Improvement teaching-learning-based optimization algorithm for solar cell parameter extraction in photovoltaic systems

Abstract

This study investigates parameter extraction methods for solar cell analytical models, which are crucial for accurate photovoltaic (PV) system design and performance. Problem. Traditional single-diode models, while widely used, often lack precision, leading to inefficiencies in parameter extraction essential for reliable PV systems. Goal. The work aims to improve the Teaching-LearningBased Optimization (TLBO) algorithm to enhance the accuracy of parameter extraction in PV models. Methodology. We adopt an enhanced single-diode model, integrating modifications into the TLBO algorithm, including dynamic teaching factor adjustment, refined partner selection, and targeted local searches with the fmincon function. Comparative analysis with experimental data from four PV systems validates the model’s accuracy. Results. The enhanced TLBO algorithm achieves superior convergence and reliability in parameter extraction, as evidenced by 500 independent runs. Originality. Key contributions include methodological improvements such as dynamic adjustment of the teaching factor and a new approach to partner selection, which significantly optimizes the algorithm’s performance. Practical value. This research provides a robust framework for solar cell parameter extraction, offering practical benefits for PV system designers and researchers in improving model accuracy and efficiency.

У цьому дослідженні вивчаються методи отримання параметрів для аналітичних моделей сонячних елементів, які мають вирішальне значення для точного проєктування фотоелектричних (PV) систем і їх продуктивності. Проблема. Традиційні моделі з одним діодом, хоч і широко використовуються, часто не достатньо точні, що призводить до неефективності вилучення параметрів, необхідного для надійних PV систем. Мета. Робота спрямована на покращення алгоритму оптимізаціїна основі навчання (TLBO) для підвищення точності вилучення параметрів у PVмоделях. Методологія. Ми приймаємо вдосконалену модель з одним діодом, інтегруючи модифікації до алгоритму TLBO, включаючи динамічне коригування коефіцієнта навчання, уточнений вибір партнера та цільовий локальний пошук з функцією fmincon. Порівняльний аналіз з експериментальними даними із чотирьох PV систем підтверджує точність моделі. Результати. Удосконалений алгоритм TLBO досягає значноїзбіжності та надійності при вилученні параметрів, про що свідчать 500 незалежних запусків. Оригінальність. Основні вклади включають методологічні удосконалення, такі як динамічне коригування коефіцієнта навчання та новий підхід до вибору партнера, що значно оптимізує продуктивність алгоритму. Практична цінність. Це дослідження забезпечує надійну основу для отримання параметрів сонячних елементів, пропонуючи практичні переваги для розробників та дослідників PVсистем у плані підвищення точності та ефективності моделей.