An Adaptive Neuro-Fuzzy Model-Based Algorithm for Fault Detection in PV Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article presents an intelligent algorithm-based fault detection scheme to improve the reliability and sustainability of a photovoltaic (PV) system. The PV systems are extremely susceptible to power grid transients and their operation may suffer drastically during faults located within the solar arrays, power electronics, and the inverter. Thus, it is significantly important to develop an intelligent mechanism to detect any type of fault or abnormalities at the shortest possible time and provide security for the solar system. In order to accomplish that, an adaptive neuro-fuzzy inference system (ANFIS) is developed to distinguish between normal, and faulty operation of a grid-connected PV system. A large dataset from real-time laboratory experiment using TBD125x125-36-P PV module, which includes the current, and voltage characteristic of PV is extracted, preprocessed and used in the training of the machine learning algorithm. The performance of the proposed intelligent fault detection scheme is also compared with other popular machine learning algorithms, where ANFIS have demonstrated outstanding results, with accuracy rate of 95.4%. Furthermore, the proposed technique is significantly more robust, straightforward, and requires less implementation time compared to other machine learning techniques such as, K nearest neighbor, decision tree, Naïve Bayes, Ensemble, linear discriminant analysis, support vector machine, and finally neural network. Thus, the developed ANFIS based intelligent technique will enhance the reliability of the PV system through minimizing the maintenance cost, saving time and energy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle