COMPARAISON ENTRE PLUSIEURS MÉTHODES D'IDENTIFICATION DES PARAMÈTRES PHOTOVOLTAÏQUES
DOI :
https://doi.org/10.59277/RRST-EE.2025.4.10Mots-clés :
Identification, Intelligence artificielle (IA), Photovoltaïque (PV), Méta-heuristique, Moindres carrés, Essaim particulaire, Algorithme génétiqueRésumé
Les énergies renouvelables, en particulier le photovoltaïque, constituent une solution prometteuse pour lutter contre l'épuisement des combustibles fossiles. À l'aide de modèles à diode unique et à double diode, la modélisation des cellules solaires permet de prédire le comportement des modules photovoltaïques dans diverses conditions environnementales, ce qui rend indispensable l'extraction précise des paramètres. Dans cet article, nous proposons une analyse comparative approfondie des différentes méthodes d'identification des paramètres photovoltaïques, notamment les moindres carrés non linéaires, plusieurs algorithmes méta-heuristiques tels que l'algorithme génétique (GA), l'optimisation par essaim particulaire (PSO) et leurs versions combinées à des équations explicites (PSOX, GAX), ainsi que l'optimisation par colonie de fourmis en domaine continu (ACOR). Les performances de ces méthodes sont évaluées à l'aide de données expérimentales issues d'un panneau photovoltaïque polycristallin SY-M80W. Sur la base du modèle à diode unique, les cinq paramètres inconnus, à savoir les courants photovoltaïques (Iph), les courants de saturation (Is), la résistance en série (Rs), la résistance en parallèle (Rsh) et le facteur d'idéalité (A), peuvent être déterminés. L'objectif est de déterminer la méthode la plus efficace en termes de précision, de vitesse de convergence et de robustesse, afin d'orienter le choix des techniques d'extraction afin d'améliorer l'efficacité et la fiabilité des systèmes photovoltaïques.
Références
(1) A.E. Ramadan, S. Kamel, T. Khurshaid, S.R. Oh, and S.B. Rhee, Parameter extraction of three-diode solar photovoltaic model using the improved grey wolf optimizer, Sustainability, 13, 12, 6963 (2021).
(2) B. Amrouche, Contribution au développement d’une nouvelle méthode MPPT basée sur les concepts de l’intelligence artificielle pour les systèmes photovoltaïques, Doctoral dissertation, Université Blida 1-Saad Dahlab (2013).
(3) M. Madhiarasan, D.T. Cotfas, and P.A. Cotfas, Barnacles mating optimizer algorithm to extract the parameters of the photovoltaic cells and panels, Sensors, 22, 18, 6989 (2022).
(4) R. Wang, Y. Zhan, and H. Zhou, Application of artificial bee colony in model parameter identification of solar cells, Energies, 8, 8, pp. 7563–7581 (2015).
(5) P.J. Gnetchejo, S.N. Essiane, A. Dadjé, and P. Ele, A combination of Newton-Raphson method and heuristics algorithms for parameter estimation in photovoltaic modules, Heliyon, 7, 4 (2021).
(6) F. Saada, D. Delouche, K. Chabir, and M.N. Abdelkrim, Comparative analysis of DIDIM and IV approaches using double least squares method, International Journal of Advanced Computer Science and Applications, 14, 6 (2023).
(7) D. Saadaoui, M. Elyaqouti, K. Assalaou, and S. Lidaighbi, Parameters optimization of solar PV cell/module using genetic algorithm based on non-uniform mutation, Energy Conversion and Management: X, 12, 100129 (2021).
(8) N. Arunachalam and A. Amuthan, Improved cosine similarity-based artificial bee colony optimization scheme for reactive and dynamic service composition, Journal of King Saud University - Computer and Information Sciences, 34, 2, pp. 270–281 (2022).
(9) Y. Li, K. Yu, J. Liang, C. Yue, and K. Qiao, A landscape-aware particle swarm optimization for parameter identification of photovoltaic models, Applied Soft Computing, 131, 109793 (2022).
(10) W.J. Chen, S.A. Farooqui, H.D. Liu, S.X. Lai, and P.J. Lin, Novel MPPT algorithm based on honeybees’ foraging characteristics for solar power generation systems, Heliyon, 10, 6 (2024).
