基于增强差异演变优化技术的光伏系统的最佳参数识别
Shubhranshu Mohan Parida1, Vivekananda Pattanaik1,2, Subhasis Panda1,3
1Department of Electrical Engineering, Siksha 'O' Anusandhan University, Bhubaneswar, Odisha, India.
准确的太阳能光伏 (PV) 模型参数识别对于性能评估至关重要. 一种带有特定阶段突变策略的增强差异演化 (EDE) 方法提高了光伏系统建模精度,优于其他算法.
科学领域:
- 可再生能源工程可再生能源工程
- 电气工程 电气工程
- 计算智能是一种计算智能.
背景情况:
- 精确的太阳能光伏 (PV) 模型参数识别对于可靠的模拟,性能评估和设计验证至关重要.
- 由于固有的非线性,复杂性和众多参数,光伏系统建模存在挑战.
- 提高光伏系统建模的准确性仍然是一个活跃的研究领域.
研究的目的:
- 为最佳太阳能光伏模型参数识别提出一个增强的差异演化 (EDE) 算法,具有特定阶段的突变策略.
- 通过适应性调整突变因子和交叉率来改善寻找最佳解决方案的过程.
- 为了验证各种光伏电池和模块的提议EDE方法的准确性和有效性.
主要方法:
- 制定最佳的光伏系统参数识别作为基于根平均平方误差 (RMSE) 的单一目标函数.
- 在差异进化算法中实施特定阶段的突变策略,适应性地改变突变因子和交叉率.
- 通过将模拟的I-V特征与不同光伏电池和模块的实验数据进行比较来验证确定参数.
主要成果:
- 拟议的EDE技术在RTC法国和PVM-752-GaAs光伏电池的参数识别中实现了最小的RMSE值,用于单,双和三重二极管模型.
- 法国RTC电池模型的RMSE值从7.419648e-4到7.730062e-4不等.
- 对于PVM-752-GaAs细胞模型的RMSE值在1.30181e-4到1.59256e-4之间.
- 与其他公认的光伏模块参数识别算法 (ND-R250A5,STM6 40/36,STP6 120/36) 相比,EDE方法的性能优越,其RMSE分别为7.697716e-3,1.772095e-3和1.224258e-2.
结论:
- 拟议的EDE技术具有特定阶段的突变策略,可显著提高太阳能光伏模型参数识别的准确性.
- 突变因子和交叉率的适应变化有助于更有效的搜索过程,从而导致最佳解决方案.
- 各种光伏电池和模块的验证结果证实了拟议的方法的准确性和有效性,为太阳能研究和开发提供了有价值的工具.
更多相关视频
09:00Indoor Experimental Assessment of the Efficiency and Irradiance Spot of the Achromatic Doublet on Glass ADG Fresnel Lens for Concentrating Photovoltaics
Published on: October 27, 2017
11:26Integrating a Triplet-triplet Annihilation Up-conversion System to Enhance Dye-sensitized Solar Cell Response to Sub-bandgap Light
Published on: September 12, 2014
相关概念视频
Maxwell-Boltzmann Distribution: Problem Solving
This distribution function f(v) is defined by saying that the expected number N (v1,v2) of particles with speeds between v1 and v2 is given by
Maximum Power Flow and Line Loadability
Maximum Power Transfer
By substituting the entire circuit with...
Fast Decoupled and DC Powerflow
Ampere-Maxwell's Law: Problem-Solving
To solve the problem, we can use the equations from the analysis of an RC circuit and Maxwell's version of Ampère's law.
For the first part of...
Differential Form of Maxwell's Equations
