基于大型语言模型的群体智能算法在光伏电池参数识别中的应用

《Renewable Energy》：Large language model-based swarm intelligence for parameter identification of photovoltaic cells

　　摘要
对光伏模型进行准确的参数提取对于优化系统效率和确保运行稳定性至关重要。然而，传统的确定性方法和元启发式方法往往由于目标函数的强非线性和多模态性而提前收敛。为了解决这些挑战，本文提出了一种能够选择自适应策略的框架，称为基于大语言模型的群智算法。通过将Meta LLaMA-3.1-405B-Instruct嵌入为高级策略推理核心，所提出的方法整合了一个三重停滞检测机制，该机制动态地在优化算法之间切换，以防止陷入局部最优解。此外，还加入了一个基于物理的验证模块，以强制遵循边界约束并确保识别出的参数的物理可行性。比较实验表明，基于大语言模型的群智算法在准确性方面优于先进的元启发式方法，对于单二极管模型实现了84.6%的均方根误差减少，对于双二极管模型实现了84.3%的减少，对于三二极管模型实现了82.1%的减少。

引言
光伏（PV）发电是全球清洁能源战略的核心要素。为了实现国际能源署预测的到2030年安装容量达到4000吉瓦的目标[1]，[2]，必须最大化这些系统的运行效率。高保真性能建模依赖于对等效电路参数的准确识别。这一过程涉及从实验电流-电压（I-V）曲线[3]，[4]中提取关键电气变量，包括光电流、二极管饱和电流、电阻和理想因子。这些参数的精确性对于最大功率点跟踪、系统健康监测、故障诊断和光伏能量转换效率[5]，[6]至关重要。因此，准确参数识别是光伏建模的基础，并通过减少建模不确定性并提高理论预测与实际运行条件之间的一致性，在提高光伏能源生成的效率、可靠性和可持续性方面发挥着关键作用[7]，[8]。
光伏模型的参数提取涉及解决隐式超越方程，这从根本上导致了一个高度非线性和非凸的目标函数[9]，[10]。随着模型从单二极管模型（SDM）发展到三二极管模型（TDM）[11]，[12]，参数之间的复杂耦合加剧，导致局部最优解的大量出现，严重复杂化了全局最小值的识别[13]。
表1总结了2023年至2025年间发表的代表性方法。当前研究可以大致分为三大流派。在高级元启发式方法领域，参考文献[14]提出了一种精英学习自适应差分进化算法来增强探索能力，参考文献[15]开发了一种模仿生物行为的改进型蟹形优化算法来稳定搜索轨迹。尽管这些方法展示了值得称赞的探索能力，但当种群多样性在后续迭代中迅速消失时，它们经常过早收敛。为了解决这一限制，一些研究引入了混合确定性框架。例如，参考文献[19]将混沌北方苍鹰优化与模式搜索机制相结合，以提高局部解的精度。同样，参考文献[20]将Nelder-Mead单纯形方法集成到瞪羚优化算法中，以减轻局部陷阱。虽然这些混合架构增强了局部探索能力，但它们通常引入了显著的实现复杂性。此外，如参考文献[24]中提出的高级JAYA和参考文献[25]中的SA-JAYA等算法的性能在很大程度上取决于辅助超参数（例如网格大小或单纯形收缩因子），这限制了它们在需要自主操作的情景中的稳健性。
第三种新兴类别涉及人工智能驱动的方法。参考文献[26]引入了一个基于强化学习（RL）的差分进化框架，其中RL代理动态调整控制参数以避免停滞。参考文献[28]利用深度神经网络进行直接参数估计以实现实时推断。尽管这些方法具有适应性，但在训练阶段会带来高昂的计算成本。此外，参考文献[27]和[28]中的模型的黑箱特性使得难以严格遵循光伏模型的物理约束，从而在工业控制系统中带来安全风险。
大语言模型（LLM）的最新进展为自主优化提供了新的机会。混合确定性框架通常需要手动调整辅助超参数以适应特定问题实例。LLM可以通过利用其推理能力充当通用决策代理。通过将复杂的优化状态解释为上下文信息，LLM可以动态制定恢复策略，而无需针对问题进行特定参数校准[29]，[30]。这种基于上下文的推理能力弥合了固定数学运算符与在不同优化条件下所需的自适应决策之间的差距。
因此，本文提出了一种基于物理信息的框架，称为基于大语言模型的群智算法（LLM-SI），以实现完全自主的参数识别。与需要特定任务训练的强化学习和深度神经网络方法不同，所提出的框架利用预训练的LLM中嵌入的知识将数值指标解释为结构化提示。这种机制使系统能够严格将算法选择与物理可行性约束和实时收敛需求对齐，消除了对人类干预或静态基于规则的阈值的依赖[31]，[32]。主要贡献总结如下：
? LLM驱动的异构算法框架的开发：本研究将LLM集成到启发式优化循环中，作为动态策略选择器。该框架通过API调用利用20种不同的元启发式算法库来协调搜索过程。与基于静态规则的切换机制不同，这种架构能够根据实时优化状态进行上下文感知的算法选择，从而提高了在复杂多模态景观中的搜索策略的适应性；
? 实施基于物理的信息自适应控制机制：为了将算法探索与物理有效性联系起来，建立了一种结合了三重停滞检测机制（TSDM）和基于物理的提示工程的联合控制方法。TSDM模块定量评估适应度停滞和种群多样性，以触发算法切换。同时，提示工程框架将物理约束（如I-V特性）明确嵌入到决策过程中。这确保了生成的优化策略同时满足数学收敛标准和光伏模型的物理可行性；
? 严格的稳健性验证和工程验证：所提出的框架经过广泛的验证，包括高斯白噪声干扰测试，以验证在不确定运行条件下的稳定性。在权威的RTC-France [33]数据集上的实验确认，LLM-SI严格遵循物理边界约束。比较分析表明，所提出的方法在均方根误差（RMSE）减少和收敛速度方面优于先进算法，证明了其在高精度光伏参数识别中的实用性。
本文的其余部分组织如下：第2节概述了光伏电池参数识别问题的建模和理论背景。第3节详细介绍了LLM-SI框架及其组成模块。第4节展示了实验设计和结果分析。第5节讨论了理论价值和潜在的限制。

