ECM (1) machine learning

22 9 0

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

1 / 22 trang

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang	22
Dung lượng	1,97 MB

Nội dung

Đệ trình vào ngày 4 tháng 11 năm 2021 HAL là một kho lưu trữ truy cập mở đa lĩnh vực để lưu trữ và phổ biến các tài liệu nghiên cứu khoa học đặc biệt, cho dù chúng có được công khai hay không Các tài liệu có thể đến từ các cơ sở giảng dạy và nghiên cứu ở Pháp hoặc nước ngoài, hoặc từ các trung tâm nghiên cứu công hoặc tư Baojie Li, Claude Delpha, Anne Migan Dubois, Demba Diallo Chẩn đoán lỗi bảng quang điện bằng cách sử dụng đầy đủ các đặc tính I V và kỹ thuật máy học Chuyển đổi và quản lý năng.

Ngày đăng: 25/05/2022, 16:22

HÌNH ẢNH LIÊN QUAN

1 Chẩn đoán lỗi của bảng quang điện sử dụng IV đầy đủ - ECM (1) machine learning — 1 Chẩn đoán lỗi của bảng quang điện sử dụng IV đầy đủ (Trang 2)

tám điều kiện (lành mạnh và bảy điều kiện bị lỗi) của mảng PV. Nỗ lực đặc biệt được đền đáp - ECM (1) machine learning — t ám điều kiện (lành mạnh và bảy điều kiện bị lỗi) của mảng PV. Nỗ lực đặc biệt được đền đáp (Trang 2)

58 Mohamed và cộng sự. [21] so sánh cácđường congIV đo đượcvới cácđường cong mô phỏng thu được từ mô hình điốt đôi 59 - ECM (1) machine learning — 58 Mohamed và cộng sự. [21] so sánh cácđường congIV đo đượcvới cácđường cong mô phỏng thu được từ mô hình điốt đôi 59 (Trang 3)

Bảng 2 Các thông số của mô-đun PV Wiltec 62391-50W - ECM (1) machine learning — **Bảng 2** Các thông số của mô-đun PV Wiltec 62391-50W (Trang 5)

Bảng 3 Các thông số của mảng PV102 - ECM (1) machine learning — **Bảng 3** Các thông số của mảng PV102 (Trang 5)

Bảng 4 Cài đặt tham số cho mảng trong điều kiện khỏe mạnh và bị lỗi141 - ECM (1) machine learning — **Bảng 4** Cài đặt tham số cho mảng trong điều kiện khỏe mạnh và bị lỗi141 (Trang 7)

135 Dựa trên mô hình mảng, hai tập dữ liệu được tạo, một để đào tạo và một để kiểm tra - ECM (1) machine learning — **135** Dựa trên mô hình mảng, hai tập dữ liệu được tạo, một để đào tạo và một để kiểm tra (Trang 7)

vớ iN thay đổi được trình bày trongHình 5. - ECM (1) machine learning — v ớ iN thay đổi được trình bày trongHình 5 (Trang 9)

Hình 6. Ví dụ về ma trận được biến đổi bởi GADF và RP: (a) Tốt, (b) PS, (c) PS2, (d) Suy giảm Rs, (e) Suy giảm Rsh (giá trị của mỗi thành phần trên ma trận được đánh dấu bởi colormap) - ECM (1) machine learning — **Hình 6.** Ví dụ về ma trận được biến đổi bởi GADF và RP: (a) Tốt, (b) PS, (c) PS2, (d) Suy giảm Rs, (e) Suy giảm Rsh (giá trị của mỗi thành phần trên ma trận được đánh dấu bởi colormap) (Trang 10)

Cấu hình - ECM (1) machine learning — u hình (Trang 11)

Hình 8. Ma trận nhầm lẫn của bộ phânloại tốt nhất khi sử dụng bốn loại tính năng đầu vào285 - ECM (1) machine learning — **Hình 8.** Ma trận nhầm lẫn của bộ phânloại tốt nhất khi sử dụng bốn loại tính năng đầu vào285 (Trang 12)

được nhìn thấy từ đồ thị 2D t-SNE [36] được thể hiện trongHình 9, nơi có thể quan sát thấy sự phân biệt của cácđặc điểm khác nhau 304 305 . - ECM (1) machine learning — c nhìn thấy từ đồ thị 2D t-SNE [36] được thể hiện trongHình 9, nơi có thể quan sát thấy sự phân biệt của cácđặc điểm khác nhau 304 305 (Trang 13)

Bảng 7 Ảnh hưởng của PCA về thời gian và độ chính xác - ECM (1) machine learning — **Bảng 7** Ảnh hưởng của PCA về thời gian và độ chính xác (Trang 14)

Hình 10. Độ chính xác phânloại tốt nhất bằng cách sử dụng tập dữ liệu thử nghiệm với các mức nhiễu khác nhau ((a): sai số đo ngẫu nhiên khác nhau của V và I; (b): tiếng ồn môi trường khác nhau của V và I - ECM (1) machine learning — **Hình 10.** Độ chính xác phânloại tốt nhất bằng cách sử dụng tập dữ liệu thử nghiệm với các mức nhiễu khác nhau ((a): sai số đo ngẫu nhiên khác nhau của V và I; (b): tiếng ồn môi trường khác nhau của V và I (Trang 14)

Hình 11 Đầu ra nơron của bộ phânloại tốt nhất trong điều kiện khỏe mạnh sử dụng IV trực tiếp, RP và GADF: (a) IV trực tiếp, (b) - ECM (1) machine learning — **Hình 11** Đầu ra nơron của bộ phânloại tốt nhất trong điều kiện khỏe mạnh sử dụng IV trực tiếp, RP và GADF: (a) IV trực tiếp, (b) (Trang 15)

Hình 12 RMSE chuẩn hóa của các tính năng giữa khỏe mạnh và (a) PS, (b) suy giảm Rs, (c) suy giảm Rsh - ECM (1) machine learning — **Hình 12** RMSE chuẩn hóa của các tính năng giữa khỏe mạnh và (a) PS, (b) suy giảm Rs, (c) suy giảm Rsh (Trang 16)

Hình 13 Thiết lập thử nghiệm hiện trường - ECM (1) machine learning — **Hình 13** Thiết lập thử nghiệm hiện trường (Trang 17)

416 Theo Hình 15, tương tự như các quan sát trước đây về kết quả mô phỏng, bộ phânloại sử dụng đặc điểm 417 dựa trên thông tin đường cong IV đầy đủ (IV trực tiếp, RP và GADF) tốt hơn bộ phân loại sử dụng thông tin 418 một phần - ECM (1) machine learning — **416** Theo Hình 15, tương tự như các quan sát trước đây về kết quả mô phỏng, bộ phânloại sử dụng đặc điểm 417 dựa trên thông tin đường cong IV đầy đủ (IV trực tiếp, RP và GADF) tốt hơn bộ phân loại sử dụng thông tin 418 một phần (Trang 18)

Bảng 9 So sánh kết quả PV FDD của các phương pháp khác nhau - ECM (1) machine learning — **Bảng 9** So sánh kết quả PV FDD của các phương pháp khác nhau (Trang 19)

TỪ KHÓA LIÊN QUAN