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
使用基于教学的优化算法从单个电流 - 电压特性中提取太阳能电池参数
Sanjaykumar J. Patel a，Ashish K. Panchalb，Vipul Kheraja,c,uArr;
\SV国家技术研究所应用物理系，苏拉特395007，印度
\SV国家技术研究所电气工程系，苏拉特395007，印度
\犹他大学电子与计算机工程系，盐湖城，UT 84112，美国 著
摘要
太阳能电池参数值的确定对太阳能电池性能的评估非常有意义。 本文提出了一种简单，高效和可靠的方法，使用基于教学学习的优化（TLBO）算法，从单个发光电流 - 电压（I-V）特性中提取太阳能电池的所有参数。 通过使用LabVIEW作为编程工具开发交互式数值模拟来实现TLBO。 该算法的有效性已通过将其应用于不同类型的太阳能电池（如硅，塑料和染料敏化太阳能电池以及硅太阳能电池组件）的已报告I-V特性进行了验证。 发现通过TLBO算法获得的参数值与所报告的参数值非常一致。 该算法还适用于实验测量的硅太阳能电池和硅太阳能电池组件的I-V特性以提取参数。 据观察，TLBO算法重复收敛以给出太阳能电池参数的一致值。 证明了我们的基于TLBO算法的程序可以成功地应用于各种各样的太阳能电池和模块，用于从最小控制变量的I-V曲线中提取参数。
copy;2014 Elsevier Ltd.保留所有权利。
1.介绍
太阳能是最重要的可再生能源之一，因为它本质上是干净，安全和丰富的。 太阳能电池基于光伏效应将来自太阳光的光子的能量直接转换为电能。 电池的整体性能和转换效率取决于各种物理参数，如串联电阻（R\），分流电阻（RSH），理想因子（n），光电流（IpH值）和饱和度当前（I\）。 因此，这些参数的知识不光可以用来评估一个单元的性能，还可以改善电池的设计、制造工艺和质量控制。这些参数可以通过
考虑太阳能电池的各种模型所描述的等效电路，如单二极管模型[2–5]，双二极管模型[6]或三极管模型[7]来确定。 尽管双二极管模型和三个二极管模型考虑到空间电荷复合电流以及泄漏电流而更精确，但由于其简单性和足够的可靠性，单个二极管模型已广泛用于太阳能电池参数提取问题适用于各种太阳能电池[2–5]。 单个二极管模型的太阳能电池的电流（I） - 电压（V）关系由下式给出，
从方程(1)，可以清楚地看到，从实验I-V特征数据提取的直接参数受到太阳能电池的I-V关系的非线性和超越特性的限制。
多年来，已经报道了几种提取太阳能电池参数的方法。 其中一些方法采用分析[8–10,2] 或数字[1,11–14] 技术来确定来自实验I-V特性的参数。 分析技术需要了解一些选定的I-V特性值，例如短路电流，开路电压，最大功率下的电流和电压，以及轴交点处I-V特性的斜率。 这种方法通常基于简单的公式，并可能受到I-V曲线上所选点正确性的影响。 另一方面，I-V特性表现出高度非线性行为，并且所选点的正确性可能在提取的参数中引入显着的误差。
数值技术涉及一些数学算法，例如曲线拟合算法，用于提取I-V特征上的所有点以提取太阳能电池参数。 使用这种算法，我们可以得到准确的结果，因为I-V曲线上的所有点都被利用。 另外，如分析方法的情况那样，几个数据点的偏差可能不会严重影响参数的准确性。 然而，这些技术的准确性取决于tting算法的类型，tting准则，目标函数和参数的起始值[11]。 此外，这种方法不能保证全局收敛，因为它强烈依赖于参数的初始值，如迭代次数和容限标准。
近年来，基于演化算法（EAs）的技术在太阳能电池参数提取领域受到重视，因为它们的有效性和实用性[15,16]。 在进化算法中，遗传算法（GA）已被广泛用于太阳电池参数提取[17–20]。 GA也优于准牛顿法，曲线法和其他优化算法。 但是，遗传算法的性能存在很多缺陷[21]。 这里，特别是，当使用高实质性目标函数时，即当被优化的参数高度相关时，主要观察效率的降低。 此外，交叉和变异算子并不总是保证后代更好，因为种群中的个体具有相似的结构，并且在进化过程结束时它们的平均值很高。 此外，在多变量优化问题的情况下，遗传算法具有陷入局部最优解而不是全局最优解的趋势，这可归因于交叉和变异概率的不恰当选择。 另一方面，对这些运营商的适当速率进行优化是非常繁琐的，因问题而异。
最近，粒子群优化（PSO）已被研究用于提取太阳能电池参数[22–24]。 尽管PSO提供了几个优于GA的优点，但也必须考虑与PSO相关的限制， （1）它不能保证提取的参数的一致性
（2）需要大量迭代才能将解求解到全局最优[24]。 此外，加速常数（c\和c\）以及惯性权重等关键参数的不恰当选择也可能导致搜索过程陷入局部最优而不是全局搜索[25]。 一般来说，所有自然启发的基于种群的算法，如演化算法和PSO对控制参数高度敏感。 此外，选择这些控制参数，例如GA中的交叉和变异算子或PSO中的惯性权重，都是非常具体的问题。
近年来，Rao等人提出的基于教学的优化（TLBO）算法。[26] 已经成为新的有前途的全局优化算法，能够解决大范围的优化问题。 TLBO算法的一些特性使其成为非常有效的算法。 例如，算法非常简单，易于实现。 它需要非常少的控制变量，如总体大小和迭代次数，以实现全局最优解。 而且，这些控制操作员并不是特别具体的问题。 除此之外，最终解决方案的收敛性几乎与最初的人口无关。 到目前为止，据我们所知，TLBO算法尚未被研究用于太阳能电池参数提取问题。 因此，在这里我们报告一项关于TLBO算法提取太阳能电池参数的有效性的研究。 我们将该算法应用于从光照下测量的单个I-V特征数据中提取太阳能电池的所有ve参数，这仅在极少数方法下才可行。 该算法通过使用LabVIEW（实验室虚拟仪器工程工作台，版本-10）编写的交互式程序作为编程工具来实现。
在这项工作中，通过将该算法应用于硅太阳能电池的I-V特性来验证TLBO算法的有效性，一致性和鲁棒性[27]，一种塑料太阳能电池[2]，染料敏化太阳能电池（DSSC）[3] 和一个硅太阳能模块[27]。 使用Newton-Raphson方法从所报告的参数值合成I-V特征。 使用TLBO算法从这些合成的I-V曲线提取参数，并将其与文献中针对相应太阳能电池的其他方法提取的报道值进行比较。 经验证后，TLBO算法应用于单晶硅太阳能电池以及多晶硅太阳能电池组的实验I-V特性，在我们的实验室测量，以提取所需的参数。
2.TLBO算法的描述
TLBO算法在教室中采用了教学过程的概念。 这是一种简单的基于人口的优化算法，它使用一组解决方案根据实数进行全局最优化。 在课堂中的一组学习者被认为是人口。 该算法受到在课堂环境中传递知识的启发，在该环境中，学习者（即个人）首先从教师那里获得知识，然后他们也互相交流以传播知识。 要优化的设计变量类似于提供给学习者的不同科目。 学习者通过称为#39;tness函数#39;的问题特定目标函数来评估。 因此，学习者#39;X#39;的好坏可以用tness函数F（X）的值表示，也称为学习者的tness。 因此，通过两个阶段的知识传播来改善人口的状况：（1）教师阶段
学习者阶段。
全文共14786字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[16037]，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。
