Оптимизация идентификации параметров топливных элементов протонообменной мембраны с использованием усовершенствованного алгоритма колибри

Топливные элементы (ТЭ) привлекли значительный интерес из-за их универсального применения, но моделирование их нелинейного поведения является сложной задачей. В этом исследовании предлагается усовершенствованный алгоритм искусственного колибри (EAHA) для идентификации семи неизвестных параметров батарей топливных элементов с протонообменной мембраной (PEMFC) с использованием их экспериментальных данных. Цель состоит в том, чтобы точно спрогнозировать кривые тока/напряжения (I/V) путем минимизации функции стоимости, определяемой как сумма квадратов разностей между измеренными точками данных и оценками модели. EAHA сочетает в себе несколько методов территориального поиска пищи с механизмом линейного регулирования. Его производительность сравнивается с традиционным алгоритмом искусственного колибри (AHA), использующим три обычных модуля PEMFC. Кроме того, проводится сравнительный анализ с использованием ранее опубликованных методов и недавно разработанных оптимизаторов, таких как оптимизатор роя частиц (PSO), алгоритм оптимизации Grasshopper (GOA), оптимизация поиска атомов (ASO), оптимизатор Grey Wolf (GWO) и родительский алгоритм, т.е. искусственный, Алгоритм Колибри (AHA). Результаты демонстрируют эффективность предлагаемого подхода по сравнению с существующими методами и современными оптимизаторами. Две модели взяты для проверки надежности и производительности PEMFC. Результаты также сравниваются с непараметрическими тестами и делается вывод, что предложенный алгоритм намного лучше остальных сравниваемых алгоритмов в обеих моделях.

1. Sultan, H. M., Menesy, A. S., Hassan, M. S., Jurado, F., & Kamel, S. (2023). Standard and Quasi Oppositional bonobo optimizers for parameter extraction of PEM fuel cell stacks. Fuel, 340, 127586.

2. Rezk, H., Olabi, A. G., Abdelkareem, M. A., & Sayed, E. T. (2022). Boosting the power density of two‐chamber microbial fuel cell: Modeling and optimization. International Journal of Energy Research, 46(15), 20975-20984.

3. Abd Elaziz, M., Abualigah, L., Issa, M., & Abd El-Latif, A. A. (2023). Optimal parameters extracting of fuel cell based on Gorilla Troops Optimizer. Fuel, 332, 126162.

4. Samara, G., & Aljaidi, M. (2018). Aware-routing protocol using best first search algorithm in wireless sensor. Int. Arab J. Inf. Technol., 15(3A), 592-598.

5. Özdemir, M. T. (2021). Optimal parameter estimation of polymer electrolyte membrane fuel cells model with chaos embedded particle swarm optimization. International Journal of Hydrogen Energy, 46(30), 16465-16480.

6. Shaheen, A., El-Sehiemy, R., El-Fergany, A., & Ginidi, A. (2023). Fuel-cell parameter estimation based on improved gorilla troops technique. Scientific Reports, 13(1), 8685.

7. Yang, S., & Wang, N. (2012). A novel P systems based optimization algorithm for parameter estimation of proton exchange membrane fuel cell model. International Journal of Hydrogen Energy, 37(10), 8465-8476.

8. Chang, L., Li, M., Qian, L., & de Oliveira, G. G. (2024). Developed multi-objective honey badger optimizer: Application to optimize proton exchange membrane fuel cells-based combined cooling, heating, and power system. International Journal of Hydrogen Energy, 50, 592-605.

9. Houssein, E. H., Hashim, F. A., Ferahtia, S., & Rezk, H. (2021). An efficient modified artificial electric field algorithm for solving optimization problems and parameter estimation of fuel cell. International Journal of Energy Research, 45(14), 20199-20218.

10. Kandidayeni, M., Macias, A., Khalatbarisoltani, A., Boulon, L., & Kelouwani, S. (2019). Benchmark of proton exchange membrane fuel cell parameters extraction with metaheuristic optimization algorithms. Energy, 183, 912-925.

11. Bai, Q., & Li, H. (2022). The application of hybrid cuckoo search-grey wolf optimization algorithm in optimal parameters identification of solid oxide fuel cell. International Journal of Hydrogen Energy, 47(9), 6200-6216.

12. Aljaidi, M., Aslam, N., Samara, G., Almatarneh, S., Khaled, A. Q., & Alqammaz, A. (2022, November). EV charging station placement and sizing techniques: survey, challenges and directions for future work. In 2022 International Arab Conference on Information Technology (ACIT) (pp. 1-6). IEEE.

13. Aly, M., & Rezk, H. (2022). An improved fuzzy logic control-based MPPT method to enhance the performance of PEM fuel cell system. Neural Computing and Applications, 1-12.

14. Kheirandish, A., Shafiabady, N., Dahari, M., Kazemi, M. S., & Isa, D. (2016). Modeling of commercial proton exchange membrane fuel cell using support vector machine. International journal of hydrogen energy, 41(26), 11351-11358.

15. Wilberforce, T., & Biswas, M. (2022). A study into proton exchange membrane fuel cell power and voltage prediction using artificial neural network. Energy Reports, 8, 12843-12852.

16. Mostafaeipour, A., Qolipour, M., Goudarzi, H., Jahangiri, M., Golmohammadi, A. M., Rezaei, M., & Khalifeh Soltani, S. R. (2019). Implementation of adaptive neuro-fuzzy inference system (ANFIS) for performance prediction of fuel cell parameters. Journal of Renewable Energy and Environment, 6(3), 7-15.

