Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Przegląd Elektrotechniczny

1 2023

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: parameter extracting

Sortuj według:

Ogranicz wyniki do:

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

Tidjani Naoual, Ounnas Djamel, Guessoum Abderrezak

Przegląd Elektrotechniczny

2023

R. 99, nr 1

33--37

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.

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.