Multi-Criteria Evaluation of MPPT Algorithms under Time-Varying Partial Shading Using a Physics-Based PV Model
Notice bibliographique
Résumé
This work investigates how widely used MPPT algorithms perform under realistic, timevarying partial shading and aims to provide an objective, reproducible basis for multicriteria decision-making.We implement a 60cell module model (three substrings with bypass diodes) driven by a 10s mixed shading profile at 1ms resolution; an internal oracle computes the instantaneous global MPP solely for scoring.Performance is quantified by oracle-normalized energy, a formally defined time-to-sustain 95 , GMPP hit/dwell ratio, and a ripple/PRI; distributional behavior (histograms/CDF/boxplots), nonparametric inference (Kruskal-Wallis, Cliff's ), bootstrap confidence intervals, and a weight-transparent composite score (0.30 energy, 0.25 hit, 0.25 speed, 0.20 ripple) complement the analysis, with sensitivity/ablation on step sizes, swarm settings, attractiveness/L vy steps, and weights.Incremental Conductance achieves the highest energy (0.281 Wh), fast convergence ( 95 = 3.0 ms), the best hit ratio (62.8%), and the lowest ripple (41.4 W).PSO yields intermediate energy (0.231 Wh) but long convergence (206.2 ms), FP responds fastest ( 95 = 2.6 ms) yet records the lowest energy (0.094 Wh) and hit ratio (10.8%), and P&O is simple but ripple-prone (100.1 W) with lower energy (0.143 Wh).Despite universal large transient errors during regime changes (~220 W), distributional evidence and robustness checks consistently favor Incremental Conductance.The framework and metric suite offer reusable guidance for algorithm selection under partial shading and clarify when exploration latency or instability erodes net yield.
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 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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».