文摘

本文提出了一种新的启发式方法在光伏系统最大功率点跟踪翻译(MPPT)在正常和阴影的情况。该方法是修改原始女王蜜蜂的迁移(QHBM)来缩短计算时间(MPP)的光伏系统最大功率点。QHBM最初使用随机目标地点寻找目标,在这种情况下,边际产量。所以,我们调整它能够做MPP迅速点任务。加快mQHBM学习过程从最初的随机。我们有相当一些启发式的mQHBM相比。模拟进行测试mQHBM 2的场景。基于仿真结果,发现mQHBM能够超过其他方法的功能,如原始QHBM,粒子群优化(PSO)和扰乱和观察(P&O),安,灰狼(拥有),翻译和布谷鸟搜索(CS)的MPPT速度和超调。然而,mQHBM不能超过QHBM的准确性,安,和拥有。但是,mQHBM优于PSO和P&O约15%和18%,分别。 This experiment resulted in a gap of about 2% faster in speed, 0.34 seconds better in convergence time, and 0.2 fewer accuracies.

1。介绍

太阳能发电系统提供环保解决方案,免费,资源丰富,经济、高效的光伏面板技术(1]。太阳能电池板的发电不是平的,而是取决于太阳辐照和面板的表面温度。太阳能电池板的输出特性曲线显示了最大功率在某种程度上被称为最大功率点 如图1。电能可以提取最佳如果PV操作在MPP点。

(一)
(一)
(b)
(b)
图1
光伏特性。(一)正常状态,(b)阴影条件。

翻译的最大功率点跟踪(MPPT)方法发展迅速日期(1- - - - - -3]。最早的翻译古典MPPT,比如FOC和FSC的踪迹 使用 和 与 ,分别。他们是最简单的MPPTs。如果我们观察数据的曲线1(一)和1 (b), 位置时达到光伏终端电压 开路电压小于 ,和电流的PV, 小于短路电流( )。因此,他们很容易实现,成本效益的计算,和西装的最小系统。然而,这些方法不准确,效率低下,正常的和阴影条件(3]。

外部环境由于天气的变化会导致气温的升高,这样可以在PV热点,阴影覆盖光伏表面的部分或全部,或光伏表面灰尘,所有这些可以改变安装的光伏模块的特点。在特定的,更复杂的问题发生在辐照不是线性由于光伏表面上的阴影的影响,导致一些山峰,即。当地最大(LMPP)和全球最大曲率(GMPP),见图1 (b)。MPPT必须能够发现和跟踪GMPP在各种条件来提高效率。传统的启发式方法与希尔攀登(HC),如扰乱和观察(P&O)和增量电导(公司),是不够可靠,有突然改变辐照时经常振荡,并很容易被困在LMPP [1,2]。

启发式或metaheuristic,有时被称为软计算或人工智能翻译技术MPPT [1),包括,即。,artificial neural network (ANN) [4- - - - - -6,模糊7- - - - - -10),粒子群优化(PSO) (7,11- - - - - -19),灰太狼优化(拥有)20.- - - - - -23],布谷鸟搜索(CS) [23,24),和王后蜜蜂迁移(QHBM) [25,26]。与原有的翻译此外,MPPT QHBM只有经过测试在正常系统(26]。启发式MPPTs快速收敛的速度,振动小,和良好的跟踪率在正常和阴影条件。主要缺点是计算昂贵和复杂,所以它比翻译经典的MPPT需要更高的成本。各种参数和开放讨论翻译性能的MPPT方法讨论了仿真框架。

翻译混合MPPT介绍了文献中,即混合算法和差分进化(DE) [11),混合P&O和PSO (7,16- - - - - -18)和混合算法与MVP (19]。模糊(7- - - - - -10)主要是用于混合动力模式与其他算法,两个经典MPPTs [7等)和更现代的算法(8)和布谷鸟搜索(CS) (9]。CS使用一个特殊的功能叫做“跳远”来避免LMPP同时缩短跟踪所需的时间达到GMPP在许多情况下(24]。在[23),作者结合翻译蝙蝠与CS算法(BA),提高MPPT表演几个LMPP GMPP卖空。此外,蚁群(27),人工蜂群(28),鼯鼠搜索优化(29日),和模拟退火30.翻译]证明MPPT光伏系统。

