A Novel Computational Intelligence-Based Parameter Extraction of UAV-Integrated Photovoltaic System
Notice bibliographique
Résumé
The precise modeling of unmanned aerial vehicle (UAV)-integrated photovoltaic (PV) systems is central for their implementation on UAVs, especially due to their continuous movement. Accurate modeling is essential for developing control methods, conducting performance studies, and designing the whole system considering PV system parameters. This original study presents a novel modeling procedure for comprehensive modeling of UAV-integrated PV modules using multi-input multi-output (MIMO) and multi-input single-output (MISO) machine learning models. These models are developed based on a historical environmental dataset and a randomly generated dataset representing flight conditions. Both datasets get processed during the preparation phase. In this phase, two sets of empirically derived group of modified equations (GME) of the PV module are utilized. In addition, the Whale Optimization Algorithm (WOA) is employed to optimize one set of GME containing PV system five unknown parameters. Moreover, the Dogleg Trust Region Algorithm (DTRA) is used as an unconstrained problem solver in each loop of WOA to solve a system of equations consisting of the unknown parameters. Finally, the MIMO and MISO models will be trained with the processed dataset. The proposed approach predicts UAV-integrated PV module behavior under diverse flight conditions, interprets panel movements, and is validated through experiments.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».