Extracción de parámetros eléctricos de módulos fotovoltaicos mediante optimizador colibrí artificial

Scientific Reports volumen 13, Número de artículo: 9240 (2023) Citar este artículo

Detalles de métricas

La extracción de parámetros de los modelos PV es un problema de optimización no lineal y multimodelo. Sin embargo, es esencial estimar correctamente los parámetros de las unidades fotovoltaicas debido a su impacto en la eficiencia del sistema fotovoltaico en términos de potencia y producción actual. Como resultado, este estudio presenta una técnica de colibrí artificial (AHT) desarrollada para generar los mejores valores de los parámetros no dados de estas unidades fotovoltaicas. El AHT imita las habilidades únicas de vuelo y los métodos de alimentación de los colibríes en la naturaleza. El AHT se compara con numerosas técnicas inspiradas recientes que son el optimizador de enjambre de atún, el optimizador de buitre africano, el optimizador basado en el estudio de enseñanza y aprendizaje y otras técnicas de optimización recientes. Los estudios estadísticos y los hallazgos experimentales muestran que AHT supera a otros métodos en la extracción de parámetros de varios modelos fotovoltaicos de STM6-40/36, KC200GT y PWP 201 policristalino. El rendimiento del AHT se evalúa utilizando la hoja de datos proporcionada por el fabricante. Para resaltar el dominio de AHT, su rendimiento se compara con el de otras técnicas competidoras. Los resultados de la simulación demuestran que el algoritmo AHT presenta un tiempo de procesamiento rápido y una convergencia constante junto con mantener un nivel elevado de precisión en la solución ofrecida.

La energía solar es una tecnología renovable prometedora debido a su capacidad de respuesta ambiental y numerosos suministros. El desarrollo de sistemas solares fotovoltaicos (PV) continúa, lo que fomenta el uso efectivo de estos sistemas en la generación de energía eléctrica para satisfacer la necesidad de energía1. Además, existen varios inconvenientes en el rendimiento de los sistemas fotovoltaicos, como la productividad insuficiente del panel fotovoltaico y la exposición directa del panel a los elementos2. Como resultado, determinar la eficiencia realista de los sistemas fotovoltaicos es fundamental para planificar, controlar y simular módulos fotovoltaicos de manera eficiente. Para lograr este objetivo, se emplea el modelo práctico basado en las muestras de corriente y tensión que se recogen en los terminales del módulo. Se pueden establecer parámetros de PV y se puede construir su modelo con la ayuda de representación matemática.

En la literatura, muchos investigadores han desarrollado una variedad de modelos PV, incluido el modelo de diodo único (SDM) y el modelo de diodo doble (DDM). Además, el rendimiento del modelo fotovoltaico depende de parámetros internos no identificados. Debido a la degradación, el envejecimiento y los estados de funcionamiento impredecibles, mantener estables todos los parámetros desconocidos y evaluarlos es un desafío. Diseñar, estimar, simular y optimizar módulos fotovoltaicos es imposible sin establecer sus respectivos parámetros eléctricos. Como resultado, se está estudiando la eficacia de los métodos de optimización de enjambre para cuantificar los parámetros del sistema fotovoltaico3. Los enfoques analíticos4 crean suposiciones simplificadas o aproximaciones particulares ignorando la precisión comprometedora. Sin embargo, este modelo analítico se ha simplificado al ignorar el efecto de las resistencias en serie y en paralelo al calcular la corriente y el voltaje relacionados con la potencia de salida más alta. En 5, se ha propuesto el método del multiplicador de Lagrange (LMM) para SDM/DDM para optimizar las salidas de energía de los módulos fotovoltaicos de células solares. En 6, la información crucial se redujo de la hoja de datos del fabricante donde se creó un requisito límite para un estado de voltaje cero utilizando la primera derivada de potencia. Además, en7, se han ilustrado cuatro ubicaciones aleatorias en la curva I-V y sus pendientes para extraer los parámetros SDM analíticamente sin aproximación ni simplificación. Sin embargo, dicho enfoque analítico se limita a los escenarios de prueba convencionales. Que tiene muchos cálculos y falla cuando cambian8.

Por otro lado, se han presentado enfoques numéricos que incluyen algoritmos deterministas y metaheurísticos. Los valores iniciales inexactos pueden conducir a óptimos locales en el método determinista y el modelo real tiene dificultades para satisfacer las limitaciones de la ecuación de la función objetivo9. Por el contrario, los métodos metaheurísticos proporcionan un enfoque eficaz y sencillo para determinar los parámetros del modelo PV. Como resultado, el tema de la extracción de parámetros se ha abordado con un estudio de métodos metaheurísticos. Se han llevado a cabo innumerables investigaciones utilizando la evolución diferencial (DE)10,11 para abordar el problema de identificación de parámetros con el modelo PV. En 12, se ha propuesto para SDM y DDM un DE comparable que contiene un proceso de aprendizaje inverso, estrategias multipoblacionales y una estrategia de mutación. Para predecir las características de las células fotovoltaicas de la célula solar RTC France y Photowatt-PWM201, se han realizado dos métodos sencillos y sin metáforas, Rao-2 y Rao-313. El optimizador de tropas de gorilas14, el algoritmo de optimización de moho de limo15, el algoritmo mejorado de optimización de saltamontes (IGOA)16 se han desarrollado para sistemas fotovoltaicos eléctricos solares. En 17, la optimización Harris Hawks se integró con los cruces (horizontales y verticales) y simplex de Nelder-Mead y se implementó en KC200GT, SM55 y ST40, incluidos DDM y SDM. Además, el algoritmo JAYA ha sido modificado utilizando el mapa caótico in18 y combinado con una estrategia de aprendizaje basada en el proceso de oponentes de élite in19 para extraer la extracción del parámetro PV.

Se integró un DE con el Optimizador basado en la enseñanza y el aprendizaje (TLBO) en 20 teniendo en cuenta la probabilidad de clasificación de los alumnos. In21, la optimización basada en gradientes (GBO) con un mapa logístico y una estrategia basada en rangos se ha elaborado para SM55, KC200GT con SDM y DDM. In22, una técnica innovadora de dos etapas para extraer los parámetros del SDM del módulo fotovoltaico a partir de datos experimentales de características de potencia-voltaje. En la referencia 23, se incorporó una estrategia de élite con un enfoque de búsqueda retrospectiva (BSA) que se implementó tanto para SDM como para DDM. En 24, se aplicó el optimizador coot-bird para estimar los parámetros fotovoltaicos óptimos considerando diferentes modelos eléctricos basados ​​en el número de ramas de diodos. En 25, surgió un TLBO mejorado (ITLBO) con diferentes tácticas de enseñanza y se realizó de manera comparativa tanto en SDM como en DDM. En 26, se ha manifestado un algoritmo de lobo gris que tiene una estrategia de aprendizaje ortogonal para encontrar las incógnitas de diferentes modelos de energía solar fotovoltaica. Teniendo en cuenta el panel fotovoltaico de triple unión (TJS), se aplicaron técnicas de búsqueda de polilla27, ciclo del agua28 y optimizador de pilas29 para extraer los parámetros del panel fotovoltaico InGaP/InGaAs/Ge TJS. En27,28,29, cuando se operaba un módulo fotovoltaico basado en TJSC a diversas irradiancias y temperaturas, se evaluaron sus rendimientos y se confirmaron frente a varias otras estrategias de optimización.

Está establecido por una variedad de teorías de "almuerzo gratis" (NFL) que el rendimiento mejorado de cada algoritmo sobre una clase de problemas es contrarrestado por la eficiencia sobre otra30. Se ilustraron numerosas metaheurísticas alternativas para identificar de manera óptima los parámetros desconocidos de los modelos PV. El tiempo de CPU disponible, las restricciones y algunas observaciones con respecto a estos métodos también se muestran en la literatura. La técnica de colibrí artificial AHT31 propuesta por (Zhao et al.) se implementa en este documento para superar las desventajas de otras técnicas. El AHT imita los patrones especiales de vuelo y alimentación de los colibríes. La implementación de forrajeo territorial, dirigido y migratorio, así como la construcción de mesas de visita pueden simular la capacidad de memorización de alimentos de estas aves. Las principales contribuciones de este artículo se pueden resumir de la siguiente manera: (i) AHT demuestra con éxito el modelo PV parámetros, (ii) Los resultados obtenidos del AHT se comparan con nuevas técnicas desarrolladas recientemente, que son el optimizador de enjambre de atún (TSO)32, el optimizador de buitres africanos (AVO)33, el optimizador basado en el estudio de aprendizaje de la enseñanza (TLSBO)34, (iii) Se utilizan diversos diseños de modelos SDM y DDM PV para comparar AHT con otros enfoques de informes bien conocidos, y (iv) Las pruebas estadísticas y los resultados experimentales demuestran la viabilidad de AHT.