我们演示了QHBM仿真和硬件上实现,这是非常成功的在正常情况下(26]。然而,QHBM也遇到实际问题时实现解决阴影问题或突然改变辐照。单独的翻译,而不是运行MPPT启发式,一些研究人员选择把它们与经典方法。一般来说,在这种混合动力技术,启发式方法在一定条件下才会被激活,包括阴影。另一个机制是优化翻译经典的MPPT参数与前面提到的启发式技术增加MPP搜索性能(5]。

在本文中,我们演示QHBM的修改,称为mQHBM,搜索MPP在正常和阴影条件。昂贵的计算可以通过简化,减少边界条件限制参数,简化了优化功能,或变更决策;因此,我们可以翻译应用启发式MPPT低成本的设备。本文着重解决MPP搜索问题跟踪条件下的光伏系统。我们强调工作摘要如下:(我)简而言之,我们修改了原始QHBM旨在加快计算和节省内存通过确定下的决策标准翻译搜索MPPT正常和跟踪情况。(2)我们通过模拟进行示威活动在几个场景比较mQHBM性能与原QHBM [25安),PSO,拥有,c,和传统的启发式P&O跟踪速度和翻译的准确性MPPT。(3)我们实现了控制cuk变换器的mQHBM-MPPT收获的最大功率太阳能电池板装有电阻负载。然后观察性能测试的结果在几个场景。

mQHBM之间的主要区别和原始QHBM [25,26]介绍了双重的。首先是女王迁移的目的,其次,它的巢坐标测定。的边际产量值数据表用于迭代的初始条件,然后传感器系统将读取MPP的位置变化。目标是加快迭代通过最小化代理或童子军,以便计算过程可以更快,节省内存。MPP搜索过程与原始QHBM mQHBM仍然是相同的(25),女王将协助8红衣主教的球探部门。这种情况会一直重复,直到MPP价值。

论文的其余部分被组织成五个部分如下:部分2光伏模型细节,MPP概念和方法。部分3拟议的MPP mQHBM细节和系统的研究。部分4结果和分析。最后,本文的结论部分5。

2.1。光伏模型

光伏面板包括n太阳能电池。光伏面板的电路模型如图2。


图2
PV等效电路。

从肖克利获得二极管电流方程,即。 在哪里 是反向饱和电流,T是细胞的温度, 电荷载体, Boltzman常数,n是理想的因素。光伏模块有两个限制参数(图2),有开路电压( )和短路电流( )。 通过设置 和 = ,在这个值的变化比例的辐射单元。除此之外, 是光伏终端上的电压而当前IL = 0,然后(1)导致

2.2。MPPT方法
2.2.1。MPP搜索的概念

光伏电池板的主要参数是开放的电压,短路电流,峰值功率。最大功率点(MPP), 的电压( )和电流( )在光伏终端产生的最大力量。最大功率是满足此条件的定理,输入电阻, 负载电阻等于 。

的产物 和 光伏系统的填充因数有关。

光伏面板或模块定义的特征我- - - - - -V和P- - - - - -V曲线,绘制在一个特定的值根据其参数。图1(一)显示一个光伏面板的特点在正常情况下(STC),入射光在哪里1000 W / m2,温度是25°C,空气质量是1.5。在STC,最大的力量 指出了单身吗 和 点。增加当前的能力,并行光伏面板必须安装。另一方面,系列连接可以提高光伏系统的电压的能力。在实践中,广泛用于许多应用串并联连接。

由于环境变化,如光伏表面阴影和灰尘,光伏系统的特征也发生了变化,如图1 (b)。几个 点可能存在由一个全球峰值和当地的一个高峰。翻译的问题MPPT的负载需要恒定的电压或电流,所以它是很难翻译的负载阻抗MPPT调整。dc-to-dc转换器翻译,可以用来执行MPPT的任务相匹配的PV电阻电阻(31日- - - - - -34]。

2.2.2。翻译简单或经典的MPPT

接近MPP的简单的方法是通过使用部分开放电压(FOV),部分短路(FSC),和希尔攀登(HC)。他们定义的电压或电流的恒定,分别,这可能达到MPP点。这个方法很简单,需要至少计算。图3显示简单的视场、FSC和HC MPPTs试图达到MPP使用常数k,这通常范围从0.65到0.75。翻译FOV MPPT到达MPP通过开放面板电压,实际上是用来开关面板和负载之间的打开和关闭连接。此外,FSC-MPPT得到 通过做空终端。这些方法是有效的为低-中等功率应用程序而不是大型系统。


