DOI: https://doi.org/10.1038/s41598-025-32437-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41565683
تاريخ النشر: 2026-01-21
المؤلف: Tummala S. L. V. Ayyarao وآخرون
الموضوع الرئيسي: تقنيات تحسين أنظمة الطاقة الشمسية
نظرة عامة
تقدم هذه البحث مُحسِّن لعبة الكابادي (KGO)، وهو خوارزمية ميتاهيرستية جديدة مستوحاة من الرياضة التقليدية في جنوب آسيا، الكابادي، تهدف إلى تحسين دقة نمذجة الألواح الشمسية الكهروضوئية (PV). يدمج KGO عناصر استراتيجية من الرياضة، وبالتحديد تقنيات الدوبكي والأكرمان، جنبًا إلى جنب مع تعديلات الوزن التكيفية وآلية استبدال اللاعب الضعيف لتحقيق توازن فعال بين الاستكشاف والاستغلال أثناء التحسين. تم التحقق من فعالية الخوارزمية أولاً مقابل معيار CEC 2017، متفوقة على سبع خوارزميات تحسين معروفة وحقق أفضل ترتيب متوسط.
بعد ذلك، تم تطبيق KGO لتقدير المعلمات لنماذج الألواح الشمسية الكهروضوئية (PV) أحادية وثنائية وثلاثية الدايود، بالإضافة إلى وحدة PWP-201، باستخدام بيانات خلايا ووحدات RTC France. أظهرت النتائج قيم خطأ الجذر التربيعي المتوسط (RMSE) مثيرة للإعجاب بلغت $7.729857 \times 10^{-4}$، $7.43146 \times 10^{-4}$، $7.3771 \times 10^{-4}$، و $2.0529 \times 10^{-3}$، على التوالي، مما يدل على دقة KGO الفائقة وموثوقيتها وسرعتها في تقدير معلمات الألواح الشمسية مقارنة بالطرق الحالية. تقترح الورقة مجالات بحث مستقبلية، بما في ذلك توسيع KGO لمشاكل التحسين متعددة الأهداف وإمكانية دمجه مع تقنيات التحسين التقليدية، بالإضافة إلى تطبيقاته في مجالات متنوعة مثل توقع الطاقة المتجددة وتعلم الآلة.
النتائج
تظهر نتائج الدراسة فعالية خوارزمية KGO المقترحة من خلال تقييمين متميزين. أولاً، تم اختبار الخوارزمية مقابل مجموعة اختبارات معيار CEC 2017، والتي تعتبر معيارًا لتقييم خوارزميات التحسين. ثانيًا، تم تطبيق خوارزمية KGO على تقدير المعلمات لثلاثة نماذج مختلفة من الألواح الشمسية الكهروضوئية (PV)، مما يبرز قابليتها العملية في السيناريوهات الواقعية. تشير النتائج إلى أن خوارزمية KGO تؤدي بشكل تنافسي في كلا السياقين، مما يشير إلى إمكانية استخدامها في مهام التحسين ضمن مجالات متنوعة.
المناقشة
تتناول قسم المناقشة في ورقة البحث نماذج رياضية مختلفة تُستخدم لتمثيل أنظمة الألواح الشمسية الكهروضوئية (PV)، وبالتحديد نموذج الدايود الأحادي (SDM)، نموذج الدايود الثنائي (DDM)، ونموذج الدايود الثلاثي (TDM). يلتقط كل نموذج الخصائص الكهربائية الأساسية للخلايا الشمسية بينما يختلف في التعقيد وعدد المعلمات التي تحتاج إلى تقدير. يوفر نموذج SDM، الذي يتضمن معلمات مثل التيار الضوئي ($I_{ph}$)، تيار التشبع ($I_{sd}$)، المقاومة التسلسلية ($R_s$)، المقاومة الشاملة ($R_{sh}$)، وعامل المثالية ($n$)، فهمًا أساسيًا لسلوك الخلايا الشمسية تحت ظروف تشغيل مختلفة. يمتد نموذج DDM وTDM هذا النموذج من خلال دمج مكونات دايود إضافية، مما يزيد عدد المعلمات المجهولة إلى سبعة وتسعة، على التوالي.
