Key points are not available for this paper at this time.
Das rasante industrielle Wachstum im Bereich Solarenergie weckt zunehmend Interesse an erneuerbarer Energie aus intelligenten Netzen und Anlagen. Die Anomalieerkennung in photovoltaischen (PV) Systemen ist eine anspruchsvolle Aufgabe. In diesem Sinne ist es entscheidend, die neuesten Entwicklungen in der Technologie des maschinellen Lernens zu nutzen, um verschiedene Systemanomalien genau und zeitnah offenzulegen. Dieses Papier behandelt dieses Thema, indem die Leistung verschiedener Methoden des maschinellen Lernens bewertet und deren Anwendung zur Anomalieerkennung bei photovoltaischen Komponenten untersucht wird. Die folgenden Methoden werden bewertet: AutoEncoder Long Short-Term Memory (AE-LSTM), Facebook-Prophet und Isolation Forest. Diese Modelle können das gesunde und abnormale Verhalten des PV-Systems identifizieren. Unsere Ergebnisse bieten klare Einblicke, um eine informierte Entscheidung zu treffen, insbesondere in Bezug auf experimentelle Kompromisse für einen so komplexen Lösungsraum.
Ibrahim et al. (Tue,) haben diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: