Improved Butterfly Optimization Algorithm for Parameter Identification of Various Photovoltaic Models Including Power Station
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Parameter identification of photovoltaic models (PIPM) is essential for controlling a photovoltaic (PV) system. However, due to its complexity, most existing methods still suffer from problems such as low accuracy, sensitivity to initial values, and local optima. For this, an improved butterfly optimization algorithm (DLBOA) with dimension differential learning is proposed. First, a new adaptive fragrance is introduced to optimize the instability caused by target differences and improve convergence performance. Second, the proposed dimension differential learning strategy improves butterflies’ position by utilizing the excellent dimension information within the population, thereby reinforcing interindividual learning and enhancing population balancing and diversity, ultimately escaping from local optima. Then, after evaluating based on CEC2022, DLBOA identified the parameters for eight models across five materials and outperformed nine state-of-the-art algorithms in terms of accuracy, robustness, and promoting percentage. DLBOA is further compared with nine existing PIPM methods including five numerical methods. Finally, applying DLBOA to the YL PV station in China Guizhou Power Grid under a dynamic climate, multiple metrics confirm DLBOA’s outstanding accuracy, with the reconstructed I-V and P-V curves closely matching synthesized curves. The statistical analysis results demonstrate that the proposed method effectively enhances the robustness of parameter identification while also strengthening the ability to escape local optima, demonstrating the potential to improve PIPM accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle