記事 Google Scholar

Ben Messaoud, R. 落雷接続手順の最適化を使用した、太陽光発電パネルの単一ダイオードモデルの不確実なパラメータの抽出。Ｊ．Ｃｏｍｐｕｔ．電子。 https://doi.org/10.1007/s10825-020-01500-x (2020)。

記事 Google Scholar

Chin, VJ & Salam, Z. 太陽電池のパラメータ抽出のための新しい 3 点ベースのアプローチ。応用エネルギー 237、519–533。 https://doi.org/10.1016/j.apenergy.2019.01.009 (2019)。

記事 CAS Google Scholar

Chen, X. & Yu, K. 太陽光発電モデルのパラメーターを推定するための、カッコウ探索アルゴリズムと生物地理ベースの最適化のハイブリッド化。ソル。エネルギー 180、192–206。 https://doi.org/10.1016/j.solener.2019.01.025 (2019)。

記事 ADS Google Scholar

Kang, T.、Yao, J.、Jin, M.、Yang, S. & Duong, T. 太陽光発電 (PV) モデルのパラメーター推定のための新しく改良されたカッコー検索アルゴリズム。エネルギー https://doi.org/10.3390/en11051060 (2018)。

記事 Google Scholar

Gao, X. et al. 改良されたシャッフル複雑進化アルゴリズムを使用した太陽電池モデルのパラメータ抽出。エネルギー変換者。管理。 157、460–479。 https://doi.org/10.1016/j.enconman.2017.12.033 (2018)。

記事 Google Scholar

Lekouaghet, B.、Boukabou, A. & Boubakir, C. 改良された Rao ベースのカオス最適化手法を使用した太陽電池セル/モジュールのパラメーターの推定。エネルギー変換者。管理。 229 (2020 年 11 月)、113722。https://doi.org/10.1016/j.enconman.2020.113722 (2021)。

記事 Google Scholar

Rezaee Jordehi、A. 拡張リーダー粒子群最適化 (ELPSO): 太陽電池 (PV) セルおよびモジュールのパラメーター推定のための効率的なアルゴリズム。ソル。エネルギー 159、78–87。 https://doi.org/10.1016/j.solener.2017.10.063 (2018)。

記事 ADS CAS Google Scholar

Yousri, D.、Thanikanti, SB、Allam, D.、Ramachandaramurthy, VK & Ereiba, MB シングル、ダブル、および 3 ダイオード太陽光発電モデルのパラメーターを識別するためのフラクショナルカオスアンサンブル粒子群オプティマイザー。エネルギー https://doi.org/10.1016/j.energy.2020.116979 (2020)。

記事 Google Scholar

Deotti、LMP、Pereira、JLR、da Silva Júnior、IC 強化された Lévy フライトバットアルゴリズムを使用した太陽光発電モデルのパラメーター抽出。エネルギー変換者。管理。 221(2 月)、113114。https://doi.org/10.1016/j.enconman.2020.113114 (2020)。

記事 Google Scholar

Pinidi, AR、Shaheen, AM、El-Sehiemy, RA & Elattar, E. さまざまな太陽電池モデルのパラメーター抽出のための需要供給最適化アルゴリズム。 Energy Rep. 7、5772–5794。 https://doi.org/10.1016/J.EGYR.2021.08.188 (2021)。

記事 Google Scholar

Rezk, H. & Abdelkareem, MA 太陽光発電パネルとセルのトリプルダイオードモデルの最適パラメータ特定。エネルギー担当者 https://doi.org/10.1016/j.egyr.2021.11.179 (2022)。

記事 Google Scholar

エルシャヘド、M.ら。太陽光発電システムの電気ベースの単一、二重、三重ダイオードモデル向けの革新的な狩人獲物ベースの最適化。数学 10(23)、4625。https://doi.org/10.3390/math10234625 (2022)。

記事 Google Scholar

Oliva, D.、Abd El Aziz, M.、Ella Hassanien, A. 改良されたカオスクジラ最適化アルゴリズムを使用した太陽電池のパラメーター推定。応用エネルギー https://doi.org/10.1016/j.apenergy.2017.05.029 (2017)。

記事 Google Scholar

Akbari, E.、Ghasemi, M.、Gil, M.、Rahimnejad, A. & AndrewGadsden, S. 教育、学習、学習ベースの最適化アルゴリズムによる最適なパワーフロー。エレクトロ。パワーコンポ。システム。 https://doi.org/10.1080/15325008.2021.1971331 (2021)。

記事 Google Scholar

Liang、J.ら。太陽光発電モデルのパラメータ抽出のための分類された摂動突然変異ベースの粒子群最適化アルゴリズム。エネルギー変換者。管理。 203 (2019 年 6 月)、112138。https://doi.org/10.1016/j.enconman.2019.112138 (2020)。

記事 ADS Google Scholar

Khanna, V.、Das, BK、Bisht Vandana, D. & Singh, PK 産業用太陽電池の 3 ダイオードモデルと PSO アルゴリズムを使用した太陽電池パラメータの推定。更新します。エネルギー 78、105–113。 https://doi.org/10.1016/j.renene.2014.12.072 (2015)。

