光伏模块的参数提取方法研究基于改进混合算法

文摘

正确提取等效电路模型参数的光伏功率预测模块具有重要意义,故障诊断和系统优化的太阳能光伏发电系统。尽管有许多方法开发了提取等效电路模型参数的光伏模块,它仍然是具有挑战性的,以确保稳定和运营效率的提取方法。为了有效提取光伏模块的参数,本文提出了分析方法和微分进化算法相结合的混合算法提取参数的光伏模块。首先,分析方法应用于简化等效电路模型,提高算法的效率。然后,自适应算法调整的参数微分进化算法。通过本文提出的算法的参数等效电路模型的光伏模块可以提取的开路电压,短路电流,最大功率点电流和电压由制造商提供。该方法应用于提取的参数dual-diode等效电路模型,不同类型的光伏组件。的可靠性和计算效率相比,该算法进行了验证和分析。

1。介绍

强调环境和能源问题,光伏发电技术是广泛使用的。为了预测光伏发电的发电系统(1- - - - - -5),提高光伏组件的性能,并执行故障诊断(6- - - - - -10),提取模型参数基于等效电路模型的光伏模块已成为一个研究热点11- - - - - -13]。

太阳能电池目前广泛使用的仿真模型包括single-diode模型和two-diode模型(14]。传统的光伏模块建模使用single-diode模型。近年来,随着研究的深入,研究者发现two-diode模型考虑组合效应的电中性区域和空间电荷区域,揭示光伏电池的工作原理,使two-diode模型更准确比single-diode模型(15]。然而,光伏模块的等效电路模型基于two-diode模型隐式非线性。在方程中,很难找到传统的代数方法的解析解。近年来,研究人员已经提出了大量的这个问题的建模方法。这些方法可以分为两类:一个是数值解的方法,模型的解析解是通过一些经验公式和数学技巧。很短,因为该方法通常忽略了一些参数或使用经验公式来获得一些参数。如果申请过程中的参数设置不当,它会影响模型的准确性16- - - - - -19]。其他类型使用智能优化算法,如差分进化(DE)算法,粒子群优化(PSO)算法和遗传算法(GA)。这些方法不近似参数在使用过程中,可以改善解的准确性(20.- - - - - -27]。然而,这些智能优化算法是随机优化算法。如果算法参数设置不正确,将会影响解决方案的稳定性和鲁棒性。此外,这些算法需要很长时间来解决高维优化问题。还有两个数据来源为光伏模块建模。一个是光伏模块的数据获得在特定实验条件下;另一种是标准的测试条件(STC)所提供的制造商:短路电流、开路电压,电压和电流在最大功率点。第一个类型的数据来自实验。建立模型是接近实际的工作条件,但实验工作量大,和测试过程数据将错误由于试验条件的限制,导致一个大模型误差。第二个是数据。标准测试数据从制造商是可靠的数据源,有小建模工作量,并广泛应用于工程,但是这种方法有一个小的数据量;如果建模方法是不合适的,它将导致大的模型误差。

找到一个快速,简单,准确的方法建模的太阳能电池,下巴等。28)提出了一个混合计算方法相结合的数值解与智能优化算法来提取光伏模块电路模型的参数使用标准测试数据由厂家提供。解决方法是用于获取photogenerated当前太阳能电池模型在标准试验条件下,两个等效二极管反向饱和电流,并行阻力。然后,微分进化算法找到理想的因素和两个二极管的串联电阻。该方法结合了两种建模方法实现太阳能电池的快速和准确的建模。然而,为了维护建模的准确性,该方法不作任何近似和假设的数值计算方法,导致参数的显式表达式的复杂性,这就增加了建模的难度,增加了计算时间。此外,进化算法的优势容易multipeak功能的实现和优化。然而,在进化过程的随机搜索,“过早成熟”的现象很容易发生,导致当地最好的,从而导致建模精度的下降。

道等。29日)使用自适应差分进化算法来提取基于two-diode光伏模块的参数模型,但它是模仿的实验中,获得的数据解决方案的维度并不是由于模型的降维处理。高,是更多的计算,耗时的建模。自适应差分进化算法在本文中只会让比例因子自适应地调整与进化代数。虽然这种方法可以避免的现象“过早”,算法的搜索效率和鲁棒性不改善。

为了保持微分进化算法的优点,抑制“过早成熟”现象,国内外研究人员改进的微分进化算法。改进后的方法可分为两种类型,一是改进算法的参数和步骤,如秦et al。30.]替换的收缩因子与高斯随机数算法和随机选择一个个体执行变异操作来提高算法的鲁棒性和搜索效率。Vo-Duy et al。31日在变异操作,根据人口的平均适应最优值,确定比例因子。人口增加了部分在进化后期的扰动,保持种群多样性,避免“过早成熟。“另一种类型是添加扰动因素在人群之外,保持种群多样性,并避免落入当地部分,这是最有利的。Tvrdik和Krivy32)使用的最佳聚类方法选择indivitwos参与进化,选择个人从不同类别形成新的种群迭代过程,和随机排序的indivitwos集群中心。搜索全球最好的。Ayala et al。33)使用人口信息的融合和手动干预选择过程来自动识别最好的搜索路径。秦和Suganthan34)结合上述两种改进方法,使用改进的交叉策略和自适应调整控制参数,实现全局优化。为了改进微分进化算法的性能,研究人员改进传统的微分进化算法的参数设置和变异策略,提出了很多改进的微分进化算法(33,35- - - - - -43]。本文提出的参数自适应方法Civicioglu和Besdok用于调整参数的算法(33,35- - - - - -43]。

本文的目的是开发一个光伏模块参数提取算法相结合的改进的微分进化算法的分析方法。该算法可以准确地提取光伏模块参数基于dual-diode电路模型和具有较高的计算效率。在该算法中,简化的等效电路模型分析方法以提高算法的效率。然后,自适应算法是用来调整参数的微分进化算法,以避免算法陷入局部最优,提高收敛速度。最后,使用上面的算法和开路电压,短路电流,和最大功率点电流和电压的光伏模块制造商提供的等效电路模型参数的光伏模块可以提取。该方法应用于提取dual-diode等效电路模型参数不同类型的光伏模块。比较和分析表明,该算法具有较高的可靠性和计算效率的竞争力。

本文的主要贡献如下:(1)分析方法和微分进化算法相结合的混合算法开发光伏参数估计。在这种方法中,分析方法应用于简化等效电路模型和提高算法的效率(2)该算法采用一种自适应方法调整参数的微分进化算法来避免算法进入局部最佳,加快算法的收敛(3)该算法应用于提取参数的三种不同的光伏模块。结果方法的提出与完善的算法来证实其有效性

剩下的纸是组织如下:部分2介绍了光伏模块模型基于两个二极管。部分3描述了光伏模块建模和参数优化问题。部分4介绍了改进的微分进化算法的原则。部分5给出了实验结果和讨论。部分6本文总结道。

2。光伏模块模型基于两个二极管

光伏模块的模型基于两个二极管如图1。其数学模型如方程所示(1)。 在哪里是光伏模块输出电流(A);是光伏模块输出电压(V);photogenerated电流(A);和是两个等效二极管反向饱和电流(A),分别;和的理想因子two-diode模型;光伏电池的等效串联电阻( ); 光伏电池的等效并联电阻( );和光伏电池的热温度系数;它的方程是 在哪里波尔兹曼常数( J / K),是绝对温度(K)光伏电池,然后呢是电子电荷( )。

的短路电流 ,开路电压 ,和最大功率点电压和当前在不同的温度和不同的太阳辐射强度可以通过标准测试条件的参数由制造商根据提供的 在哪里 , , , , ,和短路电流、开路电压,最大功率点电流、最大功率点电压,太阳辐射强度和温度测量在标准试验条件下; , , ,和短路电流、开路电压,最大功率点电流,和最大功率点电压;和和辐射强度和温度的光伏模块。制造商不提供七个参数 , , , , , ,和包含在方程(1),所以对PV模块建模的目的是估计上述七参数的数据由厂家提供。七个参数(1)使光伏模块的伏安曲线得到方程(1)与制造商提供的测量曲线一致。