图3
MPPT在正常情况下。

系统回顾了HC的(1,3]。P&O和集成电路是主要翻译HC - MPPT。在PV曲线的峰值(图3), = 0,吗 是 ,后 是 。P&O接近峰值通过对比更新 直到0或接近0。仪控走近MPP使用 并将更新后的值 。跟踪情况或突然改变照射,希尔攀登方法往往在峰值振荡甚至虚假的峰值。

2.2.3。启发式搜索

建立了各种翻译启发式MPPT方法在文献[1- - - - - -30.]。通常,它们结合翻译的经典算法提高表演MPPT阴影条件下,见图4。每种技术都有其优点和缺点,翻译但是基于通用启发式,MPPT可以快速收敛和翻译传统MPPT相比具有较高的效率。然而,翻译启发式MPPT是计算密集型和昂贵的实现。混合翻译与传统MPPT方法更有利的平衡性能和复杂性和结合的优势。翻译的一些人工智能技术用于MPPT方法(包括8],GA [1),和安1,4- - - - - -6]。安是用来训练和测试电流-电压之间的非线性关系和p - v。安需要输入的形式输入电流、输入电压、温度和辐射,然后学会调整太阳系的行为达到MPP [1]。使用ANN方法可以修改,以更高的精度和更简单的实现9]。


图4
MPPT阴影条件下。

遗传算法(1翻译)是广泛应用于MPPT计算光伏电池板的参考电压通过修改个人的人口的解决方案。遗传算法产生相对较小的振荡,快速收敛,和动态速度。然而,不推荐GA优化非常大,非常复杂,大问题因为它的简化算法。翻译在MPPT, GA,从这个试验亲本种群初始化一个数组。

布谷鸟搜索蜜蜂殖民地和蚁群的建立和应用到各种应用程序。PSO、拥有和布谷鸟搜索翻译是最常用的MPPT,连同其他方法如FOV, FSC, IC, P&O。在正常情况下,该混合跟踪MPP技术使用传统的方法。在遮荫条件或极端天气,将激活PSO混合技术,拥有,翻译或其他MPPT。这种组合可以加快混合方法跟踪GMPP在极端天气条件下(1]。

拥有(20.- - - - - -23]是一种现代启发式技术,模仿自然的行为一群灰色的狼。群,有层次的领导者,从最高到最低,每个定义的不同的变量。GWO-MPPT服从命令和观看的优先级顺序。代理的形式狼不是很众多,他们可以在大面积寻找猎物。在MPP搜索,狩猎面积限制,和LMPP GMPP可以评估作为一个优先级,所以GWO-MPPT在正常和阴影条件下工作。然而,拥有和布谷鸟搜索每个模仿布谷鸟羊和灰太狼捕猎的行为,分别。在这两种方法,粒子数(代理)小于算法,计算速度更快。

2.2.4。QHBM

QHBM启发式技术之一在2017年出版的处理热点WSN (25]。QHBM模仿蜜蜂女王的行为,自然会迁移在危险条件如图5。这种行为也出现在蜜蜂的公主(为了简化我们称之为女王的故事)。女王将离开鸟巢,从一个地方移动到另一个,直到童子军找到合适的食物位置和她感觉舒服,她上次访问新巢(25]。


图5
QHBM来源。

女王的迁移是随机但故意限于8基本领域。女王将使她的决定通过研究代码巡防队在她眼前。女王使用信息从球探选择未来的方向。等等,直到女王找到一个被认为是适合筑巢的地方(25]。

步骤1。初始化。图6显示了QHBM初始化过程的逻辑视图。女王在中心,巡防队分布随机部门内部或外部。基本方向是朝向目的地。翻译的MPPT,这些8可能的波兰人被分配的 和女王最初位于 。 是光伏系统功率从传感器获得的当前值,k是当前迭代,k+ 1是下一次迭代25]。


