Improved Butterfly Optimization Algorithm for Parameter Identification of Various Photovoltaic Models Including Power Station
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».