Los elementos restantes se agrupan de la siguiente manera. Se presentan diversos modelos de celdas solares en la sección "Formulación de problemas para SDM y DDM", mientras que la sección "AHT para la extracción de parámetros de celdas fotovoltaicas" manifiesta la AHT propuesta para la extracción de parámetros fotovoltaicos. Los análisis estadísticos y los resultados experimentales de varios modelos fotovoltaicos se ilustran en la sección "Resultados de la simulación". Las conclusiones del trabajo sugerido se muestran y subrayan en la sección "Conclusión".

Esta parte ilustra las características no lineales P–V e I–V de numerosas celdas solares de modelos fotovoltaicos. además, se describirán los diseños de modelos fotovoltaicos más comunes y se describirán los circuitos eléctricos correspondientes y las ecuaciones matemáticas para estos modelos fotovoltaicos35.

Esta configuración normalmente contiene un diodo (D) en paralelo con una resistencia de derivación (\(R_{{{\text{sh}}}}\)) y corriente fotogenerada (\(I_{{{\text{ph} }}}\)). Esta configuración, como se manifiesta en la Fig. 1, se pone en serie con otra (\(R_{{\text{S}}}\)). La salida de corriente SDM (I) se formula matemáticamente36,37:

donde \(I_{P}\), \(I_{D1}\) y \(I_{SD1}\) denotan la corriente a través de la resistencia de derivación, la corriente del diodo, la corriente de saturación inversa del diodo, según corresponda. Además, el símbolo (\(n_{1}\)) caracteriza su factor de idealidad, mientras que el símbolo (V) demuestra el voltaje de salida. Además de eso, el símbolo (\(V_{tm}\)) indica el voltaje térmico, mientras que el valor de la carga del electrón (q) es C, el valor de la constante de Boltzmann (\(K_{b}\)) es J/K , y T se refiere a la temperatura de la celda. En este contexto, es importante definir cinco parámetros f(\(I_{ph}\), \(R_{S}\), \(n\), \(I_{SD}\), \(R_{ sh}\)) con precisión de (1).

Circuito equivalente para SDM.

Se considera como un SDM con la inserción de un diodo de recombinación adicional (D2) como se manifiesta con la ayuda de la Fig. 2. Aunque SDM tiene las ventajas de su estructura simple, menos parámetros para extraer y una implementación rápida en el área de agotamiento, ignora el pérdida de recombinación a bajo voltaje que es fundamental cuando se utiliza la celda solar práctica38,39. En consecuencia, aunque la estructura de SDM es menos difícil que la de DDM, DDM obtiene un mayor rendimiento. La corriente de salida DDM (I) se representa matemáticamente por:

donde \({\text{I}}_{{{\text{SD}}1}}\) ilustra la corriente de difusión con respecto al primer diodo, mientras que \({\text{I}}_{{{\text{ SD}}2}}\) demuestra la corriente de saturación con respecto al segundo diodo. Además, \({\text{I}}_{{{\text{D}}2}}\). y \({\text{n}}_{2}\) revelan la corriente de los diodos de difusión y recombinación y su factor de calidad. Usando (3), en comparación con SDM, ahora hay siete parámetros adicionales para determinar, por ejemplo, \(\left( {{\text{I}}_{{{\text{Ph}}}} ,{\text{ R }}_{{\text{S}}} ,{\text{ I}}_{{{\text{SD}}1}} ,{\text{n}}_{1} ,{\text{ I}}_{{{\text{SD}}2}} ,{\text{n}}_{2} ,{\text{ R}}_{{{\text{sh}}}} } \ bien)\).

Circuito equivalente para DDM.

La función objetivo puede disminuir el error entre la corriente simulada y experimental definiendo la estimación óptima de los parámetros eléctricos de los dos modelos (SDM y DDM). El error cuadrático medio (RMSE)40 se utiliza como función objetivo para determinar el cambio entre dos características I–V. Se puede ilustrar de la siguiente manera:

donde M explica el número de puntos de datos experimentales; \(I_{exp}^{j}\) y \(V_{exp}^{j}\) representan los valores de corriente y voltaje del j-ésimo punto experimental, respectivamente; \(I_{cal}^{j} \left( {V_{exp}^{j} , x} \right)\) indica la salida de corriente calculada; y la variable x implica los parámetros de decisión.

El objetivo presentado en la Ec. (4a) es tan tradicional e implementado por varios trabajos informados. Basado en este modelo objetivo, el enfoque principal es minimizar la agregación de errores, pero no garantiza la dirección para minimizar el error máximo que se puede producir a través de una sola grabación experimental. A pesar del modelo objetivo en la Ec. (4a) proporciona una coincidencia significativa para todas las características de PV, el error en algunas lecturas sería alto. Por lo tanto, otra función objetivo está dedicada a minimizar la suma del error absoluto actual (MAE) sobre el número de puntos de datos experimentales que pueden modelarse matemáticamente de la siguiente manera:

Utilizando el objetivo propuesto en la Ec. (4b), la dirección de búsqueda está dedicada a minimizar el error máximo a lo largo de los registros experimentales, por lo que la distribución de errores será aproximadamente equivalente y más adecuada.

En los procedimientos de la AHT, a cada colibrí se le asigna un suministro de alimentos definido del cual puede alimentarse. Para este suministro de alimento específico, puede memorizar la tasa y la ubicación de la reposición de néctar. Además, recuerda con qué frecuencia ha pasado desde la última vez que accedió a todas las fuentes de alimentos. El AHT tiene una capacidad excepcional para encontrar las mejores soluciones gracias a estas habilidades especiales. Inicialmente, un enjambre con \(h_{n}\) tamaño de colibríes, como se indica en (5), se asigna aleatoriamente a \(h_{n}\) fuentes de alimento:

donde \({\text{H}}_{{\text{i}}}\) se refiere a la ubicación de la i-ésima fuente de alimento que representa los parámetros de las células fotovoltaicas como un vector de solución. Los límites superior e inferior con la dimensión del problema se demuestran mediante \({\text{Ub}}\) y \({\text{Lb}}\); y R describe un vector aleatorio entre [0, 1].

Se establece una tabla de visitas (VT) de las fuentes de alimentos utilizando los siguientes criterios:

donde \(VT_{i,k}\) muestra cuántas veces el i-ésimo colibrí no logró llegar a la k-ésima fuente de alimento, y nulo denota la ausencia de cualquier valor.

Tres maniobras de vuelo (vuelos axiales, diagonales y omnidireccionales) se utilizan ampliamente durante la búsqueda de alimento y se modelan en el AHT, cada una de las cuales se puede ver en (7) de la siguiente manera:

donde r1 denota un valor generado aleatoriamente que cae dentro de [0, 1]; \(rand_{i}\) y \(randperm\) denotan funciones generadoras aleatorias para crear valores en forma de enteros y enteros permutados, correspondientemente.

Las tácticas dirigidas y territoriales de los colibríes eligen aleatoriamente una de las habilidades de vuelo descritas en (7). Al principio, un colibrí usa el método de alimentación dirigida para inspeccionar su fuente de alimento prevista, lo que da como resultado el descubrimiento de un ingrediente potencial para el alimento que se explica por:

donde \(H_{i} \left( t \right)\) y \(H_{i,t\arg et} \left( t \right)\) representan las posiciones de las fuentes de alimentos presentes y previstas en el momento t; N(0, 1) es la función de distribución gaussiana.

En segundo lugar, en función de un determinado parámetro territorial (b), la estrategia de forrajeo territorial implica buscar un suministro de alimentos más frescos dentro del área circundante, como se muestra a continuación:

Por lo tanto, la ubicación de cada fuente de alimentos (i) generalmente puede actualizarse mediante:

donde O (·) expresa el blanco objetivo descrito en (4). Según este modelo.

En tercer lugar, está la técnica de alimentación migratoria, en la que los colibríes vuelan con frecuencia a un lugar más distante para obtener alimentos cuando su región escasea41. Los colibríes podrían viajar a diferentes fuentes de alimentación, seleccionadas al azar de toda el área de búsqueda.

donde \(H_{peor}\) denota la fuente que tiene la tasa mínima de reposición de néctar dentro de la población.

Se debe realizar un proceso de inspección asegurándose de que cada colibrí esté siempre viajando dentro del espacio de búsqueda del límite y, en consecuencia, cada variable de dimensión que fue abusada, según (14), será devuelta al límite del espacio de búsqueda:

El elemento más fundamental del AHT es la tabla de visitas que almacena la experiencia con respecto a las visitas a las fuentes de alimentos. En consecuencia, la tabla de visitas se puede actualizar para cada colibrí como se muestra en (6).

La importancia de esta tabla de visitas es hacer un seguimiento del tiempo que ha pasado cada suministro de alimentos sin que una sola ave lo vuelva a visitar, con un intervalo largo entre visitas que indica una tasa de visitas más alta. Por lo tanto, la Fig. 3 muestra los pasos principales de la AHT en el reconocimiento de los parámetros no identificados de las células fotovoltaicas.

Pasos principales de la AHT para reconocer los parámetros no identificados de las células fotovoltaicas.