記事 Google Scholar

Sulaiman, MH、Mustaffa, Z.、Saari, MM & Daniyal, H. Barnacles Mating Optimizer: エンジニアリングの最適化問題を解決するための、生物からインスピレーションを得た新しいアルゴリズム。工学応用アーティフ。知性。 https://doi.org/10.1016/j.engappai.2019.103330 (2020)。

記事 Google Scholar

Rizk-Allah、RM & El-Fergany、AA 太陽光発電シングルおよびダブルダイオードモデルのパラメータ最適化のための、意識的近隣スキームベースのラプラシアンフジツボ接合アルゴリズム。エネルギー変換者。管理。 226(6 月)、113522。https://doi.org/10.1016/j.enconman.2020.113522 (2020)。

記事 Google Scholar

Yu, K. 他太陽電池とモジュールのパラメータを識別するためのパフォーマンスに基づいた JAYA アルゴリズム。応用エネルギー 237、241–257。 https://doi.org/10.1016/j.apenergy.2019.01.008 (2019)。

記事 Google Scholar

Ebrahimi, SM、Salahshour, E.、 Malekzadeh, M.、Gordillo, F. 柔軟な粒子群最適化アルゴリズムを使用した PV 太陽電池とモジュールのパラメーター特定。エネルギー 179、358–372。 https://doi.org/10.1016/j.energy.2019.04.218 (2019)。

記事 CAS Google Scholar

Beigi, AM および Maroosi, A. ハイブリッド Firefly およびパターン検索アルゴリズムを使用した太陽電池とモジュールのパラメーターの特定。ソル。エネルギー 171、435–446。 https://doi.org/10.1016/j.solener.2018.06.092 (2018)。

記事 ADS Google Scholar

Chen, H.、Jiao, S.、Wang, M.、Heidari, AA & Zhao, X. カオスドリフトによる多様化を強化したハリスホークス最適化を使用した、太陽電池とモジュールのパラメーターの特定。 J. クリーン。製品。 244、118778。https://doi.org/10.1016/j.jclepro.2019.118778 (2020)。

記事 Google Scholar

Ali、EE、El-Hameed、MA、El-Fergany、AA および El-Arini、MM マルチバースオプティマイザーを使用した太陽光発電ユニットのパラメーター抽出。持続する。エネルギー技術評価 17、68 ～ 76。 https://doi.org/10.1016/j.seta.2016.08.004 (2016)。

記事 Google Scholar

Shaheen, AM、Elsayed, AM、Ginidi, AR、El-Sehiemy, RA & Elattar, E. PV パラメータ推定のための強力な活用戦略を備えた強化されたソーシャルネットワーク検索アルゴリズム。エネルギー科学工学 10(4)、1398–1417。 https://doi.org/10.1002/ese3.1109 (2022)。

記事 Google Scholar

Montoya, OD、Gil-Gonzalez, W. & Grisales-Norea, LF データシート情報を使用した太陽電池のパラメーター推定のためのサインコサインアルゴリズム。Ｊ．Ｐｈｙｓ．カンファレンスシリーズ https://doi.org/10.1088/1742-6596/1671/1/012008 (2020)。

記事 Google Scholar

Jordehi、AR 時変加速係数粒子群最適化 (TVACPSO): PV セルとモジュールのパラメーターを推定するための新しい最適化アルゴリズム。エネルギー変換者。管理。 129、262–274。 https://doi.org/10.1016/j.enconman.2016.09.085 (2016)。

記事 Google Scholar

Nematollahi, AF、Rahiminejad, A.、Vahidi, B. Lightning Attachment Procedure Optimization として知られる新しい物理ベースのメタヒューリスティック最適化手法。応用ソフトコンピューティング。 J. 59, 596–621。 https://doi.org/10.1016/j.asoc.2017.06.033 (2017)。

記事 Google Scholar

リファレンスをダウンロードする

科学技術イノベーション資金庁 (STDF) がエジプト知識銀行 (EKB) と協力して提供するオープンアクセス資金。

カフレルシェイク大学工学部電気工学科、カフレルシェイク、33516、エジプト

ラガブ・エル・セヒエミ

スエズ大学工学部電気工学科、スエズ、43533、エジプト

アブドラ・シャヒーン & アーメド・ジニディ

電力および機械科、工学部、ザガジグ大学、ザガジグ、44519、エジプト

アティア・エル・フェルガニー

PubMed Google Scholar でこの著者を検索することもできます

著者らはこの論文の各部分に均等に貢献しました。著者は最終原稿を読んで承認しました。

アティア・エル・フェルガニーとの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

El-Sehiemy、R.、Shaheen、A.、El-Fergany、A. 他人工ハチドリオプティマイザを使用した PV モジュールの電気パラメータ抽出。 Sci Rep 13、9240 (2023)。 https://doi.org/10.1038/s41598-023-36284-0

引用をダウンロード

受信日: 2022 年 5 月 19 日

受理日: 2023 年 5 月 31 日

公開日: 2023 年 6 月 7 日

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

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。