《Egyptian Informatics Journal》：Multi-strategy improved partial reinforcement optimization algorithm for accurate photovoltaic parameter extraction
編輯推薦：
論文推薦語
為提升光伏模型參數(shù)識(shí)別的精度，研究人員針對(duì)元啟發(fā)式算法在現(xiàn)有研究中因目標(biāo)函數(shù)計(jì)算不準(zhǔn)確導(dǎo)致的評(píng)估偏差問題，提出了一種改進(jìn)的均方根誤差計(jì)算方式，并開發(fā)了一種融合改進(jìn)非線性選擇率、自適應(yīng)刺激因子及快速隨機(jī)反向?qū)W習(xí)的多策略改進(jìn)部分強(qiáng)化優(yōu)化算法。實(shí)驗(yàn)表明，該算法在單二極管、雙二極管及光伏模塊模型上均取得了最低的均方根誤差值，為優(yōu)化算法的性能評(píng)估和光伏系統(tǒng)的精準(zhǔn)評(píng)估、控制與改進(jìn)提供了更可靠的依據(jù)。
論文解讀文章
化石燃料的快速消耗正加劇全球能源危機(jī)和環(huán)境挑戰(zhàn)，發(fā)展可再生能源勢(shì)在必行。其中，太陽能因資源豐富、環(huán)境友好而備受青睞。光伏技術(shù)可將太陽能直接轉(zhuǎn)換為電能，其性能評(píng)估、控制與優(yōu)化高度依賴于光伏模型的精確參數(shù)。然而，確定這些參數(shù)是一項(xiàng)極具挑戰(zhàn)的任務(wù)，因?yàn)槊枋龉夥姵仉娏髋c電壓之間關(guān)系的數(shù)學(xué)模型是非線性、隱式且復(fù)雜的，往往具有多個(gè)局部最優(yōu)解。為解決這一難題，學(xué)術(shù)界廣泛采用基于自然現(xiàn)象或人工智能的元啟發(fā)式優(yōu)化算法，如粒子群優(yōu)化、灰狼優(yōu)化等，它們能在廣闊的解空間內(nèi)尋找最優(yōu)或近似最優(yōu)解，但普遍存在探索與利用不平衡、易陷入局部最優(yōu)等問題。更關(guān)鍵的是，大量現(xiàn)有研究在評(píng)估算法性能時(shí)，使用了不準(zhǔn)確的均方根誤差計(jì)算公式，這導(dǎo)致評(píng)估結(jié)果存在偏差，削弱了不同方法之間的可比性。為了同時(shí)解決模型參數(shù)提取的精度問題和現(xiàn)有評(píng)估體系的內(nèi)在缺陷，一篇題為《Multi-strategy improved partial reinforcement optimization algorithm for accurate photovoltaic parameter extraction》的論文于近期發(fā)表在《Egyptian Informatics Journal》上，提出了一種創(chuàng)新的解決方案。
為了開展這項(xiàng)研究，研究人員采用了以下幾種關(guān)鍵技術(shù)方法：首先，他們構(gòu)建了三種標(biāo)準(zhǔn)光伏數(shù)學(xué)模型作為優(yōu)化問題的目標(biāo)函數(shù)框架，即單二極管模型、雙二極管模型和光伏模塊模型。其次，為解決傳統(tǒng)均方根誤差計(jì)算方法在理論上的缺陷，他們引入了一種更為精確的計(jì)算表達(dá)式作為評(píng)價(jià)指標(biāo)。最后，研究核心是一種新提出的名為IAF-PRO的多策略改進(jìn)部分強(qiáng)化優(yōu)化算法。該算法在2024年提出的基本PRO算法基礎(chǔ)上，融合了改進(jìn)的非線性選擇率與自適應(yīng)強(qiáng)弱刺激因子以提升算法的開發(fā)與探索能力；結(jié)合鏡像反射邊界處理機(jī)制來增強(qiáng)種群多樣性；并引入了基于快速隨機(jī)反向?qū)W習(xí)的重調(diào)度機(jī)制，以幫助算法跳出局部最優(yōu)。
研究結(jié)果
該研究的主要結(jié)果可歸納為以下三個(gè)方面：
- 1.