3所示。光伏模块建模和参数优化

本文使用厂家提供的测试数据,结合数值计算方法和微分进化算法,建模和参数优化的方法只使用太阳能光伏电池模块的测试参数。

首先,制造商提供的短路状态点数据转换为公式(1): 在哪里和two-diode质量因素在光伏电池电路模型在标准试验条件下,是光伏电池的等效串联电阻在试验条件下,是光伏电池的等效并联电阻在测试条件下,然后呢热温度系数的试验条件下光伏电池;的数学表达式

通常情况下, , ,然后方程(1)可以简化

同样,它可以代替开路电压状态点( ,0)到方程(1):

集

根据分析Yahya-Khotbehsara Shahhoseini [44),一般来说,三至四倍吗 ;它可以由以下公式表示:

用方程(13)方程(10),因为表达式,可以获得

同样,用最大功率状态点( , )在方程(1)是可用的:

在这一点上,只有三个未知参数的光伏模块模型: , ,和 。有效降低维度的微分进化算法来解决这个问题。为了使用微分进化算法来解决剩下的未知参数,需要定义一个合适的目标函数。通过观察光伏模块的曲线,可以发现有一个“曲线拐点”,即最大功率点,和最大功率点的位置是影响三个参数: , ,和 ,的太阳能光伏模块可以通过优化三个参数进行了优化。在最大功率点的梯度曲线是最小的。根据上述分析,最大功率状态点的输出功率是0:

也可以写成

因此,目标函数的微分优化算法被定义为 在哪里

应用微分进化算法搜索时,三个参数,以确保解决方案是一个可行的解决方案,必须约束参数的变化。根据文献[11),约束如下:

当 ,或 ,或 ,或 ,或 , 在哪里和的最小值和最大值呢 ,分别。如果参数搜索范围超过上面的约束范围,目标函数将被设置 。图2算法流程图,录像机的预设值是目标函数。

4所示。改进微分进化算法

微分进化算法是一种智能优化算法与简单的编程和快速收敛性。它适应性强multipeak函数优化问题。它一直在优化机制、图像识别、目标跟踪等。该领域被广泛使用。人类研究的深化,DE算法也应用到光伏模块参数的提取。然而,由于微分进化算法是一种随机self-heuristic搜索算法,在高维和multipeak问题,该算法将出现“过早”,因此落入当地最好的。DE算法的基本流程如下。

4.1。初始化

DE算法首先随机生成NP - - - - - -维决策向量,向量表示为 在哪里当前的代数和吗向量的维数。

每个元素的向量是随机生成的根据 在哪里和的上、下界搜索空间,分别和 是一个均匀分布的随机数在0和1之间。

4.2。变异操作

个体中随机选择当前人口和缩放操作所产生的变异个体,从而实现不同区域的搜索可行域。突变的公式是 在哪里 , ,和是随机整数,然后呢 。

4.3。交叉操作

为了保持种群的多样性,与原个体变异的个体交换信息来产生新个体。crossoperating操作符可以表示为 在哪里一个随机数在吗 ,确保至少有一个候选人的个人信息的变异个体,防止无效的发生演变。同时,个人价值也限制在交叉操作。避免越过边界和nonfeasible生产解决方案。

4.4。选择操作

比较恰当的原始个人和候选人的个人,选择适度的良好的个人进入下一个迭代过程,以优化决策变量。选择操作符一样

虽然基本的微分进化算法具有收敛速度快,它的稳定性和鲁棒性差。为了保持参数优化过程的牢度和保持良好稳定,文献[45)微分进化算法,提出了一种自适应比例因子,交叉概率,优化策略可以根据目标函数自适应地选择信息来提高算法的性能。每个人的比例因子和crossfactor生成概率服从柯西分布和正态分布。最后迭代的参数成功率调整控制参数的概率分布模型的参数自适应调整和改进微分进化算法的性能。

