英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
基于特征的教学优化算法单电流电压下太阳电池参数的测量
摘要
太阳电池参数值的确定是评价太阳能电池性能的重要因素。本文提出了一种简单、有效、可靠的计算五个a参数的方法。使用基于教学的单一照明电流电压（I V）特性的太阳能电池（TLBO）算法优化。这是通过开发TLBO LabVIEW编程工具的互动实现的数值模拟。该算法的有效性得到了验证。将其应用于不同类型的太阳能电池如硅、塑料的报告I - V特性。和染料敏化太阳能电池以及硅太阳能组件。参数所得到的值该TLBO算法发现与报道的参数值非常吻合。该算法也适用于实验测量的硅太阳能电池和硅的I - V特性。用于计算参数的太阳能模块。据观察，反复给TLBO算法收敛到太阳能电池参数一致的价值观。这表明我们的程序基于TLBO算法可以有效地应用于用于计算各种各样的太阳能电池和模块用 最小控制变量的单一亮度I - V曲线的参数。
1.介绍
太阳能是最重要的可再生能源之一。源于清洁、安全、丰富的自然界。太阳能电池直接转换来自太阳光的光子的能量。以光伏效应为基础的电能。电池的整体性能和转换效率依赖于各种物理参数，如串联电阻（RS）、分流器电阻（rsh），理想因子（N）、光（IPH）和饱和电流（Io）。因此，这些参数的知识是总是希望不仅评估电池的性能。同时也要改进设计、制造工艺和质量。电池的控制[ 1 ]。这些参数可由考虑到太阳能电池的各种型号，如单二极管模型[ 2 - 5 ]，双二极管模型[ 6 ]，或三二极管模型描述的等效电路[ 7 ]。但是，这双二极管和三二极管模型更准确，因为他们
同时考虑空间电荷复合电流。作为漏电流，单二极管模型得到了广泛的应用。用于太阳能电池参数的计算问题各种太阳能电池的简单性和足够的可靠性[ 2 - 5 ]。单个太阳能电池的电流（I）-电压（V）关系二极管模型由
从公式（1）中可以清楚地看出，实验I - V特性数据的直接参数计算受到光照的i v关系的非线性和太阳能电池。
多年来，已经报道了几种测试太阳电池参数的方法。其中一些方法采用分析[ 8–10,2 ]或[ 11–数值14 ]技术从实验I - V特性确定参数。分析技术需要了解一些I-V特性的选择值，如短路电流、开路。最大功率下的电压、电流和电压，以及轴交叉口的I-V特性。这种方法是一般基于简单的公式，可能受到i—v曲线上所选点的正确性的影响。另一方面，I - V特性表现出高度非线性行为。所选点的正确性可能会在计算的参数中引入显著的错误。数值技术涉及某些数学算法。与曲线拟合算法相适应，将所有点上的I-V特性计算到太阳能电池参数中。使用这样的算法，我们可以得到准确的结果，因为所有的点。在i - V曲线上被利用。此外，几个偏差数据点可能不会严重影响参数的准确，这和分析方法一样。然而，这些技术的准确性取决于拟合算法的类型，即拟合准则、目标函数和初始值参数[ 11 ]。此外，由于初值的依赖性强，这种方法不能保证全局收敛性、迭代次数和公差等参数标准.近年来，基于进化算法的技术（EAS）在太阳能电池领域获得了极大的关注。参数测量由于其有效性和灵活性[15,16]，在进化算法中，遗传算法（GA）已广泛应用于太阳能电池参数的测量[ 17 - 20 ]。GA也优于拟牛顿方法，曲线拟合方法及其他优化算法。然而,与GA性能有关的缺陷[ 21 ]，特别是在这种情况下，效率的退化主要是观察到时使用高本质的目标函数，即正在优化的参数是高度相关的。此外,交叉和变异算子并不总是保证后代的良好适应性，因为种群中的个体具有结构相似，平均适应度高。进化过程的终结。而且，在多变量的情况下优化问题中，遗传算法有陷入困难的倾向。局部极小，而不是全局最优，这可以归因于交叉选择率和变异率概率的不合理选择。另一方面，优化的正确率等运算符非常繁琐，它从问题到问题各不相同。最近，粒子群优化（PSO）已被研究用于测量太阳能电池参数[ 22 - 24 ]。虽然粒子群优化算法比遗传算法有很多优点，还必须考虑到考虑与PSO相关的限制，即。（1）它不能保证计算参数的一致性。（2）它需要大量迭代来收敛解决方案。到全局最优[ 24 ]。此外，选择不当。关键参数，如加速度常数（C1和C2）和惯性权重也可能导致局部搜索过程陷入困难、最优而不是全局的（25）。总的来说，灵感来自大自然。基于种群的算法，如进化算法和粒子群算法对控制参数高度敏感。