El AHT sugerido se lleva a cabo para identificar los parámetros eléctricos SDM y DDM para KC200GT y STM6-40/36. Dos módulos solares, que son multicristalino KC200GT con 54 celdas en serie y monocristalino STM6-40/36 con 36 celdas42 en serie a temperatura de 25◦C y 51◦C, respectivamente, y una irradiancia de (1000 W/ m2). Los datos medidos para KC200GT y STM6-40/36 contienen 15 y 20 pares de valores V/I, respectivamente. Además, como se muestra en la Tabla 1, los límites inferior (LB) y superior (UB) de los parámetros se muestran según los datos de las celdas.

Para comparar la AHT sugerida con algunos otros métodos recientemente establecidos cuando se usa en SDM y DDM de STM 6–40/36, se muestran cuatro métricas de efectividad de desviación máxima, promedio, mínima y estándar del RMSE. Además, una puntuación baja de RMSE muestra que los parámetros se obtuvieron de manera efectiva, ya que RMSE tiene como objetivo minimizar la diferencia entre los datos medidos y simulados. Además, el AHT se valida en el módulo fotovoltaico policristalino PWP 201 utilizando tanto SDM como DDM. Las simulaciones se realizan con MATLAB 2017b en CPU Intel® Core™ i7-7500U @ 2,70 GHz 2,90 GHz con 8,00 GB de RAM. Se consideran dos escenarios en función de la función objetivo seleccionada de la siguiente manera:

Escenario 1: modelo objetivo tradicional presentado en la ecuación. (4a) para minimizar la agregación de errores.

Escenario 2: minimización de la función objetivo (MAE) presentada en la Ec. (4b).

Los parámetros específicos de SDM y DDM de STM6-40/36 son estimados por AHT y AVO33, TSO32 y TLSBO43 propuestos que se implementan en este artículo por primera vez como se muestra en la Tabla 2. En términos de las simulaciones numéricas, por SDM, la AHT propuesta podría alcanzar el valor más bajo posible de 1,7298E−3, mientras que AVO, TSO y TLSBO alcanzan los valores más bajos posibles de 1,7324E−3, 1,9219E−3 y 1,9264E−3, respectivamente, como se manifiesta en Tabla 2. La AHT podría alcanzar el valor más bajo posible de 1,7028E−3, mientras que AVO y TSO alcanzarían los valores más bajos posibles de 1,7049E−3 y 2,6843E−3, correspondientemente para DDM.

Además, se realizan treinta ejecuciones independientes para los AHT, AVO, TSO y TLSBO propuestos para SDM y DDM, en este artículo, para mostrar el rendimiento de estos optimizadores. Al realizar estas ejecuciones, se puede notar que la AHT propuesta tiene el valor mínimo entre estas técnicas, lo que resalta la eficiencia y la solidez de la AHT propuesta en comparación con estos optimizadores, como se ejemplifica en la Fig. 4. Como se muestra, para SDM, AHT obtiene la menor desviaciones mínima, media, máxima y estándar relacionadas con el RMSE de 0,001729814, 0,001729831, 0,001730045 y 5,39233E−8, respectivamente. Por el contrario, AVO, TLSBO y TSO obtienen mayores desviaciones estándar de 0,001084, 0,000102 y 0,000967, respectivamente. Se adquieren hallazgos similares para DDM, AHT logra las desviaciones mínimas, medias, máximas y estándar mínimas relacionadas con el RMSE de 0.001704932, 0.001728661, 0.001762892 y 9.85118E-6, respectivamente. Por el contrario, AVO, TLSBO y TSO, respectivamente, obtienen mayores desviaciones estándar de 0,000833907, 0,000537932 y 0,000899015.

Gráfico de Whisker del AHT en comparación con AVO, TLSBO y TSO con los dos modelos de STM6-40/36 (Escenario 1).

Las características de convergencia de AHT se desarrollan para SDM y DDM como se ilustra en la Fig. 5a,b y se comparan con AVO, TSO, TLSBO, Forensic-Based Investigation (FBI) Technique44, Enhanced Marine Predator Approach (EMPA)45, Equilibrium Optimization (EO ), Heap-based Technique29,46,47 y Jellyfish search (JFS) Optimizer48. Se puede manifestar a partir de esta figura que las características de convergencia del AHT tienen un excelente desempeño en contraste con estos optimizadores.

Características de convergencia de los algoritmos comparados para los dos modelos de STM6-40/36 (Escenario 1).

Para SDM, los datos experimentales y estimados ilustrados por AHT, AVO, TSO y TLSBO de las corrientes y potencias se pronuncian en la Fig. 6a,b, respectivamente para cada 20 puntos. Además, en cada punto se ejemplifica el error absoluto entre los datos estimados y experimentales para las corrientes y potencias como se manifiesta en las figuras antes mencionadas, donde la AHT propuesta logra los errores absolutos más bajos en comparación con AVO, TSO y TLSBO. En aras de las cuantificaciones, como se demuestra en la Fig. 6a, el porcentaje máximo de errores absolutos entre los valores de corriente medidos y estimados es 0.14% en el punto experimental no. 11 con valor IAE inferior a 6,09 mA recortado por el AHT. La curva I-V y la curva P-V se ilustran en la Fig. 7a,b, respectivamente, que ejemplifican la proximidad precisa entre los datos estimados y experimentales de las potencias y corrientes en cada punto de voltaje.

Errores absolutos recortados por AHT y otros optimizadores para SDM del módulo fotovoltaico STM6-40/36 (Escenario 1).

Las curvas I–V y P–V desarrolladas por el AHT propuesto para SDM del módulo fotovoltaico STM6-40/36 (Escenario 1).

Para DDM, los datos experimentales y los datos estimados ilustrados por AHT, AVO, TSO y TLSBO de las corrientes y potencias se describen en la Fig. 8(a)-(b), respectivamente para cada 20 puntos. Además, en cada punto se ejemplifica como se manifiesta el error absoluto entre los datos estimados y experimentales para las corrientes y potencias, donde el AHT propuesto logra los errores absolutos más bajos en comparación con AVO, TSO y TLSBO. Una vez más, como se indica en la Fig. 8(a), el porcentaje máximo de errores absolutos entre los valores de corriente medidos y estimados es del 0,40 % con un valor IAE de menos de 6,31 mA recortado por el AHT. La curva I-V y la curva P-V se ilustran en la Fig. 9a,b, que ejemplifica la cercanía entre los datos estimados y experimentales de las potencias y corrientes en cada punto de voltaje.

Errores absolutos producidos por el AHT y otros optimizadores para DDM del módulo fotovoltaico STM6-40/36 (Escenario 1).

Las curvas I–V y P–V desarrolladas por el AHT para DDM del módulo fotovoltaico STM6/40-36 (Escenario 1).

El análisis estadístico que incluye los parámetros Mejor, Peor, Promedio y desviación estándar para SDM y DDM se muestran en las Tablas 3 y 4, correspondientemente. En estas tablas, el AHT propuesto se compara con varios optimizadores de AVO, TSO y TLSBO, y los optimizadores informados de recocido simulado (SA)49, enfoque basado en tres puntos (TPBA)50, optimización basada en biogeografía/búsqueda cuckoo híbrida (BHCS) 51, ITLBO25, enfoque CS mejorado (ECSA)52, evolución compleja barajada mejorada (ISCE)53, técnica Rao logística caótica (CLRT)54, PSO mejorado (EPSO)55, PSO caótico fraccional (FC-EPSO)56, enfoque de optimización de murciélagos (BA), BA novedoso (NBA), algoritmo de murciélago direccional (DBA)57, SDO58, MPA59 y algoritmo mejorado de optimización de ballenas caóticas (ICWOA)61 para ambos modelos.

Como se demostró, el AHT logra el RMSE mínimo, la desviación estándar, la media y el máximo de 1,7298E−3, 5,3923E−8, 1,7298E−3, 1,7300E−3, respectivamente, para SDM (consulte la Tabla 3). El AHT logra 1.7049E−3, 9.8512E−6, 1.7287E−3 y 1.7629E−3, respectivamente para DDM como se indica en la Tabla 4. La evaluación comparativa ejemplifica la alta precisión de búsqueda y la buena estabilidad del AHT sugerido en comparación con varios nuevas técnicas y los optimizadores informados.

Para este escenario, se implementan los AHT, AVO, TSO y TLSBO propuestos y los parámetros relacionados con SDM y DDM de STM6-40/36 se muestran en la Tabla 5. Además, las características de convergencia del AHT en comparación con AVO, TLSBO , y TSO para este escenario se desarrollan para SDM y DDM como se ilustra en la Fig. 10a,b. En cuanto a las simulaciones numéricas, para SDM, la AHT propuesta podría alcanzar el valor MAE más bajo de 4,068E−3, mientras que AVO, TSO y TLSBO alcanzan los valores más bajos posibles de 8,805E−3, 6,175E−3 y 6,193E −3, respectivamente, como se manifiesta en la Tabla 5. El AHT podría alcanzar el valor MAE más bajo de 3.99E−3, mientras que AVO, TSO y TLSBO logran los valores más bajos posibles de 7.291E−3, 6.243E−3 y 6.108E− 3, en consecuencia para DDM.

