Teaching-learning based optimization approach for solar cell model parameter identification

• Autorzy: Tidjani Naoual , Ounnas Djamel , Guessoum Abderrezak

Identyfikatory

DOI

10.15199/48.2023.01.06

Warianty tytułu

PL

Optmalizacja systemu fotowoltaicznego oparta na metodzie uczenia się - identyfikacja parametrów modelu

• Języki publikacji: EN

Abstrakty

EN

Constructing a high-performance photovoltaic (PV) system refers to extracting the characteristics of solar cell models. A population-based algorithm with a parameter-free design called Teaching and Learning Based Optimization (TLBO), inspired by the way teachers teach in the classroom, is proposed in this paper to identify the unknown electrical parameters of different solar cell models i.e., a single diode and a dual diode. The main objective is to extract the optimal parameters of PV system. To evaluate the proposed TLBO, we compared it to the fundamental genetic algorithm (GA), Particle Swarm Optimization (PSO), and other approaches in the literature. The results revealed a strong performance of the developed method. The results revealed the strong performance of the developed TLBO method and outperformed other optimization techniques with a high degree of accuracy in the objective function. In addition, the efficiency of the results is supported by the excellent agreement between the data of a commercial silicon R.T.C France solar cell and the simulated results under all circumstances.

PL

Konstrukcja wysokowydajnego systemu fotowoltaicznego (PV) odnosi się do wydobycia cech modeli ogniw słonecznych. W niniejszej pracy zaproponowano algorytm oparty na populacji z konstrukcją bez parametrów zwany Teaching and Learning Based Optimization (TLBO), zainspirowany sposobem nauczania przez nauczycieli w klasie, w celu identyfikacji nieznanych parametrów elektrycznych ró˙znych modeli ogniw słonecznych tj. pojedynczej diody i podwójnej diody. Głównym celem jest wydobycie optymalnych parametrów systemu PV. Aby ocenić proponowany TLBO, porównaliśmy go z podstawowym algorytmem genetycznym (GA), Particle Swarm Optimization (PSO) i innymi podejściami w literaturze. Wyniki ujawniły silną wydajność opracowanej metody. Wyniki ujawniły silną wydajność opracowanej metody TLBO i przewyższają inne techniki optymalizacji z dużą dokładnością funkcji celu. Dodatkowo, skuteczność wyników jest poparta doskonałą zgodnością pomiędzy danymi komercyjnego krzemowego ogniwa słonecznego R.T.C France a wynikami symulacji we wszystkich okolicznościach.

Słowa kluczowe

EN

parameter extracting; photovoltaic; teaching learning based algorithm; TLBO; optimization

PL

ekstrakcja parametrów; fotowoltaika; algorytm oparty na uczeniu; TLBO; optymalizacja

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 1
• Strony: 33--37
• Opis fizyczny: Bibliogr. 20 poz., rys., tab.

Twórcy

autor

Tidjani Naoual

• Djilali Bounaama Khemis Miliana University Algeria
• Algeria LATSI Laboratory, University of Blida, Algeria

