Treffer: Identification of photovoltaic module parameters by implementing a novel teaching learning based optimization with unique exemplar generation scheme (TLBO-UEGS)

L'évaluation des performances d'un système photovoltaïque (PV) repose fortement sur l'estimation précise des paramètres en fonction de ses relations courant-tension. Cependant, en raison de la complexité inhérente au modèle PV, l'obtention de ces paramètres avec précision et efficacité est une tâche difficile. Dans cette étude, une nouvelle variante connue sous le nom d'optimisation basée sur l'apprentissage de l'enseignement avec des schémas de génération d'exemples uniques (TLBO-UEGS) est proposée pour résoudre les problèmes d'estimation des paramètres du module PV avec robustesse et efficacité. Pour améliorer les performances de TLBO-UEGS, un schéma d'initialisation modifié qui tire parti des forces des cartes chaotiques et de l'apprentissage dynamique basé sur l'opposition est introduit. Ce schéma assure la génération d'une population initiale avec une qualité de solution améliorée. De plus, la phase d'enseignant modifié et la phase d'apprenant modifié sont intégrées dans le cadre d'optimisation TLBO-UEGS. Cette intégration permet d'utiliser différentes stratégies d'apprentissage en fonction des valeurs de condition physique de chaque apprenant, mettant ainsi à jour efficacement leurs trajectoires de recherche. Dans la phase d'enseignant modifié, deux schémas de génération exemplaires uniques sont conçus pour faciliter une orientation plus efficace des apprenants de la première moitié de la population tout en maintenant la diversité de la population. Pendant ce temps, la phase d'apprentissage modifiée émule un processus d'acquisition de connaissances réaliste en permettant aux apprenants de la seconde moitié de la population de s'engager dans un apprentissage collaboratif avec plusieurs pairs apprenants ou de conserver des connaissances précieuses des processus d'apprentissage précédents. Des simulations approfondies démontrent que TLBO-UEGS obtient des résultats supérieurs, avec les valeurs minimales d'erreur quadratique moyenne (RMSE) de 3,5644 × 10−04 ± 0,0014, 1,3337 × 10−04 ± 0,0043 et 6,6016 × 10−06 ± 0,00011 obtenues pour les modules photovoltaïques Photowatt-PWP201, Leibold Solar (LSM 20) et Leybold Solar (STE 4/100), respectivement.
La evaluación del rendimiento de un sistema fotovoltaico (PV) depende en gran medida de la estimación precisa de los parámetros en función de sus relaciones corriente-tensión. Sin embargo, debido a la complejidad inherente del modelo fotovoltaico, obtener estos parámetros con precisión y eficiencia es una tarea difícil. En este estudio, se propone una nueva variante conocida como optimización basada en el aprendizaje docente con esquemas únicos de generación de ejemplos (TLBO-UEGS) para abordar los problemas de estimación de parámetros del módulo fotovoltaico con robustez y eficacia. Para mejorar el rendimiento de TLBO-UEGS, se introduce un esquema de inicialización modificado que aprovecha las fortalezas de los mapas caóticos y el aprendizaje dinámico basado en la oposición. Este esquema asegura la generación de una población inicial con calidad de solución mejorada. Además, tanto la fase de maestro modificado como la fase de alumno modificado están integradas dentro del marco de optimización TLBO-UEGS. Esta integración permite emplear diferentes estrategias de aprendizaje basadas en los valores de aptitud de cada alumno, actualizando efectivamente sus trayectorias de búsqueda. Dentro de la fase docente modificada, dos esquemas únicos de generación de ejemplos están diseñados para facilitar una orientación más efectiva para los alumnos en la primera mitad de la población, manteniendo al mismo tiempo la diversidad de la población. Mientras tanto, la fase de alumno modificado emula un proceso realista de adquisición de conocimientos al permitir que los alumnos de la segunda mitad de la población participen en el aprendizaje colaborativo con múltiples compañeros o retengan conocimientos valiosos de procesos de aprendizaje anteriores. Las simulaciones extensas demuestran que TLBO-UEGS logra resultados superiores, con los valores mínimos de error cuadrático medio (RMSE) de 3.5644 × 10−04 ± 0.0014, 1.3237 × 10−04 ± 0.0043 y 6.6016 × 10−06 ± 0.00011 obtenidos para los módulos fotovoltaicos Photowatt-PWP201, Leibold Solar (LSM 20) y Leybold Solar (STE 4/100), respectivamente.