Características de convergencia de los algoritmos comparados para los dos modelos de STM6-40/36 (Escenario 2).

Además, la Fig. 11 muestra el gráfico de Whisker de AHT en comparación con AVO, TLSBO y TSO para este escenario. Como se muestra, para SDM, AHT deriva el menor valor medio relacionado con el MAE de 0,005084. Por el contrario, AVO, TLSBO y TSO obtienen objetivos MAE superiores de 0,023869, 0,006279 y 0,007603, respectivamente. Para DDM, AHT deriva la menor desviación mínima, media, máxima y estándar relacionada con el MAE de 0,00399, 0,004383, 0,005025 y 0,000299, respectivamente. Por el contrario, AVO, TLSBO y TSO obtienen mayores desviaciones estándar de 0,017904, 0,000501 y 0,001165, respectivamente.

Gráfico de Whisker del AHT en comparación con AVO, TLSBO y TSO con los dos modelos de STM6-40/36 (Escenario 2).

Para ambos modelos en este escenario, los errores absolutos experimentales en la corriente producida se describen en la Fig. 12a,b para AHT, AVO, TLSBO y TSO, respectivamente para cada 20 puntos. Como se muestra, el AHT propuesto obtiene una capacidad superior en comparación con los demás para minimizar el error absoluto máximo. En base a este escenario, la distribución de errores es aproximadamente equivalente y más adecuada donde la dirección de búsqueda se dedica a minimizar el error máximo en el transcurso de las grabaciones experimentales. Para el SDM, los errores que utilizan la AHT propuesta van desde 0.000495 en la lectura no. 7 a 0.004901 en la lectura no. 11. Por tanto, la diferencia relativa entre los dos límites obtenidos es 0,004406. De manera similar, la diferencia calculada entre los dos límites obtenidos usando AVO, TLSBO y TSO son 0.02237, 0.005984 y 0.006012, respectivamente. Estas diferencias demuestran la alta capacidad de la AHT propuesta para lograr la mejor distribución de los errores en el transcurso de las grabaciones experimentales.

Errores absolutos en la corriente producida por los optimizadores comparados del módulo fotovoltaico STM6-40/36 (Escenario 2).

Para el DDM, los errores que utilizan la AHT propuesta van desde 0.000389 en la lectura no. 18 a 0.004415 en la lectura no. 11. La diferencia relativa entre los dos límites obtenidos es 0.00403. De manera similar, la diferencia calculada entre los dos límites obtenidos usando AVO, TLSBO y TSO son 0.01452, 0.007083 y 0.007797, respectivamente. Estas diferencias demuestran la alta capacidad de la AHT propuesta para lograr la mejor distribución de los errores en el transcurso de las grabaciones experimentales.

Los parámetros específicos de SDM y DDM del módulo fotovoltaico KC200GT son estimados por el AHT propuesto y los optimizadores desarrollados recientemente que son AVO33, TSO32, TLSBO62 que se implementan en este artículo por primera vez como se muestra en la Tabla 6. Además, para SDM, el La AHT propuesta podría alcanzar el valor más bajo posible de 6,4957E−4, mientras que AVO, TSO y TLSBO alcanzan los valores más bajos posibles de 1,0426E−2, 1,1538E−2 y 1,2897E−2, respectivamente. También se ve en esta tabla que la AHT propuesta podría alcanzar el valor más bajo posible de 3,7154E−4, mientras que AVO, TSO y TLSBO alcanzan los valores más bajos posibles de 9,6100E−3, 1,1268E−2 y 1,2580E−2 , respectivamente para DDM.

Se llevan a cabo treinta ejecuciones independientes para los AHT, AVO, TSO y TLSBO propuestos para SDM y DDM de este módulo, en este artículo, para mostrar el rendimiento de estos optimizadores. Al realizar estas ejecuciones, se puede notar que la AHT propuesta tiene el valor mínimo entre estas técnicas, lo que resalta la eficiencia y robustez de la AHT propuesta en comparación con estos optimizadores, como se ejemplifica en la Fig. 13.

Diagrama de Whisker del AHT en comparación con AVO, TLSBO y TSO con los dos modelos del módulo fotovoltaico KC200GT (Escenario 1).

Como se muestra, para SDM, AHT adquiere las desviaciones mínimas, medias, máximas y estándar mínimas relacionadas con el RMSE de 0,0006496, 0,0067283, 0,0095589 y 0,0023414, respectivamente. Por el contrario, AVO, TLSBO y TSO obtienen un RMSE medio superior de 0,037613, 0,015379 y 0,041981, respectivamente. Asimismo, obtienen mayores desviaciones estándar de 0.009989, 0.00121 y 0.011769, respectivamente. Se adquieren hallazgos similares para DDM, AHT obtiene las desviaciones mínimas, medias, máximas y estándar mínimas relacionadas con el RMSE de 0.000371545, 0.009679481, 0.016820415 y 0.005198108, respectivamente. Por el contrario, AVO, TLSBO y TSO, respectivamente, obtienen mayores desviaciones estándar de 0,011457421, 0,001713595 y 0,013369672.

Las características de convergencia de AHT para SDM y DDM se ilustran en la Fig. 14a,b, respectivamente y se comparan con AVO, TSO, TLSBO, EMPA, EO, Heap, JFS y FBI44. Se puede manifestar a partir de esta figura que las características de convergencia del AHT tienen un excelente desempeño en comparación con estos optimizadores.

Características de convergencia del AHT en comparación con otros optimizadores del módulo fotovoltaico KC200GT (Escenario 1).

Para SDM, los datos experimentales y los datos estimados ilustrados por AHT, AVO, TSO y TLSBO de las corrientes y potencias se describen en la Fig. 15a,b, respectivamente para cada 15 puntos. Además, en cada punto se ejemplifica como se manifiesta el error absoluto entre los datos estimados y experimentales para las corrientes y potencias, donde el AHT propuesto logra los errores absolutos más bajos en comparación con AVO, TSO y TLSBO. En aras de la cuantificación, como se muestra en la Fig. 15, el porcentaje máximo de errores absolutos entre los valores de corriente medidos y estimados es 0,45% en el punto experimental no. 9 con valor IAE de 11,2 mA recortado por AHT. La curva I–V y la curva P–V se ilustran en la Fig. 16a,b, que ejemplifica la cercanía entre los datos estimados y experimentales de las potencias y corrientes en cada punto de voltaje.

Errores absolutos recortados por AHT y otros optimizadores para SDM del módulo fotovoltaico KC200GT (Escenario 1).

Las curvas I–V y P–V desarrolladas por el AHT para SDM del módulo fotovoltaico KC200GT (Escenario 1).

Para SDM, los datos experimentales y los datos estimados ilustrados por AHT, AVO, TSO y TLSBO de las corrientes y potencias se describen en la Fig. 17a,b, respectivamente para cada 15 puntos. Además, en cada punto se ejemplifica el error absoluto entre los datos estimados y experimentales para las corrientes y potencias, donde el AHT propuesto logra los errores absolutos más bajos en comparación con AVO, TSO y TLSBO. La curva I-V y la curva P-V se ilustran en la Fig. 18a,b, que ejemplifica la cercanía entre los datos estimados y experimentales de las potencias y corrientes en cada punto de voltaje.

Errores absolutos propuestos por AHT y otros optimizadores para DDM del módulo fotovoltaico KC200GT (Escenario 1).

La curva I–V y la curva P–V desarrolladas por AHT para DDM del módulo fotovoltaico KC200GT (Escenario 1).

Para el módulo fotovoltaico KC200GT, el análisis estadístico para SDM y DDM se muestra en las tablas 7 y 8, respectivamente. En esta tabla, el AHT propuesto se compara con AVO, TSO y TLSBO, y los optimizadores informados que son CPMPSO63, PSO64, BMA65, NLBMA66, PGJAYA67, FPSO68, Hybridized Pattern Search and Firefly Technique (HPSFT)69, FBI44, EHHO70 y MVO71 para ambos modelos. Como se muestra, el AHT sugerido logra el RMSE, la desviación estándar, la media y el máximo más pequeños de 6.4957E−4, 2.3414E−3, 6.7283E−3 y 9.5589E−3, respectivamente, para SDM como se muestra en la Tabla 7. En por otro lado, el AHT logra 3.7154E−4, 5.1981E−3, 9.6795E−3 y 1.6820E−2, respectivamente para DDM (Ver Tabla 8). La evaluación comparativa ejemplifica la alta precisión de búsqueda y la buena estabilidad del AHT propuesto en comparación con los optimizadores desarrollados recientemente y los optimizadores informados.

