La precisión de la característica de la célula/módulo/matriz fotovoltaica en varias condiciones operativas de radiación y temperatura se basa principalmente en sus circuitos equivalentes secuencialmente; se basa en parámetros identificados de los circuitos. Por lo tanto, este artículo propone una variante interactiva modificada del algoritmo de optimización reciente del método rung-kutta (MRUN) para determinar los parámetros confiables de los parámetros de los modelos de diodo simple y doble para diferentes células/módulos fotovoltaicos. Los resultados del optimizador MRUN se validan mediante una serie de análisis estadísticos en comparación con cinco nuevos algoritmos metaheurísticos que incluyen Aquila Optimizer (AO), Electric Fish Optimizer (EFO), Barnacles Mating Optimizer (BMO), Capuchin Search Algorithm (CapSA) y Red Fox Optimization Algorithm (RFSO), además de veinticinco técnicas de vanguardia de la literatura. Además, la certeza de los parámetros identificados se evalúa al implementar las características de un sistema completo que consiste en series (S) y series-paralelas (SP) de matrices fotovoltaicas con numerosas dimensiones. Las dimensiones de las matrices consideradas son módulos fotovoltaicos de tres series (3S), seis series (6S) y nueve series (9S). Para las matrices investigadas, se reconocen las matrices tridimensionales. La primera matriz comprende módulos fotovoltaicos 3S-2P donde dos cadenas paralelas (2P) tienen tres módulos en serie en cada cadena (3S). La segunda matriz consta de seis módulos fotovoltaicos en serie y tres en paralelo (6S-3P), y la tercera tiene nueve módulos fotovoltaicos en serie y nueve en paralelo (9S-9P). Los resultados demuestran que el algoritmo propuesto define de manera precisa y confiable los parámetros de diferentes modelos fotovoltaicos con error cuadrático medio y desviación estándar de $ 7.7301e ^{-4}\pm 4.9299e ^{-6}$ y ${7.4653e ^{-4}}\pm {7.2905e ^{-5}}$ para modelos 1D y 2D, respectivamente, mientras tanto, la EJECUCIÓN tiene $ 7.7438e ^{-4}\pm ~3.5798e ^{-4}$ y $ 7.5861e ^{-4}\pm ~4.1096e ^{-4}$, respectivamente. Además, MRUN proporcionó resultados extremadamente competitivos en comparación con otros métodos de extracción de parámetros fotovoltaicos bien conocidos estadísticamente como lo ha hecho.

La précision de la caractéristique de la cellule/du module/du réseau PV dans plusieurs conditions de fonctionnement du rayonnement et de la température repose principalement sur leurs circuits équivalents de manière séquentielle ; elle est basée sur les paramètres identifiés des circuits. Par conséquent, cet article propose une variante interactive modifiée de l'algorithme d'optimisation récent de la méthode rung-kutta (MRUN) pour déterminer les paramètres fiables des paramètres des modèles à diode simple et double pour différentes cellules/modules photovoltaïques. Les résultats de l'optimiseur MRUN sont validés via une série d'analyses statistiques comparées à cinq nouveaux algorithmes méta-heuristiques comprenant l'optimiseur aquila (AO), l'optimiseur de poisson électrique (EFO), l'optimiseur d'accouplement barnacles (BMO), l'algorithme de recherche de capucin (CapSA) et l'algorithme d'optimisation de renard roux (RFSO), vingt-cinq techniques de pointe tirées de la littérature. En outre, la certitude des paramètres identifiés est évaluée lors de la mise en œuvre des caractéristiques d'un système entier constitué de réseaux PV série (S) et série-parallèle (S-P) avec de nombreuses dimensions. Les dimensions des baies considérées sont trois séries (3S), six séries (6S) et neuf séries (9S) de modules PV. Pour les réseaux étudiés, les réseaux tridimensionnels sont reconnus. Le premier réseau comprend des modules PV 3S-2P où deux chaînes parallèles (2P) ont trois modules de série dans chaque chaîne (3S). Le deuxième réseau se compose de six séries - trois modules photovoltaïques parallèles (6S-3P), et le troisième a neuf séries - neuf modules photovoltaïques parallèles (9S-9P). Les résultats prouvent que l'algorithme proposé définit de manière précise et fiable les paramètres de différents modèles PV avec une erreur quadratique moyenne et un écart type de $ 7.7301e ^{-4}\pm 4.9299e ^{-6}$ , et ${ 7.4653e ^{-4}}\pm {7.2905e ^{-5}}$ pour les modèles 1D et 2D, respectivement, tandis que l'EXÉCUTION a $ 7.7438e ^{-4}\pm ~3.5798e ^{-4}$ , et $ 7.5861e ^{-4}\pm ~4.1096e ^{-4}$ , respectivement. En outre, MRUN a fourni des résultats extrêmement compétitifs par rapport à d'autres méthodes d'extraction de paramètres PV bien connues statistiquement comme il l'a fait.