17. Ashraf, H., Abdellatif, S. O., Elkholy, M. M., & El-Fergany, A. A. (2022). Computational techniques based on artificial intelligence for extracting optimal parameters of PEMFCs: Survey and insights. Archives of Computational Methods in Engineering, 29(6), 3943-3972.

18. El-Fergany, A. A., Hasanien, H. M., & Agwa, A. M. (2019). Semi-empirical PEM fuel cells model using whale optimization algorithm. Energy Conversion and Management, 201, 112197.

19. Ali, Z. M., Ahmed, A. M., Hasanien, H. M., & Aleem, S. H. A. (2023). Optimal Design of Fractional-Order PID Controllers for a Nonlinear AWS Wave Energy Converter Using Hybrid Jellyfish Search and Particle Swarm Optimization. Fractal and Fractional, 8(1), 6.

20. Ali, Z. M., Al-Dhaifallah, M., Al-Gahtani, S. F., & Muranaka, T. (2023). A new maximum power point tracking method for PEM fuel cell power system based on ANFIS with modified manta ray foraging algorithm. Control Engineering Practice, 134, 105481.

21. Rizk-Allah, R. M., & El-Fergany, A. A. (2021). Artificial ecosystem optimizer for parameters identification of proton exchange membrane fuel cells model. International Journal of Hydrogen Energy, 46(75), 37612-37627.

22. Gupta, J., Nijhawan, P., & Ganguli, S. (2021). Optimal parameter estimation of PEM fuel cell using slime mould algorithm. International Journal of Energy Research, 45(10), 14732-14744.

23. Priya, K., & Rajasekar, N. (2019). Application of flower pollination algorithm for enhanced proton exchange membrane fuel cell modelling. International Journal of Hydrogen Energy, 44(33), 18438-18449.

24. Diab, A. A. Z., Tolba, M. A., El-Magd, A. G. A., Zaky, M. M., & El-Rifaie, A. M. (2020). Fuel cell parameters estimation via marine predators and political optimizers. IEEE Access, 8, 166998-167018.

25. Jiang, B., Wang, N., & Wang, L. (2014). Parameter identification for solid oxide fuel cells using cooperative barebone particle swarm optimization with hybrid learning. International journal of hydrogen energy, 39(1), 532-542.

26. Hao, P., & Sobhani, B. (2021). Application of the improved chaotic grey wolf optimization algorithm as a novel and efficient method for parameter estimation of solid oxide fuel cells model. International Journal of Hydrogen Energy, 46(73), 36454-36465.

27. Guo, C., Lu, J., Tian, Z., Guo, W., & Darvishan, A. (2019). Optimization of critical parameters of PEM fuel cell using TLBO-DE based on Elman neural network. Energy Conversion and Management, 183, 149-158.

28. Li, J., Gao, X., Cui, Y., Hu, J., Xu, G., & Zhang, Z. (2020). Accurate, efficient and reliable parameter extraction of PEM fuel cells using shuffled multi-simplexes search algorithm. Energy conversion and management, 206, 112501.

29. Zhao, W., Wang, L., & Mirjalili, S. (2022). Artificial hummingbird algorithm: A new bio-inspired optimizer with its engineering applications. Computer Methods in Applied Mechanics and Engineering, 388, 114194.

30. Hamida, M. A., El-Sehiemy, R. A., Ginidi, A. R., Elattar, E., & Shaheen, A. M. (2022). Parameter identification and state of charge estimation of Li-Ion batteries used in electric vehicles using artificial hummingbird optimizer. Journal of Energy Storage, 51, 104535.

31. Sarhana, S., Shaheen, A., El-Sehiemy, R., & Gafar, M. (2023). Optimal multi-dimension operation in power systems by an improved artificial hummingbird optimizer. Hum.-Centric Comput. Inf. Sci, 13, 13.

32. El-Sehiemy, R., Shaheen, A., El-Fergany, A., & Ginidi, A. (2023). Electrical parameters extraction of PV modules using artificial hummingbird optimizer. Scientific Reports, 13(1), 9240.

33. Moustafa, G., Ginidi, A. R., Elshahed, M., & Shaheen, A. M. (2023). Economic environmental operation in bulk AC/DC hybrid interconnected systems via enhanced artificial hummingbird optimizer. Electric Power Systems Research, 222, 109503.

34. Mann, R. F., Amphlett, J. C., Hooper, M. A., Jensen, H. M., Peppley, B. A., & Roberge, P. R. (2000). Development and application of a generalised steadystate electrochemical model for a PEM fuel cell. Journal of power sources, 86(1-2), 173-180.

35. Mahato, D. P., Sandhu, J. K., Singh, N. P., & Kaushal, V. On scheduling transaction in grid computing using cuckoo search-ant colony optimization considering load. Cluster Computing, 2020, 23, 1483-1504.

36. Singla, M. K., Nijhawan, P., & Oberoi, A. S. (2022). Parameter estimation of three diode solar PV cell using chaotic dragonfly algorithm. Soft Computing, 26(21), 11567-11598.

37. Rani, S., Babbar, H., Kaur, P., Alshehri, M. D., & Shah, S. H. A. An optimized approach of dynamic target nodes in wireless sensor network using bio inspired algorithms for maritime rescue. IEEE Transactions on Intelligent Transportation Systems, 2022.