一种混合突变的北方戈斯霍克和精英反对派学习的人工子优化器用于PEMFC参数估计
Pradeep Jangir1,2,3,4,5, Absalom E Ezugwu6, Kashif Saleem7
1University Centre for Research and Development, Chandigarh University, Gharuan, 140413, Mohali, India.
Scientific reports
|November 20, 2024
概括
本研究介绍了一种新的数学模型,用于优化使用先进的人工子优化算法 (MNEARO) 的质子交换膜燃料电池 (PEMFC). MNEARO在PEMFC参数估计的准确性和效率方面表现出卓越的表现.
科学领域:
- 电化学 电化学 电化学
- 计算建模 计算建模
- 优化算法 优化算法
背景情况:
- 准确的数学模型对于模拟,控制和优化质子交换膜燃料电池 (PEMFC) 是至关重要的.
- 现有的模型通常需要精确的参数估计,这可能是具有挑战性的.
- 经验和半经验方程与优化技术相结合,为参数估计提供了可行的方法.
研究的目的:
- 使用先进的优化技术开发和验证PEMFCs的新型数学模型.
- 通过最小化测量和估计的电流和电压值之间的平方误差 (SSE) 的和来估计未知的模型参数.
- 为了评估新的优化算法MNEARO的性能,与PEMFC建模的现有方法进行对比.
主要方法:
- 用经验式/半经验式方程为PEMFCs开发数学模型.
- 应用先进的人工子优化算法 (MNEARO) 进行参数估计和SSE最小化.
- 使用SSE,绝对误差 (AE) 和平均偏差误差 (MBE) 对MNEARO与其他优化算法 (ARO,TLBO,DE,SSA) 的比较分析.
主要成果:
- 与其他优化技术相比,MNEARO算法在计算成本和解决方案质量方面都表现出卓越的性能.
- 对六种商用PEMFC的实验证实了开发的模型和MNEARO算法的有效性.
- 基准问题测试进一步证实了MNEARO在其他元启发式方法上的优势.
结论:
- 拟议的MNEARO算法为PEMFCs的数学建模和优化提供了一种高效准确的方法.
- 由MNEARO优化开发的数学模型为各种商业PEMFC提供了可靠的参数估计.
- MNEARO代表了燃料电池技术的元启发性优化方面的重大进展.