The performance evaluation of a Photovoltaic (PV) system heavily relies on accurately estimating the parameters based on its current—voltage relationships. However, due to the PV model's inherent complexity, obtaining these parameters with precision and efficiency is a challenging task. In this study, a new variant known as teaching learning-based optimization with unique exemplar generation schemes (TLBO-UEGS) is proposed to address PV module parameter estimation problems with robustness and effectiveness. To enhance the performance of TLBO-UEGS, a modified initialization scheme that leverages the strengths of chaotic maps and dynamic oppositional based learning is introduced. This scheme ensures the generation of an initial population with improved solution quality. Furthermore, both the modified teacher phase and modified learner phase are integrated within the TLBO-UEGS optimization framework. This integration allows for different learning strategies to be employed based on the fitness values of each learner, effectively updating their search trajectories. Within the modified teacher phase, two unique exemplar generation schemes are designed to facilitate more effective guidance for learners in the first half of the population while maintaining population diversity. Meanwhile, the modified learner phase emulates a realistic knowledge acquisition process by enabling learners in the second half of the population to engage in collaborative learning with multiple peer learners or retain valuable knowledge from previous learning processes. Extensive simulations demonstrate that TLBO-UEGS achieves superior results, with the minimum root mean square error (RMSE) values of 3.5644 × 10−04 ± 0.0014, 1.3237 × 10−04 ± 0.0043, and 6.6016 × 10−06 ± 0.00011 obtained for Photowatt-PWP201, Leibold Solar (LSM 20), and Leybold Solar (STE 4/100) PV modules, respectively.
يعتمد تقييم أداء نظام الخلايا الكهروضوئية (PV) بشكل كبير على تقدير المعلمات بدقة بناءً على علاقات الجهد الحالي. ومع ذلك، نظرًا للتعقيد المتأصل في النموذج الكهروضوئي، فإن الحصول على هذه المعلمات بدقة وكفاءة يمثل مهمة صعبة. في هذه الدراسة، يُقترح متغير جديد يُعرف باسم التحسين القائم على التعلم مع مخططات توليد نموذجية فريدة (TLBO - UEGS) لمعالجة مشاكل تقدير معلمة الوحدة الكهروضوئية بقوة وفعالية. لتعزيز أداء TLBO - UEGS، يتم تقديم مخطط تهيئة معدل يستفيد من نقاط القوة في الخرائط الفوضوية والتعلم الديناميكي القائم على المعارضة. يضمن هذا المخطط توليد عدد أولي من السكان مع تحسين جودة الحل. علاوة على ذلك، تم دمج كل من مرحلة المعلم المعدلة ومرحلة المتعلم المعدلة في إطار تحسين TLBO - UEGS. يسمح هذا التكامل باستخدام استراتيجيات تعلم مختلفة بناءً على قيم اللياقة البدنية لكل متعلم، مما يؤدي إلى تحديث مسارات البحث الخاصة به بشكل فعال. ضمن مرحلة المعلم المعدلة، تم تصميم مخططين فريدين لتوليد النماذج لتسهيل توجيه أكثر فعالية للمتعلمين في النصف الأول من السكان مع الحفاظ على التنوع السكاني. وفي الوقت نفسه، تحاكي مرحلة المتعلم المعدلة عملية اكتساب المعرفة الواقعية من خلال تمكين المتعلمين في النصف الثاني من السكان من الانخراط في التعلم التعاوني مع العديد من المتعلمين الأقران أو الاحتفاظ بمعرفة قيمة من عمليات التعلم السابقة. تُظهر عمليات المحاكاة الواسعة أن TLBO - UEGS تحقق نتائج متفوقة، مع الحد الأدنى من قيم متوسط خطأ الجذر التربيعي (RMSE) البالغة 3.5644 × 10−04 ± 0.0014 و 1.3237 × 10−04 ± 0.0043 و 6.6016 × 10−06 ± 0.00011 التي تم الحصول عليها للوحدات الكهروضوئية Photowatt - PWP201 و Leibold Solar (LSM 20) و Leybold Solar (STE 4/100)، على التوالي.