Comparative Analysis of Machine Learning Algorithms for Identifying Partial Shading Conditions on PV Array
Notice bibliographique
Résumé
The rapid global expansion of photovoltaic (PV) technologies has made solar power systems a pivotal component in reducing CO2 emissions and enhancing energy security. However, the efficiency of PV systems is often compromised by partial shading, which can significantly reduce power output and lead to accelerated degradation of solar panels. Detecting and assessing these shading conditions is crucial for maintaining PV system performance and longevity. This paper explores the application of machine learning (ML) techniques to identify and classify partial shading in PV systems. Six ML models are applied, namely K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Random Forest (RF), Artificial Neural Networks (ANN), Gradient Boosting, and Adaptive Boosting (AdaBoost) Models. The study uses Wavelet Packet Transform (WPT) and Empirical Mode Decomposition (EMD) to extract Intrinsic Mode Functions (IMFs) that capture the characteristic frequencies associated with shading. These features are then used to train and validate the ML models. Among the models tested, the Random Forest model demonstrated superior performance, achieving a detection accuracy of 98.43% and a classification accuracy of 97.6%. The results highlight the effectiveness of the Random Forest model in reliably diagnosing shading faults, thereby enhancing the reliability and efficiency of PV systems. The performance of six machine-learning algorithms is validated through the cross-validation method.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».