增强鹰优化器变体在质子交换膜燃料电池参数识别中的应用与性能比较

《Scientific Reports》：An advanced hybrid aquila optimizer with DE–QOB–elite strategies for precise PEMFC parameter extraction

　　

摘要

鹰优化器（AO）是一种广泛应用于求解复杂非线性问题的元启发式优化算法。然而，其原始形式在应用于质子交换膜燃料电池（PEMFC）参数识别时，存在收敛速度慢和易陷入局部最优的问题。本文开发了若干种AO的增强变体，包括超级鹰优化器（SAO）、超超级鹰差分进化（Hyper_SAO_DE）、基于准对立学习的超超级鹰差分进化（Hyper_SAO_DE_QOB）以及结合准对立与精英策略的超超级鹰差分进化（HyperSAODE_QOB_Elite），旨在改善探索与开发的平衡性、收敛速度和鲁棒性。本文还引入了强化学习量子启发全自适应鹰优化器（RLQFAO）、粒子群优化（PSO）和鲸鱼优化算法（WOA）作为对比算法。所有算法均用于估计PEMFC模型的未知参数，以估计输出电压与实验输出电压之间的误差平方和（SSE）作为目标函数。实验在MATLAB中实现，共进行30次独立运行。在BCS 500 W PEMFC案例中，Hyper_SAO_DE_QOB取得了最低的SSE值0.011556306，相较于AO和PSO分别降低了约99.29%和51.05%。其平均SSE为0.011556，标准偏差为3.77×10??，表明在多次独立运行中表现出高度一致性。Hyper_SAO_DE和RLQFAO的结果在统计上相当，而Hyper_SAO_DE_QOB获得了最佳的Friedman平均排名。此外，其平均计算时间为253.61秒，远低于RLQFAO所需的1194.40秒。所估计的PEMFC参数使模拟电压特性与实验电压特性高度吻合，证明了增强优化框架在PEMFC参数估计中的有效性和鲁棒性。