图6
QHBM逻辑视图。

步骤2。迭代。QHBM的迭代过程包括几个任务,即:决定移动方向,行业选择,选择极(目的地),计算行驶距离女王,女王和更新的位置。有几个参数时使用数学应用这种自然行为,即目的地,初始位置,这可能是1 d, 2 d或3 d,或更多,从巡防队的重量信息。这个决定被使用的概率,或百分比,每个部门的童子军, 。每个迁移是由半径决定的旅程,r。自然,蜂王就不会移动r但将停止根据的大小在一定程度上可能存在的干扰。这种情况重复直到女王找到地方新蜂巢(25]。 在哪里 童子军兴奋价值、行业概率,童子军,迭代,自然学习的因素,分别和剩余能量。 女王的当前和未来的价值是他们在PV曲线坐标(25]。
停止准则。翻译为MPPT,我们用ε 。在非线性或阴影条件的情况下,QHBM也能够快速搜索,即使它需要大量处理器和内存与其他启发式。为了节省计算,这样他们可以应用于最小处理器设备,我们在原来的基础上作了一些修改QHBM [25]。修改后的QHBM或mQHBM将节中讨论3所示。3。

2.3。Cuk变换器

负载应用到光伏需要恒定电流或电压,所以调整电阻的PV阻力,一个接口形式的直流-直流转换器是必需的。通过这种方式,可以获得光伏和负载之间的阻抗匹配作为责任周期的函数(1]。保持最大功率感觉的负载,电源转换器将调整工作周期,这样光伏输入电阻等于负载电阻。

cuk变换器的输出电压7是由 并在MPP的PV阻力


图7
翻译Cuk变换器的MPPT。

3所示。方法

3.1。系统建模

模拟电路进行了使用图8研究发现MPP mQHBM启发式的方法的性能。这个电路使用SRM50D 50 wp PV规格如表所示1。使用Cuk变换器作为mQHBM-MPPT电源接口。变频器的参数规格测试电路中使用如表所示2。体积电阻作为直流负载。表3是一个通用参数控制表和ε。


图8
系统研究。
表1
PV规范。
表2
Cuk变换器。
表3
控制参数。
3.2。拟议中的mQHBM

拟议中的mQHBM块配备电压和电流传感器。电压传感器是用于读取太阳能电池板输出电压和负载电压实时。太阳能电池板输出电流和负载电流实时监测的电流传感器。然后使用电压和电流的值作为输入的计算通过mQHBM MPP搜索过程。图8表明mQHBM输出连接到PWM块产生一个适当的工作周期提取从太阳能电池板最大功率。为了减少计算,我们修改QHBM mQHBm如下:(我)我们考虑到 作为一个随机值(0,1)直接更新的自然因素 。(2)我们通过减少所花费的时间决定 翻译的MPPT而不是情商(4),情商。5)和(3)作为原始QHBM。(3)改变的停止准则(5),所以,

mQHBM找到MPP的工作流描述如下:(我)初始化。 选择目的地和女王给定负载电阻吗 ,女王,r是5。(2)系统传感器检测光伏电流 和PV电压 作为女王的初始坐标 。翻译注意MPPT是一个二维的例子。(3)童子军随机分布的热点地区和他们的坐标 在P- - - - - -V曲线,分别。(iv)自然因素, mQHBM是随机值在0和1之间。翻译mQHBM-based MPPT,女王决定加权信息由侦察蜂在每一个领域,这被定义为 如下: 在哪里k当前迭代, 当前幻灯片,n侦察蜂的数量, 是女王的位置定义当前MPP电压测量。 是童子军的位置被定义为可能的GMPP电压。mQHBM而言, 和 女王和侦察的职位是什么P- - - - - -V曲线,分别。(v)女王移动到所选的部门和旅行的长度由情商。6)。(vi)女王被更新的位置后,工作周期(d)值也在改变基于以下方程: 在哪里 从传感器获得的输出电压值在当前迭代。(七)停止标准。女王决定迭代将停止或重复的基础上(6)。

3.3。场景

该系统已经被开发出来,并使用MATLAB进行了仿真在以下场景:(我)翻译场景1:MPPT模拟正常辐照(STC) @ 1000 W / m2)。(2)翻译场景2:MPPT的突然改变辐照模拟1000 W / m2800 W / m2600 W / m2。我们使用了平方函数来实现这种情况下,每个照射的时间间隔10秒。