参数自适应调整的具体方法如下。

一个个体,其交叉概率遵循正态分布:

这个公式的影响和是限制来 ,的初始值是0.5,每次迭代后更新: 在哪里是一个成功的交叉概率,算术平均操作,权重因子。比例因子生成如下:

的初始值的公式设置为0.5,每一次迭代后更新如下: 在哪里是黄土均值,计算

5。实验结果和讨论

为了有效地提取光伏模块的参数,参数设置的微分进化算法是非常重要的。在文献[28),比例因子和交叉概率的初始值设置为0.5和0.8,分别。交叉的选择策略是在文献[28]。的自适应选择方法,决策变量的搜索范围如下: , ,和 ;人口的大小设置为30;和最大迭代次数设置为1000。

为了验证该方法,选择三种不同的光伏组件,包括单晶硅组件、多晶硅组件,薄膜组件。参数提取和比较了不同的方法。测试数据是来自制造商的指示。三个组件的参数由制造厂商提供优质如表所示1。在MATLAB平台上,二极管模型中的参数对应于三个组件由差分进化(DE)算法提取(28)和改进的微分进化算法(IDE)提出本文分别。为了使算法提出了一个公平的比较,该算法在文献[28),这两个算法是独立运行30次获得他们的统计结果。表2展示了实验的统计结果。两种算法的收敛曲线如图所示3。参数如表所示3- - - - - -5。这些表表明,本文的方法可以准确地解决单晶硅组件的参数,多晶硅组件,薄膜组件。从表可以看出6的平均绝对值SP75单晶硅模块由该方法提取失学是绝对的。误差为0.015,平均绝对误差S25多晶硅组件下的0.013,平均绝对误差ST36薄膜组件在STC)为0.026,平均绝对误差在0.05。以上三个部分的计算结果,分别。用(1),使用牛顿迭代法,可以解决的光伏模块的特性曲线在不同温度和不同的光强度如图4- - - - - -9。从这些数据可以看出,文献[提取的参数28),该方法在STC可以适应输出特性曲线的三个PV模块,但是本文提出的方法拟合的准确性高于文献[28]。

的绝对误差来 在哪里实验数据和吗通过仿真获得的数据;平均绝对误差(MAE)表达式 在哪里采样点的数量。光伏模块的平均绝对误差在不同环境条件计算根据方程(36)如表所示6。从表中可以看出,平均绝对误差的模拟参数提取的方法在不同环境条件下接近的文献[28),证明了该方法的有效性。

CPU:英特尔i5 - 4210 u@2.39 GHz,记忆:12 GB的计算环境,利用本文提出的方法,该方法的28SP75]提取两个二极管,S25, ST36三光伏组件在不同环境条件下,所花费的时间模型参数如表所示7。从表中可以看出,时间提取参数在同一计算环境中使用这种方法比文献[小28),这表明适当的近似后可以提高计算的速度。

数据10- - - - - -12显示了绝对误差的比较三个不同模块的参数在STC使用文献[28),本文的提取方法。从数据可以看出,SP75 S25多晶硅和单晶硅模块模块,绝对误差的两种方法基本上是相同的恒流地区的光伏模块,但在恒压区域,该方法的准确性高于文献[28)方法。然而,ST36薄膜模块的方法(28)高于方法本文的结论表明Yahya-Khotbehsara和Shahhoseini44三至四次不是适用于薄膜模块。

6。结论

提出了一种混合光伏模块参数提取算法相结合的改进的微分进化算法的分析方法。它只需要四个参数的开路电压,短路电流,和最大功率点电流和电压的光伏模块制造商提供的;然后,基于dual-diode光伏模块的参数等效电路模型中提取。在该算法中,简化的等效电路模型分析方法以提高算法的效率。然后,自适应算法是用来调整参数的微分进化算法,以避免算法陷入局部最优,提高收敛速度。本文综合实验测试进行算法研究算法的性能参数提取不同类型的光伏模块。最近与其他方法相比,实验和统计分析证明了该算法的优越性的准确性、可靠性和计算效率。