光伏电池的等效电路建模
等效电路模型提供了光伏电池电气特性的精确数学表示，使用有限的物理参数集模拟在不同运行条件下的I-V响应[34]。为了平衡计算复杂性和估计精度，这些模型通常分为三种主要架构：SDM、双二极管模型（DDM）和TDM。表2显示，参数代表了二极管理想因子，反映了扩散

总体框架架构和执行工作流程
光伏参数识别的高维性和等效电路模型的严格物理约束给传统优化算法带来了重大挑战。为了解决这些问题，所提出的LLM-SI框架在闭环决策架构中结合了高级语义推理和数值优化，如图1所示。通过基于优化状态和物理约束实现自适应策略选择，

实验设计和数据集
几种常用的光伏参数识别基准数据集包括RTC-France、Photowatt-PWP201 [44]、STM6-40/36 [45]和KC200GT [46]。其中，RTC-France太阳能电池数据集[33]因其高质量的实验测量I-V特性以及在验证单二极管、双二极管和三二极管模型中的广泛采用而成为事实上的基准。因此，本研究在整个过程中使用了该数据集作为代表性和讨论

实验结果表明，将LLM集成到元启发式框架中显著提高了优化策略的适应性。与通常需要特定任务训练的数据驱动学习方法不同，所提出的框架通过结构化提示将物理约束纳入决策过程。这种基于物理的机制有效地平衡了全局探索和利用，同时在复杂搜索中保持高可行性

结论
本研究提出了一个基于大语言模型的群智框架用于光伏参数识别，并展示了使用LLM作为高级决策代理来指导自适应优化的可行性。与传统的基于经验的战略选择不同，所提出的框架根据优化状态通过基于物理的提示动态协调一系列元启发式算法，实现了上下文感知的优化，同时保持了CRediT作者贡献声明
张小春：监督、资源、项目管理、资金获取、形式分析、概念化、写作——审阅与编辑。梁晓：写作——原始草稿、可视化、验证、软件、调查、形式分析、数据管理。甘胜强：方法学。郭正勋：写作——审阅与编辑。陈一军：写作——审阅与编辑。

数据可用性
数据将根据请求提供。

利益冲突声明
作者声明他们没有已知的可能影响本文报告工作的竞争性财务利益或个人关系。

致谢
作者衷心感谢中国国家自然科学基金（项目编号52577087）和中国广东省基础与应用基础研究基金（项目编号2024A1515030012）的支持。

张小春|梁晓|甘胜强|郭正勋|陈一军
中国东北大学佛山研究生院，佛山，528312