RMSE計(jì)算改進(jìn)的驗(yàn)證：研究人員使用30種不同算法對(duì)RTC France太陽能電池的單二極管模型進(jìn)行參數(shù)提取，并計(jì)算其均方根誤差。通過對(duì)比分析，他們不僅展示了不同算法在該模型上的表現(xiàn)差異，更重要的是，論證了傳統(tǒng)均方根誤差計(jì)算方式的不足，從而驗(yàn)證了其提出的改進(jìn)公式作為更精確評(píng)價(jià)指標(biāo)的必要性。
- 2.
IAF-PRO算法設(shè)計(jì)：研究人員提出了一種名為IAF-PRO的改進(jìn)優(yōu)化算法。該算法的核心創(chuàng)新點(diǎn)在于：1）引入改進(jìn)的非線性選擇率與自適應(yīng)刺激因子，用以動(dòng)態(tài)平衡算法的局部深度搜索和全局廣泛探索能力；2）結(jié)合鏡像反射邊界處理機(jī)制和快速隨機(jī)反向?qū)W習(xí)策略，前者可有效提升種群多樣性，后者則幫助陷入局部最優(yōu)的個(gè)體跳脫并探索新區(qū)域。這些改進(jìn)旨在不增加算法復(fù)雜度的前提下，顯著提升其收斂速度和求解精度。
- 3.
算法性能驗(yàn)證：在實(shí)驗(yàn)中，研究人員將IAF-PRO算法應(yīng)用于多個(gè)光伏模型的參數(shù)提取問題，包括單二極管模型、雙二極管模型以及光伏模塊模型。通過與包括PSO和GWO在內(nèi)的九種先進(jìn)的元啟發(fā)式算法進(jìn)行比較，并引用相關(guān)文獻(xiàn)結(jié)果進(jìn)行橫向?qū)Ρ龋瑢?shí)驗(yàn)結(jié)果表明，IAF-PRO在所有測(cè)試的光伏模型上均獲得了最低的均方根誤差值，充分證明了其在光伏參數(shù)估計(jì)方面的卓越效能和魯棒性。
結(jié)論與討論
本研究的結(jié)論明確：研究團(tuán)隊(duì)成功開發(fā)并驗(yàn)證了一種名為IAF-PRO的多策略改進(jìn)優(yōu)化算法，用于精確提取光伏模型參數(shù)。該算法的優(yōu)勢(shì)在于，通過整合改進(jìn)的非線性選擇率、自適應(yīng)刺激因子、鏡像反射邊界處理以及快速隨機(jī)反向?qū)W習(xí)等多種策略，有效克服了傳統(tǒng)PRO算法在面對(duì)復(fù)雜問題時(shí)的收斂慢、種群分布集中和解精度不高等缺陷，實(shí)現(xiàn)了性能的全面提升。
這項(xiàng)研究的意義深遠(yuǎn)。在理論層面，它提出并驗(yàn)證了一種更精確的均方根誤差計(jì)算方法，為未來光伏參數(shù)提取算法的性能評(píng)估建立了一個(gè)更可靠的基準(zhǔn)，有助于結(jié)束該領(lǐng)域評(píng)估標(biāo)準(zhǔn)混亂的局面。在應(yīng)用層面，IAF-PRO算法展現(xiàn)出的優(yōu)越性能，使其成為一種解決光伏模型非線性、多模態(tài)參數(shù)識(shí)別問題的強(qiáng)有力工具，為光伏系統(tǒng)的精準(zhǔn)建模、性能評(píng)估、效率提升和智能控制提供了堅(jiān)實(shí)的技術(shù)支持，進(jìn)而推動(dòng)了清潔能源技術(shù)的進(jìn)步。此外，研究中對(duì)算法改進(jìn)策略的有效性分析，也為其他優(yōu)化算法在類似復(fù)雜工程問題上的改進(jìn)提供了可借鑒的思路。