Para validar los resultados de AHT a diferentes temperaturas y con diferentes radiaciones solares, las Figs. 19a,b y 17a,b proporcionan las curvas I–V y P–V correspondientes para el módulo fotovoltaico KC200GT. Con variaciones de temperatura a un nivel de irradiancia de 1000 W/m2, como se muestra en la Fig. 19a,b, la AHT propuesta deriva una coincidencia significativa entre las grabaciones simuladas y experimentales. Se obtienen resultados similares con variaciones de irradiancia a una temperatura de 25 °C, como se muestra en la Fig. 20a,b. Ambas cifras indican la alta validación de la AHT propuesta a diferentes temperaturas y radiaciones solares.

Principales características del módulo fotovoltaico KC200GT con variaciones de temperatura a 1000 W/m2 de irradiancia.

Características principales del módulo fotovoltaico KC200GT con variaciones de irradiancia a una temperatura de 25 °C.

Para este escenario, se realizan los AHT, AVO, TSO y TLSBO propuestos y los parámetros correspondientes de SDM y DDM se muestran en la Tabla 9. Además, las características de convergencia del AHT en comparación con AVO, TLSBO y TSO para este escenario. están desarrollados para SDM y DDM como se ilustra en la Fig. 21a,b. Como se muestra, para SDM, la AHT propuesta podría alcanzar el valor MAE más bajo de 2,79E−2, mientras que AVO, TSO y TLSBO alcanzan los valores más bajos posibles de 3,39E−2, 3,14E−2 y 3,88E−2, respectivamente. . Para el DDM, el AHT podría alcanzar el valor MAE más bajo de 1,70E−2, mientras que AVO, TSO y TLSBO alcanzan los valores más bajos posibles de 2,11E−2, 3,37E−2 y 1,97E−2, en consecuencia. Con base en estos hallazgos, la AHT propuesta declara un porcentaje de mejora de 17,75 %, 11,30 % y 28,15 % con base en el SDM y 19,24 %, 49,59 % y 13,55 % con base en el DDM en comparación con AVO, TSO y TLSBO, respectivamente.

Características de convergencia de los algoritmos comparados para los dos modelos de KC200GT (Escenario 2).

Además, la Fig. 22 muestra el gráfico de Whisker de AHT en comparación con AVO, TLSBO y TSO para este escenario.

Gráfico de Whisker del AHT en comparación con AVO, TLSBO y TSO con los dos modelos de KC200GT (Escenario 2).

Como se muestra, para SDM, AHT deriva la desviación mínima, media, máxima y estándar mínima relacionada con el MAE de 0,0279, 0,0488, 0,0589 y 0,0092, respectivamente. Por otro lado, AVO, TLSBO y TSO obtienen mayores desviaciones estándar de 0.0183, 0.0133 y 0.0136, respectivamente. De igual forma, para el DDM, la AHT propuesta muestra el mejor desempeño con los valores mínimo, medio y máximo de MAE de 0.017, 0.0349 y 0.0647, respectivamente.

Para ambos modelos en este escenario, la Fig. 23a,b describe los errores absolutos experimentales en la corriente producida para AHT, AVO, TLSBO y TSO, respectivamente. Como se muestra, el AHT propuesto deriva una capacidad superior con una mejor distribución de errores en comparación con los demás. Para el SDM, los errores que utilizan la AHT propuesta van desde 0.0026 en la lectura no. 3 a 0.0279 en la lectura no. 12. Por tanto, la diferencia relativa entre los dos límites obtenidos es 0,0253. De manera similar, la diferencia calculada entre los dos límites obtenidos usando AVO, TLSBO y TSO son 0.0333, 0.0313 y 0.0388, respectivamente. Estas diferencias demuestran la alta capacidad de la AHT propuesta para lograr la mejor distribución de los errores en el transcurso de las grabaciones experimentales.

Errores absolutos en la corriente producida por los optimizadores comparados del módulo fotovoltaico KC200GT (Escenario 2).

Para el DDM, los errores que utilizan el AHT propuesto van desde 4.18E−5 en la lectura no. 3 a 0.01701 en la lectura no. 6. La diferencia relativa entre los dos límites obtenidos es 0,001697. De manera similar, la diferencia calculada entre los dos límites obtenidos usando AVO, TLSBO y TSO son 0.01963, 0.03101 y 0.01874, respectivamente. Estas diferencias demuestran la alta capacidad de la AHT propuesta para lograr la mejor distribución de los errores en el transcurso de las grabaciones experimentales.

La Tabla 10 describe las cinco y siete-nueve variables de SDM y DDM, respectivamente, que se obtuvieron utilizando el AHT considerando ambos escenarios 1 y 2. De acuerdo con la Tabla 10, para el primer escenario, el enfoque AHT determina que 2.42507 mA es el óptimo valor de adaptación tanto para SDM como para DDM. El RMSE mínimo asociado con los parámetros de cada modelo se muestra en esta tabla. El AHT sugerido demuestra una fuerte estabilidad y una gran eficiencia de búsqueda que los algoritmos informados anteriormente, de acuerdo con la evaluación estadística de las tres métricas (Mejor, Promedio, Peor) presentadas en la Tabla 10. Los resultados de las treinta ejecuciones demuestran la resiliencia superior del AHT sugerido sobre otros como relacionado con la comparación de la AHT propuesta y otros enfoques descritos recientemente se ha presentado en la Tabla 11, que son SNS72, FBI44, SA49, ISCE53, ImCSA52, HFAPS69, SMA15, CGBO73, PSO64 y RAO Optimizer13 para el SDM. La evaluación comparativa se lleva a cabo considerando el DDM versus diferentes estados del arte informados, como SNS72, FBI44, PSO74, LAPO75, PSO64, MPA73 y CGBO73. Además, la Fig. 24 ilustra las propiedades de convergencia del AHT que demuestra cómo el AHT sugerido muestra un alto rendimiento tanto para SDM como para DDM. Adicionalmente, la Fig. 25a–d exhibe los valores proyectados y medidos para las potencias y corrientes en cada punto del SDM y DDM de este módulo, caracterizando la similitud entre los valores anticipados y medidos al estimar los datos con el AHT propuesto.

Patrones de convergencia de AHT con SDM y DDM para el módulo fotovoltaico policristalino PWP 201 (Escenario 1).

Curvas I–V y P–V de resultados experimentales y simulados para el módulo fotovoltaico PWP 201 (Escenario 1).

Para este escenario, se realiza el AHT propuesto y los parámetros correspondientes de SDM y DDM se indican previamente en la Tabla 10. Para ambos modelos y escenarios, la Fig. 26a,b muestra los errores absolutos experimentales en la corriente producida utilizando el AHT propuesto. Para el SDM, en el primer escenario, los errores usando el AHT propuesto van desde 9.21E−5 a 4.43E−3 con respecto a la diferencia entre los dos límites obtenidos de 4.34E−3. Para el mismo modelo, los errores usando el AHT propuesto van desde 4.40E−5 a 3.66E−3 con respecto a la diferencia entre los dos límites obtenidos de 3.62E−3 considerando el segundo escenario. En base a eso, la utilización del objetivo de minimización de MAE en el Escenario 2 muestra una mejor distribución de errores con una mejora del 16,67 % sobre el objetivo de minimización de RMSE en el Escenario 1 a través de la AHT propuesta. Se obtienen hallazgos similares considerando el SDM. La utilización del objetivo de minimización de MAE en el Escenario 2 muestra una mejor distribución de errores con una mejora del 15,15 % sobre el objetivo de minimización de RMSE en el Escenario 1 a través de la AHT propuesta. En el primer escenario, los errores que utilizan la AHT propuesta oscilan entre 9,22E−5 y 4,43E−3 con una diferencia relativa entre los dos límites obtenidos de 4,34E−3. Para el mismo modelo, los errores usando el AHT propuesto van desde 2.9E−5 a 3.71–3 con una diferencia relativa entre los dos límites obtenidos de 3.68E−3 considerando el segundo escenario.

Errores absolutos en la corriente producida por el AHT para ambos escenarios del módulo fotovoltaico PWP 201.

Además, se realiza una evaluación comparativa entre las propuestas AHT, AVO, TSO y TLSBO considerando este escenario. Los parámetros relacionados de SDM y DDM se representan en la Tabla 12, mientras que sus características de convergencia se desarrollan para SDM y DDM como se ilustra en la Fig. 27a,b. Como se muestra, la AHT propuesta podría lograr el valor MAE más bajo de 3.66E−3 y 3.71E−3, para SDM y DDM, respectivamente.

Características de convergencia de los algoritmos comparados para los dos modelos de PWP 201 (Escenario 2).

Además, la Fig. 28 muestra el gráfico de Whisker de AHT en comparación con AVO, TLSBO y TSO para este escenario. Como se muestra, el AHT muestra el mejor rendimiento en comparación con los demás. La AHT propuesta deriva el mínimo, la media y el máximo mínimos relacionados con el MAE de 0,00366, 0,00451 y 0,00628 para el SDM y 0,00371, 0,005696 y 0,01286 para el DDM, respectivamente.

Gráfico de Whisker del AHT en comparación con AVO, TLSBO y TSO con los dos modelos de PWP 201 (Escenario 2).