并且，该这些控制参数的选择，例如交叉和GA中的变异算子或PSO中的惯性权重是高度特定的问题。近几年，教学–学习为基础的优化（TLBO）饶等人提出的算法。[ 26 ]已成为新的有前途的全局优化算法，能够解决广泛的优化问题。还有的TLBO算法使得它非常有效的算法的一些特点。例如，该算法非常简单，易于实现。为了达到全局最优解，它只有很少有控制变量，如人口规模和迭代次数。此外，这些控制操作符不是很特别的问题。除了这些，最终解的收敛几乎是从初始种群独立的。到目前为止，据我们所知，TLBO算法并没有被调查的太阳能电池参数的测量问题。因此，在这里，我们报告的研究太阳能电池的计算的TLBO算法的有效性参数.我们应用该算法从光照下测量的单个I-V特性数据中计算出太阳电池的所有五个参数，只有极少数情况下是可行的。该算法是通过交互式的方法实现的。用LabVIEW编写的程序（实验室虚拟仪器）工程平台，version-10）作为编程工具。在这项工作中，有效性，一致性，通过应用该算法验证了TLBO算法硅太阳能电池的I - V特性[ 27 ]，一种塑料太阳能电池电池[ 2 ]，染料敏化太阳能电池（DSSC）[ 3 ]和硅太阳能模块[ 27 ]。的I - V特性合成的用牛顿-拉夫逊法计算参数值。从这些合成的I - V中计算参数。曲线利用TLBO算法与文献报道值，用其他方法计算各自的比较文献中的太阳能电池。经过验证，该TLBO算法应用于单晶硅太阳能电池和多晶硅太阳能电池的实验I - V特性。在我们的实验室测量通过模块，以测量所需的参数.
2．对TLBO算法描述
TLBO算法采用教学–学习的概念课堂过程。这是一个简单的基于群体的优化。基于实数解的种群求解算法。一群学习者教室被认为是人口。该算法受到启发。在课堂环境中传授知识学习者（即个人）首先从教师那里获得知识，然后又相互交流以传播知识。知识。要优化的设计变量是类似的。给学习者提供不同的科目。对学习者进行评价通过一个特定问题的目标函数称为“适合度”功能”。因此，学习者的“X”的好坏是可以代表的。由适应度函数f（x）的值，也称为学习者。因此，人口的体质得到了改善。两阶段知识的传播：（1）教师阶段（2）学习阶段。
2.1。老师阶段
这是第一阶段的TLBO算法初步学习者向老师学习。老师被认为是一名教师。与他或她共有的人中学识渊博的人课堂上与其他学习者的知识。教师质量直接影响学习者的学习效果。显然，一个好老师以这样的方式训练学生，在他们的成绩方面有更好的健身能力。在此阶段，算法试图利用平均值（意思是个人）改善其他个体的适应度（Xi）把自己的位置向老师的位置（Xteacher）移动。一般来说，平均数个人的价值决定了人口中个人的素质。老师根据下面的公式修改课堂上的学习者。
这时，i = 1，2，3。hellip;hellip;hellip;hellip;hellip;hellip;hellip;，N。N是教室里学习者的人数。Xnew是改善过的学习者，如果它比Xi更好，它将替代Xi。在这里，R的随机这是产生数之间的0和1。它在合作期间呈现一部分可共享的知识。“极端1和0的值为“R”，它表示学习者没有学习到老师提供的知识。低值”的“R”代表更少的知识转移、收敛速度慢，但同时保证更好的搜索空间。TF是决定均值变化的教学因素饶和帕特尔（28）曾建议算法在TF值在1和2之间表现更好。然而，得到最好的结果时，值TF保持1或2，因此简化了算法。TF的值随机地分配到1或2的概率相等。（3）；在兰德的随机数的范围（0.1）。其中，兰德的范围是[0,1]的随机数。TF和R都是算法的随机参数，不作为程序输入。
2.2。学习阶段
在学习阶段，学习者通过相互之间的相互作用增加他们的知识。每一个学习者（Xi，i= 1, 2，3，hellip;hellip;N.与其他随机选择的学习者（Xj，j = 1,2, 3..，N）交互，在人群中，i–如果Xi比Xj，Xj接近平均值（4）。否则，Xi接近XJ平均值（5）。对适应度的学习阶段的数学表示可以给出如下：
3.参数计算TLBO算法的实现
太阳能电池参数的计算一般都是使用一组实验I - V数据计算的，利用适应度函数对计算的参数进行估计。
在每一个迭代的过程TLBO。因此，适应度函数的选取是非常重要的，它直接影响算法的性能。在我们的程序中，适应度函数是定义为，
在Iexp（VK）是当前实验值（I）电压Vk，