从各自的仿真流程获得的数据进行平均的100倍。我们比较的准确性和灵敏度mQHBM P&O,翻译算法,模糊MPPT在正常和动态的环境。

4所示。仿真结果

我们已经模拟系统图8根据场景中3所示。3。在这一节中讨论的结果是在一个单独的小节。

4.1。案例1:正常状态

在正常情况下,当太阳辐照是1000 W / m2,电流-电压曲线是线性的。对每个方法的观察进行了100次,平均图所示9。每个图片都有一个翻译的名字MPPT方法的描述。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图9
在正常条件下光伏输出功率与MPPTs。(一)QHBM vs mQHBM, (b) mQHBM vs P&O, (c) mQHBM与PSO, (d) mQHBM与拥有,(e) mQHBM与PSO和(f) mQHBM与拥有。

我们一起把mQHBM方法每个曲线在图上用另一个方法9看到他们比较公平。在这种情况下,很明显,所有的启发式算法,与传统的P&O等其他更现代的算法,显示令人满意的结果。我们发现同样的事情1- - - - - -5,9,12),大多数启发式方法收敛迅速在正常的情况下。不同的是在响应速度、收敛速度和精度。所有这些启发式方法根本不经历严重的振荡和MPP迅速达到稳定状态。

与原QHBM相比,mQHBM更快的稳定状态。这是因为离线学习过程加快。这将节省计算最小的处理器上实现。另一方面,mQHBM与其他算法相比,并不总是最好的。相比,P&O, mQHBM仍收敛更快,比原QHBM更准确。同样,其他算法,即PSO、拥有、CS,和安,确实优于P&O。这一事实也被研究人员发现在文献[1,2]。

基于图10,我们发现mQHBM更快向稳定状态比原来QHBM 0.04秒的差距。翻译,在所有MPPT启发式算法相比,即mQHBM QHBM, P&O,安,PSO,拥有,和CS最高的过度发生在P&O约1.94 W,和最低的PSO在1.04 W。mQHBM达到1.07 W过度大于0.01 W的原始QHBM。拥有、CS和QHBM仅略有不同,地位最高的三个被拥有,达到0.25 W。这种过度影响的计算过程启发式技术,所以它变化很大从一个到另一个地方。稳态响应速度的算法几乎是统一的相比,PSO和安是最慢的,因为计算是最复杂的。mQHBM略快于QHBM正常辐照条件下达到一个稳定的状态。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图10
与阴影条件下MPPTs光伏输出功率。(一)P&O,安(b), (c)算法,(d)拥有,(e) CS, mQHBM (f)。

每个方法的准确性和计算速度中描述的部分5.1。

4.2。案例2:改变辐照

第二个模拟场景是通过改变阳光每1 s从1000 W / m2800 W / m2和600 W / m2。MPP应力仿真的结果如图所示10安,P&O, PSO,拥有,CS, mQHBM。一般来说,所有的计算方法经验瞬时振荡,因为目标MPP很小,即50 Wp的MPP电压21.4 V。

基于测试阳光的变化,发现mQHBM没有回应变化过快安相比,PSO,拥有和CS。在本节中,我们不显示图像的功率曲线,因为形状相对非常相似,所以这将是多余的。有趣的在这个模拟MPP的振荡电压。在图10我们看到,P&O强烈震荡每次太阳辐射的变化。安,PSO、CS和拥有的确比P&O更稳定,按照规定(1,3]。mQHBM并不总是比其竞争对手,即安,PSO, CS和拥有。然而,变得理性,mQHBM仍然相当可靠正常和翻译阴影MPPT的选择。

5。分析

5.1。MPPT的准确性

图11表明QHBM痕迹MPP的PV曲线,直到找到一个静态的环境和动态环境条件下的跟踪路径。在静态情况下,mQHBM轻松地爬上山坡,直到找到MPP点。跟踪路径可以减少从高峰一个峰两个动态环境条件,与此同时,可以看出MPP峰值周围动态发生时可以减少。


图11
MPP mQHBM搜索。

图12翻译显示了一个当所有条件的MPPT方法已经确定最后的位置,在这个端点是太阳能电池板的输出功率提取。输出功率的差异可以被计算为每个方法提取MPP的绝对误差。视觉上,可以确定,mQHBM有最好的精度与两个竞争对手相比,PSO和P&O,误差为0.03,1.7,和0.7,分别。因此,mQHBM的准确率,PSO和P&O是99.99%,97.38%和98.54,分别。一个有趣的事实是,算法不是更准确比P&O小功率应用(50 Wp)因为PSO收敛速度考虑使用代理或粒子的数量,而步长并不是太大。