autor

Ounnas Djamel

• Larbi Tebessi University Tebessa, 12000, Algeria

autor

Guessoum Abderrezak

• Algeria LATSI Laboratory, University of Blida, Algeria

Bibliografia

• [1] Hannan, M.A., Lipu, M.H., et al, Power electronics contribution to renewable energy conversion addressing emission reduction: Applications, issues, and recommendations. Appliedenergy, vol.251, pp.113404, 2019.
• [2] Kannan, N. and Vakeesan, D., Solar energy for future world:-A review. Renewable and Sustainable Energy Reviews, vol.62,pp.1092-1105, 2016.
• [3] Carrero, C., Ramírez, D; et al., Accurate and fast convergencemethod for parameter estimation of PV generators based onthree main points of the I–V curve. Renewable Energy, vol.36,no. 11, pp.2972-2977, 2011.
• [4] Saitov, E.B., Toshov, J.B., Umarov, S.B., Fayzullayev, B.H.,Abdullabekov, I.A. and Nasriddinov, B.A., Optimization of Solar Power Systems in Different Regions. Journal of critical reviews, vol. 7, no. 15, pp.1777-1783, 2020.
• [5] Ye, X., Liu, W., Li, H; et al., H., Modified whale optimization algorithm for solar cell and PV module parameter identification.Complexity, 2021.
• [6] Cubas, J., Pindado, S. and Victoria, M., On the analytical approach for modeling photovoltaic systems behavior. Journal ofpower sources, vol. 247, pp.467-474, 2014.
• [7] Anoune, K., Laknizi, A., Bouya, M., Astito, A. and Abdellah,A.B, Sizing a PV-Wind based hybrid system using deterministic approach. Energy conversion and management, vol. 169,pp.137-148, 2018.
• [8] Gupta, J., Nijhawan, P. and Ganguli, S., Parameter estimationof different solar cells using a novel swarm intelligence technique. Soft Computing, vol. 26, no. 12, pp.5833-5863, 2022.
• [9] Cubas, J., Pindado, S. and Victoria, M., On the analytical approach for modeling photovoltaic systems behavior. Journal ofpower sources, vol. 247, pp.467-474, 2014.
• [10] Gómez-Lorente, D., Triguero, I., Gil, C. and Estrella, A.E.,Evolutionary algorithms for the design of grid-connected PV-systems. Expert Systems with Applications, vol. 39, no. 9,pp.8086-8094, 2012.
• [11] Khanna, V., Das, B.K., Bisht, D. and Singh, P.K., A three diodemodel for industrial solar cells and estimation of solar cell parameters using PSO algorithm. Renewable Energy, vol. 78,pp.105-113, 2015.
• [12] Kler, D., Goswami, Y., Rana, K.P.S. and Kumar, V., A novel approach to parameter estimation of photovoltaic systems usinghybridized optimizer. Energy Conversion and Management,vol. 187, pp.486-511, 2019.
• [13] Starke, A.R., Cardemil, J.M., Escobar, R. and Colle, S., Multiobjective optimization of hybrid CSP+ PV system using genetic algorithm. Energy, vol. 147, pp.490-503, 2018.
• [14] Jangid, J., Saxena, A., Kumar, R. and Gupta, V., Transmission expansion planning using composite teaching learningbased optimisation algorithm. Evolutionary Intelligence, pp.1-23, 2021.
• [15] Wang, Z., Song, S. and Wei, H., Modified teaching-learning-based optimization algorithm for multi-objective optimizationproblems. Journal of Intelligent & Fuzzy Systems, (Preprint),pp.1-10, 2022.
• [16] Abdel-Basset, M., Mohamed, R., Chakrabortty, R.K., Sallam,K. and Ryan, M.J., An efficient teaching-learning-based optimization algorithm for parameters identification of photovoltaicmodels: Analysis and validations. Energy Conversion andManagement, vol. 227, p.113614, 2021.
• [17] Rao, R.V., Savsani, V.J. and Vakharia, D.P.,Teaching–learning-based optimization: a novel methodfor constrained mechanical design optimization problems.Computer-aided design, vol. 43, no. 3, pp.303-315, 2011.
• [18] Nasri, D., Mokeddem, D. and Bourouba, B., Estimation of photovoltaic cells parameters using chaos embedded salp swarmalgorithm. Int J Intell Eng Syst, vol. 13, no. 6, 2020.
• [19] D. Prasad, A. Mukherjee, G. Shankar, and V. Mukherjee, “Application of chaotic whale optimisation algorithm for transientstability constrained optimal power flow,” IET Science, Measurement & Technology, vol. 11, no. 8, pp. 1002–1013, 2017.
• [20] Y. Ling, Y. Zhou, and Q. Luo, “Levy flight trajectory-basedwhale optimization algorithm for global optimization,” IEEE Access, vol. 5, pp. 6168–6186, 2017

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).