iCal（VK，x）是当前计算的值，可以计算得到
由式（1），对于给定的一组参数（即i.e. Xi = IOI，iphi，Ni，RSI和Rshi）在电压Vk，P是在I–V电压步骤的总数特征。从理论上讲，当每个太阳能电池达到准确值时，适应度函数的值参数应该为零。然而，在现实中，我们期望在实验值和计算值之间有一个非常小但有限的差异。因此，适应度函数的较低值表示拟合I - V特性与实验I V - V特性的一致性更好。在这项工作中，太阳能电池的参数集定义为学习者Xi。一个单独的参数被认为是一个主题。因此，一个学习者的学习科目五Xi，即。IOI，Iphi，Ni，RSI和Rshi。在这里,i= 1, 2, 3。n，n代表课堂强度。Xi的整体性能可以通过确定适应度函数f的值计算（Xi），这取决于这五个科目，从式（6）。这些参数的值，因此Xi健身进行改性，通过教师和学习者的阶段，通过不断的演变，由TLBO算法。这个参数的值以这样一种方式进行调整：EQ（6）中的适应度函数被最小化。TLBO的执行算法主要需要三个控制变量，即。人口大小（即教室强度）、迭代次数和搜索空间，即单个参数的随机数的范围。这些控制变量作为程序中的输入参数被馈送。对计算的TLBO算法的详细流程图参数如图1所示。该TLBO算法术语太阳能电池参数计算问题的背景如下所示表1。
4.结果与讨论
为了验证其准确性，可靠性和鲁棒性的TLBO算法，将其应用于合成的I - V特性。文献报道的各种太阳能电池的数据如硅太阳能电池、塑料太阳能电池，染料敏化太阳能电池和硅太阳能模块计算值的太阳能电池参数。IO，IPH，N、串联电阻、并联电阻。合成的I - V特性，通过考虑一个单一的二极管模型使用参数的在文献中报告值。检查程序的一致性。参数的取值和i的形状特点是重复大量的程序每个太阳能电池和太阳能组件的时间。经验证该程序应用于我们实验室的硅太阳能电池和硅太阳电池的实验测量的V - V特性，以计算参数。控制变量课堂强度、迭代次数等算法并对每个太阳电池参数的搜索范围进行了优化。推广到广泛使用的太阳能电池。在这项工作中，教室的强度（即太阳能电池参数集的数量）和迭代次数被固定到所有单元和模块的1000。整个计算过程重复100次，每种类型的太阳能电池。
4.1硅太阳能电池
首先，TLBO算法计算的参数57毫米直径的商用硅太阳能电池从该法国[27]. 合成的I - V特性是根据文献[ 27 ]中报告的参数值生成的。图2显示了合成（虚线圆圈）和TLBO装I–V特性（实线）。可以清楚地看到，合成I - V曲线完全覆盖在拟合曲线上。我们的程序得到的参数值与表2中的报告值进行了比较。在这里，可以看出，利用TLBO算法得到的值与报告的值匹配最多5个有效数字。图3显示了适应度函数的变化，以及单个太阳能电池参数随着迭代的进展。在这里，可以看到，健身价值稳步下降，一致的程序进行。为适应度函数之间的综合配套措施（原则上实验）I–V曲线和I–V曲线TLBO算法生成。因此，减少适应度函数表明，这种匹配是逐步改进迭代的迭代。经过100次迭代后，适应度函数的值变得非常小，而变化在图中是不可见的。然而，从数据的值显示在健身持续改进直到饱和约500次迭代。RS，Rsh和IO大幅波动在初始迭代。值在大约400次迭代之后变得稳定，然后从图3出现值的变化是缓慢而平稳的。
n值急剧下降，立即趋于稳定。在IPH值变化较为平稳，在大约100次迭代中变为常数。总的来说，它需要500次迭代算法收敛到稳定解。由于合成的I - V曲线是一个理想的曲线，它是重要的。看看算法对噪声或错误的反应。在实验测量中遇到。为了解决这个问题，我们以%错误的形式添加随机噪声。硅太阳能电池合成I～V值的平均值为1%～5%（27）。这个合成的I - V数据的当前值中的随机错误是添加使用以下等式[ 4 ]。
表1
TLBO术语在太阳能电池参数计算问题的背景。
TLBO等效太阳能电池参数
教室强度（即人口）太阳能电池参数集
学习者（即个体）一组五个太阳能电池参数
太阳能电池的单个参数
老师（Xteacher）的最佳参数设置在人口与适应度函数的最小值
对特定主题的个人平均（意思是）在课堂上特定的太阳
全文共15069字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[16041]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
