多策略改进的胡桃夹子优化算法在太阳能光伏电池参数提取中的应用与性能提升

为解决太阳能光伏(PV)电池参数提取中存在的非线性复杂问题，研究人员提出了一种多策略增强的胡桃夹子优化算法(EMNOA)。该算法通过自适应参数、柯西扰动、自适应适应度更新机制和信息共享机制，显著提升了原NOA算法的探索与开发平衡能力，在CEC2013和CEC2017基准测试中表现优异，并在SDM、DDM、TDM和PVMM四种光伏模型参数提取中将均方根误差(RMSE)分别降低了29.16%、25.45%、37.35%和88.95%，为光伏系统优化提供了新工具。

　　

在全球能源转型和碳中和背景下，太阳能光伏技术作为清洁能源的重要代表，其精确建模和效率提升一直是研究热点。然而，光伏电池参数提取是一个高度非线性的复杂优化问题，传统梯度优化方法难以应对。虽然各种元启发式算法已被广泛用于光伏模型参数提取，但提取结果的准确性和可靠性往往不尽如人意。特别是近年来提出的胡桃夹子优化算法(NOA)，虽然在全局优化和工程设计问题上表现出色，但仍存在探索与开发不平衡、易陷入局部最优等问题。

针对这些挑战，Yukun Wang、Haoran Chen和Wansheng Cheng团队在《Results in Engineering》上发表研究，提出了一种多策略增强的NOA变体——EMNOA。该研究通过系统性的算法改进和全面的性能验证，为光伏电池参数提取这一工程难题提供了新的解决方案。

研究人员采用了四种关键技术方法：自适应参数调整策略使算法更符合胡桃夹子的实际行为；柯西扰动提高了搜索效率；自适应适应度更新机制(AFUM)保持了种群多样性；信息共享机制(ISM)充分利用邻域信息。这些创新使EMNOA在保持算法简洁性的同时，显著提升了优化性能。

研究结果显示，在CEC2013和CEC2017基准函数测试中，EMNOA在"Mean"和"Best"指标上均排名第一，显著优于NOA及其变体INOA1和INOA2。Friedman检验和Wilcoxon检验证实了其统计显著性。特别在光伏参数提取应用中，EMNOA对四种模型(SDM、DDM、TDM和PVMM)的RMSE分别比NOA降低了29.16%、25.45%、37.35%和88.95%。

通过种群规模和迭代次数分析发现，40的种群规模和2000次迭代可获得最佳性能。在SDM参数提取中，EMNOA与INOA1均达到了9.8602E-04的理论最优值；在DDM中，EMNOA在30次独立运行中有17次达到9.8248E-04的最优精度；在更复杂的TDM中，虽然EMNOA仍表现最佳，但仅7次达到最优值，显示该模型更具挑战性。I-V和P-V特性曲线验证了参数估计的准确性。

这项研究的重要意义在于：提出的EMNOA算法通过多策略协同改进，有效解决了NOA存在的关键问题；在光伏参数提取这一实际工程问题上验证了算法的优越性；为光伏系统优化提供了新的可靠工具。研究也指出，未来可进一步优化算法初始收敛速度，并探索在多目标优化中的应用，如光伏阵列布局优化等更复杂的能源问题。这些创新为清洁能源技术的发展提供了重要的算法支持。