Este estudio ha presentado una aplicación novedosa de una técnica de colibrí artificial (AHT) para extraer los parámetros desconocidos de los modelos fotovoltaicos SDM y DDM de STM6-40/36 monocristalino y KC200GT multicristalino. El rendimiento de la AHT propuesta se evalúa mediante índices estáticos denominados curvas Min RMSE, Max RMSE, Mean RMSE, desviación estándar, IAE, PAE, P–V e I–V. Los resultados anteriores de AHT para determinar parámetros precisos de varios modelos fotovoltaicos ilustran que AHT produce un resultado final competitivo frente a otros algoritmos desarrollados recientemente. Los parámetros del módulo fotovoltaico se extraen utilizando el AHT en este artículo. Para estimar los parámetros del módulo fotovoltaico, el enfoque propuesto utiliza datos experimentales extraídos de la curva de potencia-voltaje (P-V). En una etapa final de este esfuerzo, se ha examinado la foto WATT-PWP 201. En resumen, se han investigado tres módulos fotovoltaicos distintos, que se utilizan ampliamente en la literatura, a saber, STM6-40/36, KC200GT y Photo WATT-PWP 201, para validar el AHT propuesto. Para todos los módulos fotovoltaicos, el AHT propuesto exhibe el RMSE más bajo. El rendimiento del AHT también se prueba utilizando datos estadísticos en un total de 30 ejecuciones independientes. Con base en los resultados experimentales, se puede anunciar que el AHT supera todos los optimizadores de última generación seleccionados para los casos de prueba informados.

Los datos que respaldan los hallazgos de este estudio están disponibles del autor correspondiente a pedido razonable.

El-Ela, A. et al. Interfaz de micro-red de energía renovable: problemas económicos y ambientales. Electrónica https://doi.org/10.3390/electronics11050815 (2022).

Artículo Google Académico

Feng, X. et al. Un enfoque simple de estimación de parámetros para el modelado de módulos fotovoltaicos basado en valores de hojas de datos. J. Sol. Ing. Energía Trans. ASME 138(5), 1–8. https://doi.org/10.1115/1.4034357 (2016).

Artículo Google Académico

Luu, TV & Nguyen, NS Extracción de parámetros de celdas solares utilizando el algoritmo JAYA modificado. Optik (Stuttg) 203, 164034. https://doi.org/10.1016/J.IJLEO.2019.164034 (2020).

Artículo ADS CAS Google Académico

Lin, P., Cheng, S., Yeh, W., Chen, Z. y Wu, L. Extracción de parámetros de modelos de células solares mediante un algoritmo de optimización de enjambre simplificado modificado. Sol. Energía 144, 594–603. https://doi.org/10.1016/j.solener.2017.01.064 (2017).

Artículo ANUNCIOS Google Académico

Louzazni, M., Khouya, A., Al-Dahidi, S., Mussetta, M. y Amechnoue, K. Optimización analítica de la producción fotovoltaica con el método del multiplicador de Lagrange. Optik 199, 163379. https://doi.org/10.1016/j.ijleo.2019.163379 (2019).

Artículo ANUNCIOS Google Académico

Cubas, J., Pindado, S. & Victoria, M. Sobre el enfoque analítico para modelar el comportamiento de sistemas fotovoltaicos. J. Fuentes de energía 247, 467–474. https://doi.org/10.1016/J.JPOWSOUR.2013.09.008 (2014).

Artículo ADS CAS Google Académico

Toledo, FJ & Blanes, JM Método analítico y cuasi-explícito de cuatro puntos arbitrarios para la extracción de parámetros del modelo de diodo único de células solares. Renovar. Energía 92, 346–356. https://doi.org/10.1016/J.RENENE.2016.02.012 (2016).

Artículo Google Académico

Gnetchejo, PJ, Ndjakomo Essiane, S., Dadjé, A. & Ele, P. Una combinación del método de Newton-Raphson y algoritmos heurísticos para la estimación de parámetros en módulos fotovoltaicos. Heliyon 7(4), e06673. https://doi.org/10.1016/J.HELIYON.2021.E06673 (2021).

Artículo PubMed PubMed Central Google Académico

Jain, A. & Kapoor, A. Soluciones analíticas exactas de los parámetros de células solares reales utilizando la función W de Lambert. Sol. Materia Energética. Sol. Celdas 81(2), 269–277. https://doi.org/10.1016/j.solmat.2003.11.018 (2004).

Artículo CAS Google Académico

Hao, Q., Zhou, Z., Wei, Z. & Chen, G. Identificación de parámetros de modelos fotovoltaicos utilizando una evolución diferencial adaptativa basada en el historial de éxito de múltiples estrategias. Acceso IEEE 8, 35979–35994. https://doi.org/10.1109/ACCESS.2020.2975078 (2020).

Artículo Google Académico

Liao, Z., Gu, Q., Li, S., Hu, Z. y Ning, B. Una evolución diferencial mejorada para extraer los parámetros de las células fotovoltaicas. Acceso IEEE 8, 177838–177850. https://doi.org/10.1109/ACCESS.2020.3024975 (2020).

Artículo Google Académico

Canción, Y. et al. MPPCEDE: Evolución diferencial coevolutiva paralela multipoblacional para optimización de parámetros. Convertidores de energía. Administrar 228, 113661. https://doi.org/10.1016/J.ENCONMAN.2020.113661 (2021).

Artículo Google Académico

Premkumar, M., Babu, TS, Umashankar, S. & Sowmya, R. Nuevos algoritmos sin metáforas para la estimación de parámetros de células fotovoltaicas. Optik (Stuttg) 208 (marzo), 164559. https://doi.org/10.1016/j.ijleo.2020.164559 (2020).

Artículo ADS CAS Google Académico

Ginidi, A. et al. Optimizador de tropas Gorilla para modelos de sistemas solares fotovoltaicos basados ​​en electricidad de uno o dos diodos. Sostenibilidad 13, 9459. https://doi.org/10.3390/su13169459 (2021).

Artículo Google Académico

Kumar, C., Raj, TD, Premkumar, M. & Raj, TD Un nuevo algoritmo estocástico de optimización de molde de limo para la estimación de parámetros de células solares fotovoltaicas. Optik (Stuttg) 223 (agosto), 165277. https://doi.org/10.1016/j.ijleo.2020.165277 (2020).

Artículo ADS CAS Google Académico

Wu, Z. & Shen, D. Identificación de parámetros del modelo de celda fotovoltaica basado en un algoritmo mejorado de optimización de saltamontes. Optik (Stuttg) 247, 167979. https://doi.org/10.1016/J.IJLEO.2021.167979 (2021).

Artículo ADS CAS Google Académico

Liu, Y. et al. Cruce horizontal y vertical del optimizador Harris hawk con Nelder-Mead simplex para la estimación de parámetros de modelos fotovoltaicos. Convertidores de energía. Administrar 223, 113211. https://doi.org/10.1016/J.ENCONMAN.2020.113211 (2020).

Artículo Google Académico

Jian, X. & Weng, Z. Un algoritmo JAYA caótico logístico para la identificación de parámetros de modelos de módulos y células fotovoltaicas. Optik (Stuttg) https://doi.org/10.1016/j.ijleo.2019.164041 (2020).

Artículo Google Académico

Wang, L. & Huang, C. Un nuevo algoritmo de Jaya basado en oposición de élite para la estimación de parámetros de modelos de células fotovoltaicas. Optik (Stuttg) 155, 351–356. https://doi.org/10.1016/J.IJLEO.2017.10.081 (2018).

Artículo ANUNCIOS Google Académico

Li, S., Gong, W., Wang, L., Yan, X. y Hu, C. Una optimización híbrida basada en la enseñanza y el aprendizaje adaptativo y una evolución diferencial para la identificación de parámetros de modelos fotovoltaicos. Convertidores de energía. Administrar 225, 113474. https://doi.org/10.1016/J.ENCONMAN.2020.113474 (2020).

Artículo Google Académico

Ahmadianfar, I. et al. Optimización basada en gradientes con mecanismos de clasificación para la identificación de parámetros de sistemas fotovoltaicos. Informe de energía 7, 3979–3997. https://doi.org/10.1016/J.EGYR.2021.06.064 (2021).

Artículo Google Académico

Reddy, SS & Yammani, C. Un método novedoso de dos pasos para extraer los parámetros del modelo de diodo único del módulo fotovoltaico utilizando datos experimentales de potencia-voltaje. Optik (Stuttg) 248, 167977. https://doi.org/10.1016/J.IJLEO.2021.167977 (2021).

Artículo ANUNCIOS Google Académico

Yu, K., Liang, JJ, Qu, BY, Cheng, Z. & Wang, H. Algoritmo de búsqueda de seguimiento de aprendizaje múltiple para estimar parámetros de modelos fotovoltaicos. aplicación Energía 226, 408–422. https://doi.org/10.1016/j.apenergy.2018.06.010 (2018).

Artículo Google Académico

Fathy, A. & Rezk, H. Estimación de parámetros del sistema fotovoltaico utilizando el algoritmo competitivo imperialista. Renovar. Energía https://doi.org/10.1016/j.renene.2017.04.014 (2017).