图12
几个MPPTs的最终位置。

在第二种情况下,太阳照射在故意改变了几秒钟后,mQHBM仍然是最好的。辐射水平下降约200 W / m2在第一间隔10秒和第二间隔没有明显影响的准确性mQHBM PSO和P&O相当震惊时的精度问题是太阳辐射的变化。虽然mQHBM只下降了0.2%和0.1%的准确率,算法精度下降了大约6.48%在第一间隔和能够在接下来的10秒再次上升了约7.9%。在同等条件下mQHBM和PSO P&O精度下降了0.05%,又增加了0.66%。上面的事实显示异常在PSO和P&O辐照时减少。

5.2。MPPT响应

基于表4- - - - - -6,可以得出结论,在一般情况下,mQHBM找到MPP的速度在1000 W / m2正常的照射情况下是最快的。这是因为所需的目标被设定在迭代的开始。虽然算法不是优越,因为随机概念不适用于小功率50 Wp。从一开始,P&O确实被预测是最慢的,证明了(3在稍微不同的应用程序。尽管MPP追踪时间的三种方法之间的差异并不大,它是非常重要的如果应用于低成本的微控制器。

表4
正常的条件。
表5
场景# 1的阴影。
表6
场景# 2的阴影。

在照射的情况下改变,mQHBM PSO相比最慢,P&O,如表所示4和5。这是因为有一个权衡精度和速度,实现良好的精度,需要较长的时间。在第二种情况下(辐照变化),PSO mQHBM和P&O相比是跑得最快的。一般来说,mQHBM时需要长时间照射下降而P&O计算需要一个常数时间0.9秒的辐照响应变化。这是因为在MPP P&O震荡点。

一个有趣的事实将会看到如果我们扩大MPP发现找到的曲线振荡之前MPP翻译经历过所有的MPPT方法。图13从算法显示了最糟糕的反应的三个例子,QHBM, P&O,这发生在过渡从1000 W / m阴影2800 W / m2。P&O是不准确的,在最坏的情况下,它可以看到对LMPP P&O振荡,然后又爬到了GMPP,然后远离LMPP下降。这一事件表明,P&O并不能够正确跟踪MPP。算法也最糟糕的振荡和GMPP达到歇斯底里。这是因为许多粒子代理回复从正常的阴影突然转变。与P&O和算法在最坏情况下,QHBM也震荡,但QHBM接近GMPP比MPP以0.5 W的优势。QHBM是歇斯底里的在MPP发布童子军的经纪人回应改变辐照和试图提供信息的女王。女王收到信息从另一个侦察机构,决定回到GMPP。不再是这种情况与mQHBM上述修改。


图13
最坏情况的追踪振荡。

6。结论

我们已经成功地开发了mQHBM和测试这种方法跟踪MPP在50 Wp光伏系统。公平的比较和几个著名的启发式方法,即原始QHBM,安,PSO,拥有,c,和传统的HC,即P&O,进行了两种情况下,即正常辐照条件和辐照变化(阴影)在正常情况下可靠。

我们认识到,mQHBM并不总是最好的,鉴于其缩短阶段。然而,对于实现至少,这个系统是好的。比PSO mQHBM花费的时间较长,拥有,QHBM,安和CS。即便如此,mQHBM仍然可以依靠在准确性方面,它总是在所有条件达到高于98%或更多。mQHBM的优势在于,它决定了MPP的目标从一开始,从而减少错误决定MPP原QHBM花更长的时间,与算法一样,P&O,和其他竞争对手。

在未来,我们将进一步改善的性能mQHBM,观察阴影过渡。阴影的过渡是一个动态的过程,因为它是受到天气变化的影响,灰尘,等。在改变负载下mQHBM将观察到的性能作为主要项目在未来,尤其是在太阳能充电站和建筑系统集成光伏系统。

数据可用性

没有数据可用来支持本研究的发现。

的利益冲突

作者宣称他们没有利益冲突有关。

确认

这项工作是由PNBP嗯,印尼与合同20.3.42 / UN32.14.1 / LT / 2020。