인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
학술저널
DBpia Top 10%
오류 신고하기해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
피인용 0
초록·키워드
This study proposes a methodology for performance evaluation of fault diagnosis in photovoltaic (PV) systems using machine learning techniques, including Random Forest, k-Nearest Neighbors (kNN), and Naive Bayes. Actual data were acquired from a 3kW PV testbed and categorized into eight classes representing normal and significant fault conditions. For each class, a confusion matrix and corresponding relevant metrics are utilized to conduct class-specific performance assessments. The results indicate that the Random Forest model outperforms other models in terms of accuracy, precision, recall, and F1 score. It demonstrates outstanding performance for normal conditions (Class 0 and Class 7) and maintains stable performance for major fault types (Class 1 and Class 6). While the kNN model delivers acceptable performance for Class 0, it shows limitations for certain fault types. The Naive Bayes model exhibits the lowest performance and faces significant challenges in accurately handling most fault types.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-25-02-092302512