تؤكد الورقة على أهمية تقدير هذه المعلمات بدقة لتعزيز موثوقية نماذج أنظمة الألواح الشمسية الكهروضوئية. تقدم دالة هدف تعتمد على خطأ الجذر التربيعي المتوسط (RMSE) بين القيم الحالية المقاسة والمحسوبة، والتي يتم تقليلها باستخدام طريقة نيوتن-رافسون بالتزامن مع خوارزمية مُحسِّن لعبة الكابادي (KGO). تم تصميم خوارزمية KGO للتنقل بكفاءة في مشهد التحسين، موازنة استراتيجيات الاستكشاف والاستغلال لتجنب القيم المثلى المحلية. تشير النتائج إلى أن خوارزمية KGO تتفوق على الطرق التقليدية من حيث الدقة وسرعة التقارب، مما يوضح فعاليتها في استخراج معلمات نموذج الألواح الشمسية الكهروضوئية من البيانات التجريبية.
DOI: https://doi.org/10.1038/s41598-025-32437-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41565683
Publication Date: 2026-01-21
Author(s): Tummala S. L. V. Ayyarao et al.
Primary Topic: Photovoltaic System Optimization Techniques
Overview
This research introduces the Kabaddi Game Optimizer (KGO), a novel metaheuristic algorithm inspired by the traditional South Asian sport of Kabaddi, aimed at enhancing solar photovoltaic (PV) modeling accuracy. KGO integrates strategic elements from the sport, specifically the Dubki and Akraman techniques, along with adaptive weight adjustments and a weak-player replacement mechanism to effectively balance exploration and exploitation during optimization. The algorithm’s efficacy was first validated against the CEC 2017 benchmark, outperforming seven established optimization algorithms and achieving the best average rank.
Subsequently, KGO was applied to estimate parameters for single, double, and triple diode PV models, as well as a PWP-201 PV module, utilizing RTC France cell and module data. The results demonstrated impressive root mean square error (RMSE) values of $7.729857 \times 10^{-4}$, $7.43146 \times 10^{-4}$, $7.3771 \times 10^{-4}$, and $2.0529 \times 10^{-3}$, respectively, indicating KGO’s superior accuracy, robustness, and speed in PV parameter estimation compared to existing methods. The paper suggests future research avenues, including the extension of KGO to multi-objective optimization problems and its potential integration with traditional optimization techniques, as well as applications in diverse fields such as renewable energy forecasting and machine learning.
Results
The results of the study demonstrate the effectiveness of the proposed KGO algorithm through two distinct evaluations. Firstly, the algorithm was tested against the CEC 2017 benchmark test suite, which serves as a standard for assessing optimization algorithms. Secondly, the KGO algorithm was applied to parameter estimation for three different solar photovoltaic (PV) models, showcasing its practical applicability in real-world scenarios. The findings indicate that the KGO algorithm performs competitively in both contexts, suggesting its potential utility in optimization tasks within various domains.
Discussion
The discussion section of the research paper elaborates on various mathematical models used to represent solar photovoltaic (PV) systems, specifically the single-diode model (SDM), double-diode model (DDM), and triple-diode model (TDM). Each model captures the essential electrical characteristics of solar cells while varying in complexity and the number of parameters that need to be estimated. The SDM, which includes parameters such as photocurrent ($I_{ph}$), saturation current ($I_{sd}$), series resistance ($R_s$), shunt resistance ($R_{sh}$), and ideality factor ($n$), provides a foundational understanding of solar cell behavior under different operating conditions. The DDM and TDM extend this model by incorporating additional diode components, thereby increasing the number of unknown parameters to seven and nine, respectively.
The paper emphasizes the importance of accurately estimating these parameters to enhance the reliability of PV system models. It introduces an objective function based on the root mean square error (RMSE) between measured and calculated current values, which is minimized using the Newton-Raphson method in conjunction with the Kabaddi Game Optimizer (KGO) algorithm. The KGO algorithm is designed to efficiently navigate the optimization landscape, balancing exploration and exploitation strategies to avoid local optima. The results indicate that the KGO algorithm outperforms traditional methods in terms of both accuracy and convergence speed, demonstrating its effectiveness in extracting solar PV model parameters from experimental data.