Abstract Accurate and efficient parameter estimation of the photovoltaic (PV) models is considered a dispensable process to simulate the PV systems. Therefore, many meta-heuristic algorithms have been recently proposed, but the parameters obtained are not as accurate and reliable as is desired, particularly when the PV models have a significant number of unknown parameters. Therefore, in this paper, a modified teaching–learning based optimization (MTLBO) approach is suggested to accurately and reliably extract the unknown parameters of PV models. Our modification to TLBO divides each of the teaching and learning phases into three levels: low, medium, and high according to the scoring level of each learner. The scoring level of each one is measured based on comparison between the fitness of the updated learner and the current leaner; if the fitness of the updated is better, the scoring level is reset to 0, and otherwise, it is increased by 1. Finally, to observe the efficacy of MTLBO, it is investigated on five PV cells and modules: single diode model and double diode model in case of RTC France, Photowatt-PWP201 module, STM6-40/36 module, and STP6-120/36 module. For those PV cells and modules, our proposed could respectively come true the following average outcomes: 0.0009860219, 0.0009825026, 0.0024250749, 0.0017298137, and 0.0166006031. To check the efficacy of MTLBO, it is compared with a number of recent and well-known algorithms. The experimental results show the superiority of the proposed algorithm, especially on double diode model.

中文翻译：

---

一种基于教学的高效光伏模型参数识别优化算法：分析与验证

摘要 光伏（PV）模型的准确有效的参数估计被认为是模拟光伏系统的一个可有可无的过程。因此，最近提出了许多元启发式算法，但获得的参数并不像预期的那样准确和可靠，尤其是当 PV 模型具有大量未知参数时。因此，在本文中，提出了一种改进的基于教学的优化（MTLBO）方法，以准确可靠地提取光伏模型的未知参数。我们对 TLBO 的修改根据每个学习者的评分水平将每个教学和学习阶段分为三个级别：低、中和高。根据更新学习者与当前学习者的适应度比较来衡量每一个的得分水平；如果更新的适应度更好，则评分级别重置为 0，否则增加 1。 最后，为了观察 MTLBO 的功效，在五个 PV 电池和组件上进行了调查：单二极管模型和双二极管模型。 RTC France 的二极管模型、Photowatt-PWP201 模块、STM6-40/36 模块和 STP6-120/36 模块。对于这些光伏电池和组件，我们提出的分别可以实现以下平均结果：0.0009860219、0.0009825026、0.0024250749、0.0017298137和0.0166006031。为了检查 MTLBO 的功效，将其与许多最近的知名算法进行了比较。实验结果表明了该算法的优越性，尤其是在双二极管模型上。研究了五种光伏电池和模块：RTC France 的单二极管模型和双二极管模型、Photowatt-PWP201 模块、STM6-40/36 模块和 STP6-120/36 模块。对于这些光伏电池和组件，我们提出的分别可以实现以下平均结果：0.0009860219、0.0009825026、0.0024250749、0.0017298137和0.0166006031。为了检查 MTLBO 的功效，将其与许多最近的知名算法进行了比较。实验结果表明了该算法的优越性，尤其是在双二极管模型上。研究了五种光伏电池和模块：RTC France 的单二极管模型和双二极管模型、Photowatt-PWP201 模块、STM6-40/36 模块和 STP6-120/36 模块。对于这些光伏电池和组件，我们提出的分别可以实现以下平均结果：0.0009860219、0.0009825026、0.0024250749、0.0017298137和0.0166006031。为了检查 MTLBO 的功效，将其与许多最近的知名算法进行了比较。实验结果表明了该算法的优越性，尤其是在双二极管模型上。0009860219、0.0009825026、0.0024250749、0.0017298137 和 0.0166006031。为了检查 MTLBO 的功效，将其与许多最近的知名算法进行了比较。实验结果表明了该算法的优越性，尤其是在双二极管模型上。0009860219、0.0009825026、0.0024250749、0.0017298137 和 0.0166006031。为了检查 MTLBO 的功效，将其与许多最近的知名算法进行了比较。实验结果表明了该算法的优越性，尤其是在双二极管模型上。