数据可用性

使用的实验数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

H.W. Z.S.构思论文和设计进行了模拟;H.W.写和修改论文;H.W. Z.S.最后分析数据。

确认

这项研究受到了特殊的金融援助,博士后研究员在重庆(格兰特Xm2014086);科学技术研究项目的重庆市教育委员会(格兰特KJ131321),长江师范大学和科技研究项目(批准2013 xj2d004)。

引用

1. f . j .风扇l . Wu, h . Cai x,和h呗,”评价和开发经验模型估算的日常和每月平均每天扩散水平对中国不同气候地区的太阳辐射,”可再生能源和可持续能源的评论卷,105年,第186 - 168页,2019年。视图:出版商的网站|谷歌学术搜索
2. l .吴黄g . j .粉丝,f, x,和w·曾“潜在的基于非线性扩展为模型和梯度下降提高分类特性支持预测每日全球太阳辐射在潮湿的地区,”能量转换和管理卷,183年,第295 - 280页,2019年。视图:出版商的网站|谷歌学术搜索
3. f . j .风扇l . Wu Zhang et al .,“经验和机器学习模型预测每日全球太阳能辐射日照时间:文献综述和案例研究在中国,“可再生能源和可持续能源的评论卷,100年,第212 - 186页,2019年。视图:出版商的网站|谷歌学术搜索
4. l . j .风扇x Wang吴et al .,“新组合模型估算每天全球太阳能辐射基于在潮湿地区日照时间:一个案例研究在中国南方,”能量转换和管理卷,156年,第625 - 618页,2018年。视图:出版商的网站|谷歌学术搜索
5. f . l . j .粉丝,b . Chen Wu, x,, y,“评估和发展temperature-based实证模型估计每日全球太阳辐射在潮湿的地区,”能源卷,144年,第914 - 903页,2018年。视图:出版商的网站|谷歌学术搜索
6. f . Harrou、b . Taghezouit和y太阳,“健壮且灵活的故障检测策略在发电的光伏系统中,“能量转换和管理卷,180年,第1166 - 1153页,2019年。视图:出版商的网站|谷歌学术搜索
7. l .陈和x王”自适应故障定位在光伏系统中,IEEE智能电网,9卷,不。6,6752 - 6763年,2018页。视图:出版商的网站|谷歌学术搜索
8. k .贾c .顾z宣,l·李和y林,“故障特征分析和线路保护的设计在一个大型光伏电站,”IEEE智能电网,9卷,不。5,4099 - 4108年,2018页。视图:出版商的网站|谷歌学术搜索
9. j·d·Bastidas-Rodriguez e·佛朗哥g . Petrone c . a . Ramos-Paja和g . Spagnuolo”量化光伏模块的退化使用基于模型的指标,“数学和计算机模拟卷,131年,第113 - 101页,2017年。视图:出版商的网站|谷歌学术搜索
10. g . s . k . Kim Seo, b·h·曹和p . t . Krein“光伏热点检测太阳能电池板子字符串使用交流电参数特征,“IEEE电力电子没有,卷。31日。2、1121 - 1130年,2016页。视图:出版商的网站|谷歌学术搜索
11. t . Easwarakhanthan j . Bottin a . El-Slassi r . Ravelet和s . Ravelet“微机控制模拟器的光伏发电机使用可编程电压发生器”太阳能电池,17卷,不。2 - 3、383 - 390年,1986页。视图:出版商的网站|谷歌学术搜索
12. z Zhong-Zheng和c .肖芳Dual-origin坐标系太阳能电池。”《物理学报》,卷63,不。11日,2014年。视图:谷歌学术搜索
13. r . Abbassi a . Abbassi a . a . Heidari对伊朗伊斯兰共和国通讯社表示,美国Mirjalili,”一个高效樽海鞘swarm-inspired光伏电池模型的参数识别的算法,”能量转换和管理卷,179年,第372 - 362页,2019年。视图:出版商的网站|谷歌学术搜索
