Estimación de parámetros fotovoltaicos mediante actualización dinámica y selección de un optimizador serpiente basado en optimización multidireccional

Se propone un optimizador serpiente de aprendizaje sinérgico de múltiples estrategias (MSSO) para abordar los desafíos del alto costo computacional, la identificación limitada de parámetros clave y los resultados inexactos que todavía son prevalentes en los algoritmos de inteligencia de enjambre al gestionar las dinámicas no lineales de los sistemas fotovoltaicos solares. Este artículo, por primera vez, explora los mecanismos intrínsecos entre los cuatro patrones de comportamiento generados por serpientes, que son influenciados por la cantidad de alimento y la temperatura, y su impacto en la diversidad y convergencia de los algoritmos de optimización serpiente. También se discuten las limitaciones observadas, ofreciendo una interpretación novedosa de los algoritmos de optimización serpiente desde una perspectiva fresca. La estrategia del punto superior propuesta de manera innovadora, la estrategia de forrajeo en espiral adaptativa de serpiente y el mecanismo de selección de actualización dinámica con optimización multidireccional permiten que el algoritmo aprenda del óptimo global y del óptimo del vecindario, reduciendo la sobreconfianza de los individuos en posiciones óptimas y acelerando la convergencia. Se realizan extensos experimentos utilizando los benchmarks CEC2017 y CEC2011 en 43 problemas de función y tres problemas de aplicación para la estimación de parámetros fotovoltaicos para evaluar el rendimiento de MSSO. Un análisis comparativo con 26 algoritmos metaheurísticos (MAs) indica que MSSO converge más rápidamente y ocupa el primer lugar en términos de media, desviación estándar y pruebas de Wilcoxon y Friedman. Los resultados del gráfico de media violín combinado con gráficos de dispersión ilustran aún más que MSSO exhibe una nube de datos más densa, una densidad de distribución óptima más concentrada, menos valores atípicos y una estabilidad mejorada. Además, se puede obtener una solución de mayor calidad con solo el 50% de las iteraciones requeridas, sin ningún tiempo computacional adicional. Finalmente, en los tres problemas de aplicación de estimación de parámetros fotovoltaicos, en comparación con 26 MAs, las soluciones proporcionadas por MSSO ocuparon el primer lugar en términos de media y Error Cuadrático Medio (RMSE), y el rendimiento de los algoritmos se puede mejorar hasta en un 94.0% y un 2.7%, lo que resalta la superioridad, universalidad y aplicabilidad de los algoritmos.