Digital Twin-Based Kernel RF for Fault Detection and Diagnosis in Photovoltaic Systems
Notice bibliographique
Résumé
Ensuring the reliability, efficiency, and economic viability of photovoltaic (PV) systems requires effective fault detection and diagnosis, which remains a significant challenge. In this work, we propose a novel and integrated framework that leverages Digital Twin (DT) technology together with the RK-RF algorithm for fault detection and classification in grid-connected PV systems. The DT serves as a dynamic reference model, capturing real-time system behavior and generating sensitive error indicators for anomaly detection. These indicators are then efficiently processed by the RK-RF algorithm, which incorporates Kernel Principal Component Analysis (KPCA) for dimensionality reduction, enhancing classification accuracy while reducing computational costs compared to traditional machine learning or deep learning methods. Experimental validation on a grid-connected PV system emulator, including one healthy state and five representative fault scenarios, demonstrates the high effectiveness of the proposed method. Specifically, the DT enables rapid and reliable anomaly detection, while the RK-RF achieves near-perfect classification accuracy (≈ 100%), outperforming benchmark techniques such as support vector machines (SVM), k-nearest neighbors (KNN), neural networks (NN), and recurrent neural networks (RNN). Overall, the proposed DT-RK-RF framework provides a robust, scalable, and interpretable solution for predictive maintenance and performance optimization in PV systems, with potential applicability to other complex energy and industrial infrastructures. This work emphasizes both computational efficiency and real-time reliability, addressing key limitations of existing DT+AI approaches.
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 ».