14. j·r·m·g·Villalva Gazoli,大肠Ruppert球场,“全面的光伏阵列建模与仿真方法,”IEEE电力电子,24卷,不。5,1198 - 1208年,2009页。视图:出版商的网站|谷歌学术搜索
15. j。查尔斯,即Mekkaoui-Alaoui、g .盾边和p . Mialhe”的一个关键研究单引号和双指数模型的有效性太阳能电池的电流-电压特性,”固态电子,28卷,不。8,807 - 820年,1985页。视图:出版商的网站|谷歌学术搜索
16. 公元前先生和美国Gurjar小说two-diode简化模型的光伏(PV)模块,“IEEE光伏杂志,4卷,不。4、1156 - 1161年,2014页。视图:出版商的网站|谷歌学术搜索
17. a . a . Elbaset h·阿里,m . Abd-El Sattar“光伏模块,小说seven-parameter模型”太阳能材料和太阳能电池卷,130年,第455 - 442页,2014年。视图:出版商的网站|谷歌学术搜索
18. k . Ishaque z萨拉姆,h·塔,“简单、快速和准确的two-diode光伏模块、模型”太阳能材料和太阳能电池,卷95,不。2、586 - 594年,2011页。视图:出版商的网站|谷歌学术搜索
19. s . y . Wang Yize, p .乐乐,y,“光伏模块参数提取基于朗伯W函数”《物理学报》,卷61,不。24日,第538 - 533页,2012年。视图:谷歌学术搜索
20. k . Ishaque z萨拉姆、h·塔和A . Shamsudin“EA的关键评估计算方法为光伏电池参数提取基于两个二极管模型,”太阳能,卷85,不。9日,第1779 - 1768页,2011年。视图:出版商的网站|谷歌学术搜索
21. l .郭z孟、y太阳和l .王”参数识别和太阳能电池模型的灵敏度分析猫群优化算法,”能量转换和管理卷,108年,第528 - 520页,2016年。视图:出版商的网站|谷歌学术搜索
22. d·h·Muhsen a . b . Ghazali t .哈提卜,中情局在床上,“双二极管光电模块的模型参数提取的混合进化算法的基础上,“能量转换和管理卷,105年,第561 - 552页,2015年。视图:出版商的网站|谷歌学术搜索
23. x、b, c·梅y叮,和k·李,“Teaching-learning-based人工蜜蜂殖民地为太阳能光伏参数估计,“应用能源卷,212年,第1588 - 1578页,2018年。视图:出版商的网站|谷歌学术搜索
24. g . Xiankun y Chuanan、g . Xiangchuan和y永昌,“隐式和explicitsingle-diode模型精度比较的太阳能光伏电池和模块,“《物理学报》,卷63,不。17日,第375 - 366页,2012年。视图:谷歌学术搜索
25. 陈x和k . Yu”组合与biogeography-based布谷鸟搜索算法优化光伏模型参数估计,“太阳能卷,180年,第206 - 192页,2019年。视图:出版商的网站|谷歌学术搜索
26. k . Yu, b, c .曰,美国通用电气、x Chen和j .梁”performance-guided JAYA算法参数识别的光伏电池和模块,“应用能源卷,237年,第257 - 241页,2019年。视图:出版商的网站|谷歌学术搜索
27. j . j . k . Yu梁,b . y, z . Cheng和h . Wang”多个学习回溯搜索算法估计参数的光伏模型,”应用能源卷,226年,第422 - 408页,2018年。视图:出版商的网站|谷歌学术搜索
28. v . j .下巴,z萨拉姆,k . Ishaque”的准确、快速计算算法two-diode光伏模块的模型基于一种混合方法,”IEEE工业电子产品,卷64,不。8,6212 - 6222年,2017页。视图:出版商的网站|谷歌学术搜索
29. w·道,j .、y Huaiqiao, g .羌族“应用自适应差分演化算法在光伏模块的参数识别模型中,“电力科学与工程,34卷,不。4、1 - 7,2018页。视图:谷歌学术搜索
