文献

J-GLOBAL ID：202202286007929571   整理番号：22A0440431

太陽光発電システムの故障診断のための機械学習とアンサンブル法の評価【JST・京大機械翻訳】

Assessment of machine learning and ensemble methods for fault diagnosis of photovoltaic systems

著者 (4件)： Mellit Adel (Renewable Energy Laboratory, University of Jijel, Jijel, Algeria) ,  Mellit Adel (AS-International Centre of Theoretical Physics, Trieste, Italy) ,  Kalogirou Soteris (Department of Mechanical Engineering and Materials Sciences and Engineering of the Cyprus University of Technology, Limassol, Cyprus) ,  Kalogirou Soteris (Founding Member, Cyprus Academy of Sciences, Letters, and Arts, Cyprus)
資料名： Renewable Energy  (Renewable Energy)
巻： 184  ページ： 1074-1090  発行年： 2022年 
JST資料番号： A0124C  ISSN： 0960-1481  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 光起電力(PV)アレイは,PVプラントにおける最も敏感な要素であり,それは異なるタイプの故障と欠陥を受ける。したがって,これらの植物を効率的に作動させるためには,注意深く監視し,注意深く保護しなければならない。それらが検出されず,迅速に分離されるならば,それらは危険なリスクにつながる可能性がある。PVシステムの診断は広く対処され,最近,機械学習(ML)と深い希薄化(DL)法は多くの研究者の注意を引いている。ML法のほとんどのアプリケーションはI-V曲線測定の使用に基づいており,十分な情報と特徴が曲線から抽出され,故障を検出し,分類できる。これらの方法は,線路,劣化,分割PVモジュール,部分遮光効果,およびバイパスダイオード故障のような,いくつかの故障を分類する能力を示した。もう一つのアプローチは,ホットスポット,巻貝亀裂などの欠陥を検出し,同定するために,PVモジュール/アレイの熱またはエレクトロルミネセンス画像の使用に基づいている。本論文では,異なるMLとアンサンブル学習(EL)法を,PVアレイの故障診断のために評価した。焦点は,PVアレイ,すなわち多重故障,および類似のI-V曲線を有する故障に影響するいくつかの複雑な故障の検出と分類に主であり,以前には評価されていない。結果は,非常に良い精度(分類されたインスタンス/総インスタンスの分類率=数)で故障を検出するのに開発された方法の能力を示し,一方,分類故障は81.73%以内で許容できる精度で行われる。本研究を通して,実際のMLとEL法が使用されるべきであり,このトピックにおけるいくつかの推薦,課題,および将来の方向を示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： エレクトロルミネセンス ,  亀裂 ,  光起電力 ,  *故障 ,  プラント ,  *故障診断 ,  故障検出 ,  多重化 ,  応用プログラム ,  ホットスポット ,  遮光 ,  *機械学習
準シソーラス用語： アンサンブル学習 ,  *太陽光発電システム ,  バイパスダイオード , 【Automatic Indexing@JST】

著者キーワード (5件)： 太陽光発電システム ,  故障検出 ,  故障分類 ,  機械学習 ,  アンサンブル学習

分類 (2件)： 太陽光発電  (NB03090G) ,  太陽電池  (NC03084O)

タイトルに関連する用語 (5件)： 太陽光発電システム ,  故障診断 ,  機械学習 ,  アンサンブル法 ,  評価