(11) T. Yuan, Y. Mu, T. Wang, Z. Liu, and A. Pirouzi, Using firefly algorithm to optimally size a hybrid renewable energy system constrained by battery degradation and considering uncertainties of power sources and loads, Heliyon, 10, 7 (2024).
(12) A. Afshar and S. Madadgar, Ant colony optimization for continuous domains: Application to reservoir operation problems, In 8th International Conference on Hybrid Intelligent Systems, IEEE, pp. 13–18 (2008).
(13) A. Yahiaoui and A. Tlemçani, An efficient study of PV/Wind/Battery/Electrolyzer/H₂-Tank/FC for remote area electrification, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 69, 2, pp. 129–134 (2024).
(14) A.A. Abd El-Mageed, A. Al-Hamadi, S. Bakheet, and A.H. Abd El-Rahiem, Hybrid sparrow search-exponential distribution optimization with differential evolution for parameter prediction of solar photovoltaic models, Algorithms, 17, 1, 26 (2024).
(15) N. Kacimi, A. Idir, S. Grouni, and M.S. Boucherit, A new combined method for tracking the global maximum power point of photovoltaic systems, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 67, 3, pp. 349–354 (2022).
(16) D. Toumi, Comparaison de P&O et du contrôleur de logique floue dans MPPT pour applications photovoltaïques (PV) à l'aide de MATLAB/Simulink, International Pluridisciplinary PhD Meeting (IPPM’20), 1st Edition, February 23–26, El Oued, Algeria (2020).
(17) D. Rusirawan and I. Farkas, Identification of model parameters of photovoltaic solar cells, Energy Procedia, 57, pp. 39–46 (2014).
(18) S.J. Miller, The method of least squares, Mathematics Department, Brown University, 8, 1, pp. 5–11 (2006).
(19) H. Abdi, The method of least squares, Encyclopedia of Measurement and Statistics, 1, pp. 530–532 (2007).
(20) S. Li, W. Gong, and Q. Gu, A comprehensive survey on meta-heuristic algorithms for parameter extraction of photovoltaic models, Renewable and Sustainable Energy Reviews, 141, 110828 (2021).
(21) K. Khezzane and F. Khoucha, Application de la technique PSO pour la poursuite du PPM d'un système photovoltaïque, 3rd International Seminar on New and Renewable Energies, pp. 1–6 (2014).
(22) F. Hamidia and A. Abbadi, Improved hybrid pumping system with storage battery based on particle swarm algorithm, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 66, 4, pp. 243–248 (2021).
(23) D. Yousri, S.B. Thanikanti, D. Allam, V.K. Ramachandaramurthy, and M.B. Eteiba, Fractional chaotic ensemble particle swarm optimizer for identifying the single, double, and three diode photovoltaic models’ parameters, Energy, 195, 116979 (2020).
(24) S. Obukhov, A. Ibrahim, A.A.Z. Diab, A.S. Al-Sumaiti, and R. Aboelsaud, Optimal performance of dynamic particle swarm optimization-based maximum power trackers for stand-alone PV systems under partial shading conditions, IEEE Access, 8, pp. 20770–20785 (2020).
(25) R. Belal, M. Flitti, and M.L. Zegai, Tuning of PI speed controller in direct torque control of dual star induction motor based on genetic algorithms and neuro-fuzzy schemes, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 69, 1, pp. 9–14 (2024).
(26) A. El Shahat, Maximum power point genetic identification functions for photovoltaic system, International Journal of Research and Reviews in Applied Sciences, 3, 3, pp. 264–273 (2010).
(27) J..G. de Freitas and K. Yamanaka, An accelerated and robust algorithm for ant colony optimization in continuous functions, Journal of the Brazilian Computer Society, 27, 1, 16 (2021).
(28) M.N. Nwohu and O.O. Paul, Evaluation of economic load dispatch problem in power generating stations by the use of ant colony search algorithms, International Journal of Research Studies in Electrical and Electronics Engineering (IJRSEEE), 3, 1, pp. 20–29 (2017).
(29) L. Liu, Y. Dai, and J. Gao, Ant colony optimization algorithm for continuous domains based on position distribution model of ant colony foraging, The Scientific World Journal, 2014, 1, 428539 (2014).
(30) H. Abed, S. Bourri, and H. Benariba, Identification of the parameters of a photovoltaic cell using an improved genetic algorithm (GA) technique and particular swarm optimization (PSO), Przegląd Elektrotechniczny, 2024, 11 (2024).
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2025
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
