一个拟议的ANN和KNN混合模型用于太阳能电池故障检测和温度预测,使用模糊图像细分
Sai N R S Gadi1, Hamed H Aly1, Michael Cada1
1Electrical and Computer Engineering Department, Dalhousie University, NS, Canada.
Heliyon
|June 3, 2024
概括
这项研究引入了一种混合模型,将人工神经网络 (ANN) 和数学形态学 (MM) 结合起来,以准确检测太阳能电池缺陷. 该模型还预测温度,这对于保持太阳能电池效率和防止缺陷至关重要.
科学领域:
- 可再生能源可再生能源是可再生能源.
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
背景情况:
- 太阳能电池缺陷,如破碎的角落和黑色的边缘,通常是由环境因素和温度波动引起的.
- 准确的温度预测对于理解和减轻太阳能电池效率下降至关重要.
- 现有的方法可能缺乏用于早期和有效的缺陷识别所需的精度.
研究的目的:
- 开发和验证一种用于检测太阳能电池缺陷的新型混合模型.
- 为了提高太阳能电池温度预测准确度,使用人工神经网络 (ANN) 和K-Nearest Neighbor (KNN) 方法的结合.
- 研究温度变化与太阳能电池缺陷之间的关系,以提高性能.
主要方法:
- 为了检测缺陷,使用了整合人工神经网络 (ANN) 和数学形态学 (MM) 的混合模型.
- 使用混合ANN和K-近邻 (KNN) 模型实现了温度预测.
- 模糊C-Means (FCM) 聚类与数学形态学 (MM) 一起用于缺陷分析.
主要成果:
- 混合模型在温度预测方面取得了高精度,平均绝对百分比误差 (MAPE) 为0.92% (平均),0.72% (最大) 和1.3% (最小).
- 缺陷检测过程显示检测精度 (CR) 为96%和检测灵敏度 (SD) 为89%.
- 通过K折交叉验证的验证证实了该模型与现有文献相比的稳定性和有效性.
结论:
- 拟议的混合型号显著提高了太阳能电池缺陷检测的准确性.
- 准确的温度预测是防止太阳能电池缺陷和提高效率的关键因素.
- 这项研究有助于通过先进的AI和图像处理技术提高太阳能电池的整体质量和可靠性.
