A Type-2 Fuzzy Logic Expert System for AI Selection in Solar Photovoltaic Applications Based on Data and Literature-Driven Decision Framework
Notice bibliographique
Résumé
Artificial intelligence (AI) has emerged as a transformative tool for optimizing photovoltaic (PV) systems, enhancing energy efficiency, predictive maintenance, and fault detection. This study presents a systematic literature review and bibliometric analysis to identify the most commonly used AI techniques and their applications in PV systems. The review provides details on the advantages, limitations, and optimal use cases of various review techniques, such as Artificial Neural Networks, Fuzzy Logic, Convolutional Neural Networks, Long-Short Term Memory, Support Vector Machines, Decision Trees, Random Forest, k-Nearest Neighbors, and Particle Swarm Optimization. The findings highlight that maximum power point tracking (MPPT) optimization is the most widely researched AI application, followed by solar power forecasting, parameter estimation, fault detection and classification, and solar radiation forecasting. The bibliometric analysis reveals a growing trend in AI-PV research from 2018 to 2024, with China, the United States, and European countries leading in contributions. Furthermore, a type-2 fuzzy logic system is developed in MATLAB R2023b for automating AI technique selection based on the problem type, offering a practical tool for researchers, industry professionals, and policymakers. The study also discusses the practical implications of adopting AI in PV systems and provides future directions for research. This work serves as a comprehensive reference for advancing AI-driven solar PV technologies, contributing to a more efficient, reliable, and sustainable energy future.
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 | 0,008 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,009 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».