30. a . k .秦、黄v . l .和p . n . Suganthan“微分进化算法策略适应全球数值优化”IEEE进化计算,13卷,不。2、398 - 417年,2009页。视图:出版商的网站|谷歌学术搜索
31. t . Vo-Duy诉Ho-Huu、h . Dang-Trung和t . Nguyen-Thoi”一个两步叠层复合材料结构的损伤诊断方法利用模态应变能方法和一种改进的微分进化算法,”复合结构卷。147年,42-53,2016页。视图:出版商的网站|谷歌学术搜索
32. j . Tvrdik和i Krivy混合差分进化算法最优聚类。”应用软计算,35卷,第512 - 502页,2015年。视图:出版商的网站|谷歌学术搜索
33. h . v . h . Ayala l·多斯桑托斯科埃略v c·马里安尼和a . Askarzadeh”一种改进自由搜索微分进化算法:一个案例研究参数的识别一个二极管等效电路的太阳能电池模块,“能源卷,93年,第1522 - 1515页,2015年。视图:出版商的网站|谷歌学术搜索
34. a . k .秦和p . n . Suganthan“自适应数值微分进化算法优化”2005年IEEE国会在2005年进化计算IEEE国会进化计算,第1791 - 1785页,2005年。视图:谷歌学术搜索
35. p . Civicioglu和大肠Besdok Bernstain-search微分进化算法数值函数优化,“专家系统与应用程序,第138卷,第112831页,2019年。视图:出版商的网站|谷歌学术搜索
36. w·他·w·龚,l . Wang x(音)和c,“模糊于社区的微分进化方向对于非线性方程系统,”以知识为基础的系统,第182卷,第104796页,2019年。视图:出版商的网站|谷歌学术搜索
37. f . Caraffini a . v . Kononova d·科恩,“不可行性和结构性偏差微分进化,”信息科学卷,496年,第179 - 161页,2019年。视图:出版商的网站|谷歌学术搜索
38. m .田和x高,“微分进化于社区的数值优化、自适应进化机制”信息科学卷,478年,第448 - 422页,2019年。视图:出版商的网站|谷歌学术搜索
39. h . g .吴x沈,h . Li, a·林和p . n . Suganthan“合奏微分进化变异,”信息科学卷,423年,第186 - 172页,2018年。视图:出版商的网站|谷歌学术搜索
40. e·h·德塞·伐斯冈萨雷斯,他的a . l . Amoroso v c·马里安尼和l·d·s·科埃略,”经济优化设计壳管热交换器由一个Tsallis微分进化,”应用热工程卷,111年,第151 - 143页,2017年。视图:出版商的网站|谷歌学术搜索
41. h . v . Hultmann Ayala f·m·多斯桑托斯v c·马里安尼和l·d·s·科埃略,“基于一本小说的图像阈值分割β微分进化的方法,”专家系统与应用程序,42卷,不。4、2136 - 2142年,2015页。视图:出版商的网站|谷歌学术搜索
42. l·d·s·科埃略,r·c·托姆Souza v c·马里安尼,“基于文化算法的改进差分进化方法和多样性度量应用于解决负荷经济调度问题,“数学和计算机模拟,卷79,不。10日,3136 - 3147年,2009页。视图:出版商的网站|谷歌学术搜索
43. Prabha和r . Yadav,“微分进化变异算子与生物制品,”工程科学与技术、国际期刊,2019年。视图:出版商的网站|谷歌学术搜索
44. A . Yahya-Khotbehsara和A . Shahhoseini”双二极管模型的快速建模光伏模块的使用组合分析和数值方法,”太阳能卷,162年,第409 - 403页,2018年。视图:出版商的网站|谷歌学术搜索
45. j . Zhang和a·c·桑德森,”小玉:自适应差分进化与可选的外部存档,“IEEE进化计算,13卷,不。5,945 - 958年,2009页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020吴海涛和周商。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。