Un optimizador de gacela de montaña metaheurístico preciso para la estimación de parámetros de modelos de celdas fotovoltaicas de una y dos diodos
Autores: Abbassi, Rabeh; Saidi, Salem; Urooj, Shabana; Alhasnawi, Bilal Naji; Alawad, Mohamad A.; Premkumar, Manoharan
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un optimizador de gacela de montaña metaheurístico preciso para la estimación de parámetros de modelos de celdas fotovoltaicas de una y dos diodos
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Estimación de parámetros
Celdas/módulos fotovoltaicos
Optimizador de Gacelas de Montaña (MGO)
Algoritmos
Modelo de Diodo Único (SDM)
Modelo de Doble Diodo (DDM)
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 31
Citaciones: Sin citaciones
La estimación precisa de parámetros es crucial y desafiante para el diseño y modelado de células/módulos fotovoltaicos. Sin embargo, el alto grado de no linealidad de la característica típica I-V complica aún más esta tarea. En consecuencia, se ha generado un gran interés de investigación en los últimos años. Actualmente, esta tendencia ha sido marcada por una notable aceleración, principalmente debido al auge de la inteligencia en enjambre y al rápido progreso de la tecnología informática. Este artículo propone un Optimizador de Gacela de Montaña (MGO) desarrollado para generar los mejores valores de los parámetros desconocidos de unidades de generación fotovoltaica. El MGO imita la vida social y jerarquía de las gacelas de montaña en la naturaleza. El MGO fue comparado con algoritmos recientes reconocidos, como el Optimizador de Lobo Gris (GWO), el Algoritmo de Búsqueda de Ardillas (SSA), el algoritmo de Evolución Diferencial (DE), el Optimizador de Colonia de Abejas Artificiales Murciélago (BABCO), el Algoritmo de Murciélago (BA), la Optimización de Enjambre de Partículas Líder Espiral Multigrupo (M-SLPSO), el algoritmo de Optimización de Enjambre de Partículas de Convergencia Garantizada (GCPSO), la Optimización de Enseñanza-Aprendizaje en Tres Fases (TPTLBO), el Optimizador Basado en Gradiente Simplex Nelder-Mead de Criss-Cross (CCNMGBO), el Algoritmo de Optimización de Ballenas con Aprendizaje Basado en Oposición Cuasi (OBLWOA) y el Optimizador de Enjambre de Partículas de Conjunto Caótico Fraccional (FC-EPSO). Los hallazgos experimentales y estudios estadísticos demostraron que el MGO superó a las técnicas competidoras en la identificación de los parámetros del Modelo de Diodo Único (SDM) y el Modelo de Diodo Doble (DDM) de los modelos fotovoltaicos Photowatt-PWP201 (poli cristalino) y STM6-40/36 (monocristalino). Los RMSEs del MGO en el SDM y el DDM de Photowatt-PWP201 y STM6-40/36 fueron 2.042717, 1.387641, 1.719946 y 1.686104, respectivamente. En general, los resultados identificados destacaron que el enfoque basado en MGO presentaba un tiempo de procesamiento rápido y una convergencia estable manteniendo un alto nivel de precisión en la solución alcanzada.
Descripción
La estimación precisa de parámetros es crucial y desafiante para el diseño y modelado de células/módulos fotovoltaicos. Sin embargo, el alto grado de no linealidad de la característica típica I-V complica aún más esta tarea. En consecuencia, se ha generado un gran interés de investigación en los últimos años. Actualmente, esta tendencia ha sido marcada por una notable aceleración, principalmente debido al auge de la inteligencia en enjambre y al rápido progreso de la tecnología informática. Este artículo propone un Optimizador de Gacela de Montaña (MGO) desarrollado para generar los mejores valores de los parámetros desconocidos de unidades de generación fotovoltaica. El MGO imita la vida social y jerarquía de las gacelas de montaña en la naturaleza. El MGO fue comparado con algoritmos recientes reconocidos, como el Optimizador de Lobo Gris (GWO), el Algoritmo de Búsqueda de Ardillas (SSA), el algoritmo de Evolución Diferencial (DE), el Optimizador de Colonia de Abejas Artificiales Murciélago (BABCO), el Algoritmo de Murciélago (BA), la Optimización de Enjambre de Partículas Líder Espiral Multigrupo (M-SLPSO), el algoritmo de Optimización de Enjambre de Partículas de Convergencia Garantizada (GCPSO), la Optimización de Enseñanza-Aprendizaje en Tres Fases (TPTLBO), el Optimizador Basado en Gradiente Simplex Nelder-Mead de Criss-Cross (CCNMGBO), el Algoritmo de Optimización de Ballenas con Aprendizaje Basado en Oposición Cuasi (OBLWOA) y el Optimizador de Enjambre de Partículas de Conjunto Caótico Fraccional (FC-EPSO). Los hallazgos experimentales y estudios estadísticos demostraron que el MGO superó a las técnicas competidoras en la identificación de los parámetros del Modelo de Diodo Único (SDM) y el Modelo de Diodo Doble (DDM) de los modelos fotovoltaicos Photowatt-PWP201 (poli cristalino) y STM6-40/36 (monocristalino). Los RMSEs del MGO en el SDM y el DDM de Photowatt-PWP201 y STM6-40/36 fueron 2.042717, 1.387641, 1.719946 y 1.686104, respectivamente. En general, los resultados identificados destacaron que el enfoque basado en MGO presentaba un tiempo de procesamiento rápido y una convergencia estable manteniendo un alto nivel de precisión en la solución alcanzada.