Artículo Google Académico

Li, S. et al. Extracción de parámetros de modelos fotovoltaicos mediante una optimización mejorada basada en la enseñanza-aprendizaje. Convertidores de energía. Administrar 186, 293–305. https://doi.org/10.1016/j.enconman.2019.02.048 (2019).

Artículo Google Académico

Xavier, FJ, Pradeep, A., Premkumar, M. & Kumar, C. Optimizador de lobo gris basado en aprendizaje ortogonal para identificar los parámetros inciertos de varios modelos fotovoltaicos. Optik (Stuttg) https://doi.org/10.1016/j.ijleo.2021.167973 (2021).

Artículo Google Académico

Fathy, A., Elaziz, MA, Sayed, ET, Olabi, AG y Rezk, H. Identificación de parámetros óptimos del panel fotovoltaico de triple unión basado en un algoritmo mejorado de búsqueda de polillas. Energía https://doi.org/10.1016/j.energy.2019.116025 (2019).

Artículo Google Académico

Rezk, H. & Fathy, A. Una nueva identificación de parámetros óptimos de células solares de triple unión basada en un algoritmo de ciclo de agua metaheurístico reciente. Sol. Energía https://doi.org/10.1016/j.solener.2017.08.084 (2017).

Artículo Google Académico

Houssein, EH, Nassef, AM, Fathy, A., Mahdy, MA y Rezk, H. Algoritmo de optimización de búsqueda y rescate modificado para identificar los parámetros óptimos del módulo/célula solar de triple unión de alta eficiencia. En t. J. Energía Res. 46(10), 13961–13985 (2022).

Artículo Google Académico

Wolpert, DH & Macready, WG No hay teoremas de almuerzo gratis para la optimización. Trans. IEEE. Evol. computar https://doi.org/10.1109/4235.585893 (1997).

Artículo Google Académico

Zhao, W., Wang, L. y Mirjalili, S. Algoritmo de colibrí artificial: un nuevo optimizador bioinspirado con sus aplicaciones de ingeniería. computar Aplicación de métodos mecánico Ing. 388, 114194. https://doi.org/10.1016/J.CMA.2021.114194 (2022).

Artículo ADS MathSciNet MATH Google Scholar

Xie, L. et al. Optimización de enjambre de atún: un nuevo algoritmo metaheurístico basado en enjambre para la optimización global. computar Intel. Neurosci. https://doi.org/10.1155/2021/9210050 (2021).

Artículo PubMed PubMed Central Google Académico

Abdollahzadeh, B., Gharehchopogh, FS & Mirjalili, S. Algoritmo de optimización de buitres africanos: un nuevo algoritmo metaheurístico inspirado en la naturaleza para problemas de optimización global. computar Ing. Ind. https://doi.org/10.1016/j.cie.2021.107408 (2021).

Artículo Google Académico

Rao, RV, Savsani, VJ y Vakharia, DP Optimización basada en la enseñanza y el aprendizaje: un método novedoso para problemas de optimización de diseño mecánico con restricciones. computar Des. 43(3), 303–315. https://doi.org/10.1016/j.cad.2010.12.015 (2011).

Artículo Google Académico

Easwarakhanthan, T., Bottin, J., Bouhouch, I. y Boutrit, C. Algoritmo de minimización no lineal para determinar los parámetros de las células solares con microcomputadoras. En t. J. Sol. Energía 4(1), 1–12. https://doi.org/10.1080/01425918608909835 (1986).

Artículo CAS Google Académico

Xiong, G. et al. Extracción de parámetros de modelos solares fotovoltaicos mediante evolución diferencial híbrida con algoritmo de optimización de ballena. Sol. Energía https://doi.org/10.1016/j.solener.2018.10.050 (2018).

Artículo Google Académico

Chin, VJ, Salam, Z. & Ishaque, K. Modelado celular y técnicas de estimación de parámetros del modelo para la aplicación de simuladores fotovoltaicos: una revisión. aplicación Energía 154, 500–519. https://doi.org/10.1016/j.apenergy.2015.05.035 (2015).

Artículo Google Académico

Alrahim Shannan, NMA, Yahaya, NZ y Singh, B. Modelo de diodo único y modelo de dos diodos de módulos fotovoltaicos: una comparación, en Proceedings of the 2013 IEEE Int. Conf. Sistema de control computar Ing. ICCSCE 2013, 210–214, 2013. https://doi.org/10.1109/ICCSCE.2013.6719960.

Ortiz-Conde, A., Lugo-Muñoz, D. & García-Sánchez, FJ Un modelo multiexponencial explícito como alternativa a los modelos tradicionales de células solares con resistencias en serie y shunt. IEEE J. Fotovoltaica 2(3), 261–268. https://doi.org/10.1109/JPHOTOV.2012.2190265 (2012).

Artículo Google Académico

Chin, VJ & Salam, Z. Coyote algoritmo de optimización para la extracción de parámetros de células fotovoltaicas. Sol. Energía 194, 656–670. https://doi.org/10.1016/j.solener.2019.10.093 (2019).

Artículo ANUNCIOS Google Académico

Hamida, MA, El-Sehiemy, RA, Ginidi, AR, Elattar, E. y Shaheen, AM Identificación de parámetros y estimación del estado de carga de baterías de iones de litio utilizadas en vehículos eléctricos utilizando un optimizador de colibrí artificial. J. Almacenamiento de energía 51, 104535. https://doi.org/10.1016/J.EST.2022.104535 (2022).

Artículo Google Académico

Tong, NT & Pora, W. Una técnica de extracción de parámetros que explota las propiedades intrínsecas de las células solares. aplicación Energía 176, 104–115. https://doi.org/10.1016/j.apenergy.2016.05.064 (2016).

Artículo Google Académico

Sarhan, S., Shaheen, A., El-Sehiemy, R. & Gafar, M. Un algoritmo basado en el estudio de enseñanza-aprendizaje de objetivos múltiples para el envío a gran escala de energía eléctrica y térmica combinadas. Matemáticas. 10(13), 2278. https://doi.org/10.3390/math10132278 (2022).

Artículo Google Académico

Shaheen, AM, Ginidi, AR, El-Sehiemy, RA & Ghoneim, SSM Un algoritmo de investigación forense para la extracción de parámetros de modelos de células solares. Acceso IEEE 9, 1–20. https://doi.org/10.1109/ACCESO.2020.3046536 (2021).

Artículo Google Académico

Shaheen, AM et al. Un novedoso algoritmo mejorado de depredadores marinos para el problema de despacho económico combinado de calor y energía. Alex. Ing. J. https://doi.org/10.1016/J.AEJ.2021.07.001 (2021).

Artículo Google Académico

Shaheen, AM, Elsayed, AM, Ginidi, AR, El-Sehiemy, RA y Elattar, EE Optimizador basado en montón mejorado para la asignación de DG en sistemas de distribución de alimentación radial reconfigurados. Sistema IEEE J. https://doi.org/10.1109/JSYST.2021.3136778 (2022).

Artículo Google Académico

Ginidi, AR, Elsayed, AM, Shaheen, AM, Elattar, EE y El-Sehiemy, RA Un novedoso optimizador basado en montones para programar el despacho económico combinado de calor y energía a gran escala. Acceso IEEE 9, 83695–83708. https://doi.org/10.1109/ACCESS.2021.3087449 (2021).

Artículo Google Académico

Shaheen, AM, El-Sehiemy, RA, Ginidi, AR, Ghoneim, SSM & Alharthi, MM Optimizador de búsqueda de medusas multiobjetivo para la operación eficiente del sistema de energía basado en un marco OPF multidimensional. Energía https://doi.org/10.1016/J.ENERGY.2021.121478 (2021).

Artículo Google Académico

Ben Messaoud, R. Extracción de parámetros inciertos de un modelo de diodo único para un panel fotovoltaico utilizando la optimización del procedimiento de fijación de rayos. J. Cómputo. Electrón. https://doi.org/10.1007/s10825-020-01500-x (2020).

Artículo Google Académico

Chin, VJ & Salam, Z. Un nuevo enfoque basado en tres puntos para la extracción de parámetros de células fotovoltaicas. aplicación Energía 237, 519–533. https://doi.org/10.1016/j.apenergy.2019.01.009 (2019).

Artículo CAS Google Académico

Chen, X. & Yu, K. Hibridación del algoritmo de búsqueda de cuco con optimización basada en biogeografía para estimar los parámetros del modelo fotovoltaico. Sol. Energía 180, 192–206. https://doi.org/10.1016/j.solener.2019.01.025 (2019).

Artículo ANUNCIOS Google Académico

Kang, T., Yao, J., Jin, M., Yang, S. y Duong, T. Un nuevo algoritmo de búsqueda de cuco mejorado para la estimación de parámetros de modelos fotovoltaicos (PV). Energías https://doi.org/10.3390/en11051060 (2018).