The accuracy of characteristic the PV cell/module/array under several operating conditions of radiation and temperature mainly relies on their equivalent circuits sequentially; it is based on identified parameters of the circuits. Therefore, this paper proposes a modified interactive variant of the recent optimization algorithm of the rung-kutta method (MRUN) to determine the reliable parameters of single and double diode models parameters for different PV cells/modules. The results of the MRUN optimizer are validated via series of statistical analyses compared with five new meta-heuristic algorithms including aquila optimizer (AO), electric fish optimizer (EFO), barnacles mating optimizer (BMO), capuchin search algorithm (CapSA), and red fox optimization algorithm (RFSO) moreover, twenty-five state-of the art techniques from literature. Furthermore, the identified parameters certainty is evaluated in implementing the characteristics of an entire system consists of series (S), and series-parallel (S-P) PV arrays with numerous dimensions. The considered arrays dimensions are three series (3S), six series (6S), and nine series (9S) PV modules. For the investigated arrays, three-dimensional arrays are recognized. The first array comprises 3S-2P PV modules where two parallel strings (2P) have three series modules in each string (3S). The second array consists of six series-three parallel (6S-3P) PV modules, and the third one has nine series-nine parallel (9S-9P) PV modules. The results prove that the proposed algorithm precisely and reliably defines the parameters of different PV models with root mean square error and standard deviation of $7.7301e^{-4}\pm 4.9299e^{-6}$ , and ${7.4653e^{-4}}\pm {7.2905e^{-5}}$ for 1D, and 2D models, respectively meanwhile the RUN have $7.7438e^{-4}\pm ~3.5798e^{-4}$ , and $7.5861e^{-4}\pm ~4.1096e^{-4}$ , respectively. Furthermore MRUN provided extremely competing results compared to other well-known PV parameters extraction methods statistically as it has.

تعتمد دقة خاصية الخلية/الوحدة/المصفوفة الكهروضوئية في ظل العديد من ظروف التشغيل للإشعاع ودرجة الحرارة بشكل أساسي على الدوائر المكافئة لها بالتتابع ؛ يعتمد على المعلمات المحددة للدوائر. لذلك، تقترح هذه الورقة متغيرًا تفاعليًا معدلًا لخوارزمية التحسين الحديثة لطريقة الدرجة- كوتا (MRUN) لتحديد المعلمات الموثوقة لمعلمات نماذج الصمام الثنائي الفردي والمزدوج للخلايا/الوحدات الكهروضوئية المختلفة. يتم التحقق من صحة نتائج محسن MRUN عبر سلسلة من التحليلات الإحصائية مقارنة بخمسة خوارزميات استدلالية جديدة بما في ذلك محسن aquila (AO) ومحسن الأسماك الكهربائي (EFO) ومحسن تزاوج البرنقيل (BMO) وخوارزمية البحث عن الكابوتشين (CapSA) وخوارزمية تحسين الثعلب الأحمر (RFSO) بالإضافة إلى خمسة وعشرين تقنية حديثة من الأدبيات. علاوة على ذلك، يتم تقييم يقين المعلمات المحددة في تنفيذ خصائص نظام كامل يتكون من سلسلة (S)، ومصفوفات PV المتوازية المتسلسلة (S - P) ذات أبعاد عديدة. أبعاد المصفوفات المدروسة هي ثلاث سلاسل (3S)، وست سلاسل (6S)، وتسع سلاسل (9S) من الوحدات الكهروضوئية. بالنسبة للمصفوفات التي تم فحصها، يتم التعرف على المصفوفات ثلاثية الأبعاد. تشتمل المصفوفة الأولى على وحدات 3S -2P PV حيث تحتوي سلسلتان متوازيتان (2P) على ثلاث وحدات متسلسلة في كل سلسلة (3S). تتكون المصفوفة الثانية من ست وحدات PV من ثلاث سلاسل متوازية (6S -3P)، والثالثة تحتوي على تسع وحدات PV من تسع سلاسل متوازية (9S -9P). تثبت النتائج أن الخوارزمية المقترحة تحدد بدقة وموثوقية معلمات النماذج الكهروضوئية المختلفة مع الخطأ التربيعي لمتوسط الجذر والانحراف المعياري بقيمة 7.7301e ^{-4}\pm 4.9299e ^{-6 }$، و ${ 7.4653e ^{-4}}\pm {7.2905e ^{-5 }}$ للنماذج أحادية البعد، وثنائية الأبعاد، على التوالي، في حين أن المدى يحتوي على 7.7438e ^{-4}\pm ~3.5798e ^{-4 }$، و 7.5861e ^{-4}\pm ~4.1096e ^{-4 }$، على التوالي. علاوة على ذلك، قدمت MRUN نتائج متنافسة للغاية مقارنة بطرق استخراج معلمات PV المعروفة إحصائيًا كما فعلت.