Artículo Google Académico

Gao, X. et al. Extracción de parámetros de modelos de celdas solares utilizando un algoritmo mejorado de evolución compleja barajada. Convertidores de energía. Administrar 157, 460–479. https://doi.org/10.1016/j.enconman.2017.12.033 (2018).

Artículo Google Académico

Lekouaghet, B., Boukabou, A. & Boubakir, C. Estimación de los parámetros de módulos/células fotovoltaicas utilizando una técnica mejorada de optimización caótica basada en Rao. Convertidores de energía. Administrar 229 (noviembre de 2020), 113722. https://doi.org/10.1016/j.enconman.2020.113722 (2021).

Artículo Google Académico

Rezaee Jordehi, A. Optimización de enjambre de partículas líder mejorada (ELPSO): un algoritmo eficiente para la estimación de parámetros de células y módulos fotovoltaicos (PV). Sol. Energía 159, 78–87. https://doi.org/10.1016/j.solener.2017.10.063 (2018).

Artículo ADS CAS Google Académico

Yousri, D., Thanikanti, SB, Allam, D., Ramachandaramurthy, VK y Eteiba, MB Optimizador de enjambre de partículas de conjunto caótico fraccional para identificar los parámetros de los modelos fotovoltaicos de diodo simple, doble y triple. Energía https://doi.org/10.1016/j.energy.2020.116979 (2020).

Artículo Google Académico

Deotti, LMP, Pereira, JLR & da Silva Júnior, IC Extracción de parámetros de modelos fotovoltaicos utilizando un algoritmo mejorado de murciélago de vuelo de Lévy. Convertidores de energía. Administrar 221 (febrero), 113114. https://doi.org/10.1016/j.enconman.2020.113114 (2020).

Artículo Google Académico

Ginidi, AR, Shaheen, AM, El-Sehiemy, RA & Elattar, E. Algoritmo de optimización de la demanda de suministro para la extracción de parámetros de varios modelos de celdas solares. Informe de energía 7, 5772–5794. https://doi.org/10.1016/J.EGYR.2021.08.188 (2021).

Artículo Google Académico

Rezk, H. & Abdelkareem, MA Identificación de parámetros óptimos del modelo de triple diodo para paneles y células solares fotovoltaicos. Representante de Energía https://doi.org/10.1016/j.egyr.2021.11.179 (2022).

Artículo Google Académico

Elshahed, M. et al. Una innovadora optimización basada en cazadores y presas para modelos de sistemas solares fotovoltaicos de diodo simple, doble y triple basados ​​en electricidad. Matemáticas 10(23), 4625. https://doi.org/10.3390/math10234625 (2022).

Artículo Google Académico

Oliva, D., Abd El Aziz, M. & Ella Hassanien, A. Estimación de parámetros de células fotovoltaicas utilizando un algoritmo mejorado de optimización de ballenas caóticas. aplicación Energía https://doi.org/10.1016/j.apenergy.2017.05.029 (2017).

Artículo Google Académico

Akbari, E., Ghasemi, M., Gil, M., Rahimnejad, A. y AndrewGadsden, S. Flujo de potencia óptimo a través del algoritmo de optimización basado en la enseñanza-aprendizaje-estudio. eléctrico componente de potencia sist. https://doi.org/10.1080/15325008.2021.1971331 (2021).

Artículo Google Académico

Liang, J. et al. Algoritmo de optimización de enjambre de partículas basado en mutación de perturbación clasificada para la extracción de parámetros de modelos fotovoltaicos. Convertidores de energía. Administrar 203 (junio de 2019), 112138. https://doi.org/10.1016/j.enconman.2019.112138 (2020).

Artículo ANUNCIOS Google Académico

Khanna, V., Das, BK, Bisht Vandana, D. & Singh, PK Un modelo de tres diodos para celdas solares industriales y estimación de parámetros de celdas solares usando el algoritmo PSO. Renovar. Energía 78, 105–113. https://doi.org/10.1016/j.renene.2014.12.072 (2015).

Artículo Google Académico

Sulaiman, MH, Mustaffa, Z., Saari, MM y Daniyal, H. Barnacles Mating Optimizer: un nuevo algoritmo bioinspirado para resolver problemas de optimización de ingeniería. Ing. aplicación Artefacto Intel. https://doi.org/10.1016/j.engappai.2019.103330 (2020).

Artículo Google Académico

Rizk-Allah, RM & El-Fergany, AA Algoritmo de apareamiento de percebes laplacianos basado en un esquema de vecindad consciente para la optimización de parámetros de modelos fotovoltaicos de diodo simple y doble. Convertidores de energía. Administrar 226 (junio), 113522. https://doi.org/10.1016/j.enconman.2020.113522 (2020).

Artículo Google Académico

Yu, K. et al. Un algoritmo JAYA guiado por rendimiento para la identificación de parámetros de células y módulos fotovoltaicos. aplicación Energía 237, 241–257. https://doi.org/10.1016/j.apenergy.2019.01.008 (2019).

Artículo Google Académico

Ebrahimi, SM, Salahshour, E., Malekzadeh, M. & Gordillo, F. Identificación de parámetros de células y módulos solares fotovoltaicos utilizando un algoritmo de optimización de enjambre de partículas flexible. Energía 179, 358–372. https://doi.org/10.1016/j.energy.2019.04.218 (2019).

Artículo CAS Google Académico

Beigi, AM & Maroosi, A. Identificación de parámetros para celdas y módulos solares utilizando algoritmos de búsqueda de patrón y luciérnaga híbrida. Sol. Energía 171, 435–446. https://doi.org/10.1016/j.solener.2018.06.092 (2018).

Artículo ANUNCIOS Google Académico

Chen, H., Jiao, S., Wang, M., Heidari, AA y Zhao, X. Identificación de parámetros de células y módulos fotovoltaicos mediante optimización de halcones de Harris enriquecida con diversificación con derivas caóticas. J. Limpio. Pinchar. 244, 118778. https://doi.org/10.1016/j.jclepro.2019.118778 (2020).

Artículo Google Académico

Ali, EE, El-Hameed, MA, El-Fergany, AA y El-Arini, MM Extracción de parámetros de unidades generadoras fotovoltaicas utilizando un optimizador multiverso. Sostener. Tecnología energética. Evaluaciones 17, 68–76. https://doi.org/10.1016/j.seta.2016.08.004 (2016).

Artículo Google Académico

Shaheen, AM, Elsayed, AM, Ginidi, AR, El-Sehiemy, RA & Elattar, E. Algoritmo de búsqueda de redes sociales mejorado con una poderosa estrategia de explotación para la estimación de parámetros PV. Ciencias de la Energía Ing. 10(4), 1398–1417. https://doi.org/10.1002/ese3.1109 (2022).

Artículo Google Académico

Montoya, OD, Gil-Gonzalez, W. & Grisales-Norea, LF Algoritmo seno-coseno para la estimación de parámetros en celdas solares utilizando información de fichas técnicas. J. física. Conf Ser. https://doi.org/10.1088/1742-6596/1671/1/012008 (2020).

Artículo Google Académico

Jordehi, AR Optimización de enjambre de partículas con coeficientes de aceleración variables en el tiempo (TVACPSO): un nuevo algoritmo de optimización para estimar parámetros de células y módulos fotovoltaicos. Convertidores de energía. Administrar 129, 262–274. https://doi.org/10.1016/j.enconman.2016.09.085 (2016).

Artículo Google Académico

Nematollahi, AF, Rahiminejad, A. y Vahidi, B. Un nuevo método de optimización metaheurística basado en la física conocido como Optimización del procedimiento de conexión de rayos. aplicación Cómputo suave. J. 59, 596–621. https://doi.org/10.1016/j.asoc.2017.06.033 (2017).

Artículo Google Académico

Descargar referencias

Financiamiento de acceso abierto proporcionado por The Science, Technology & Innovation Funding Authority (STDF) en cooperación con The Egyptian Knowledge Bank (EKB).

Departamento de Ingeniería Eléctrica, Facultad de Ingeniería, Universidad de Kafrelsheikh, Kafrelsheikh, 33516, Egipto

Ragab El-Sehiemy

Departamento de Ingeniería Eléctrica, Facultad de Ingeniería, Universidad de Suez, Suez, 43533, Egipto

Abdullah Shaheen y Ahmed Ginidi

Departamento de Máquinas y Energía Eléctrica, Facultad de Ingeniería, Universidad de Zagazig, Zagazig, 44519, Egipto

Attia El Fergany

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

Los autores contribuyeron a cada parte de este documento por igual. Los autores leyeron y aprobaron el manuscrito final.

Correspondencia con Attia El-Fergany.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

El-Sehiemy, R., Shaheen, A., El-Fergany, A. et al. Extracción de parámetros eléctricos de módulos fotovoltaicos mediante optimizador colibrí artificial. Informe científico 13, 9240 (2023). https://doi.org/10.1038/s41598-023-36284-0

Descargar cita

Recibido: 19 mayo 2022

Aceptado: 31 de mayo de 2023

Publicado: 07 junio 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.