Key points are not available for this paper at this time.
يعتبر الكشف المبكر عن الأعطال وتشخيصها في أنظمة الطاقة الشمسية المرتبطة بالشبكة (GCPS) أمرًا بالغ الأهمية لتحسين أدائها وموثوقيتها. لقد ظهرت أجهزة الحافة منخفضة التكلفة كحلول مبتكرة للمراقبة في الوقت الفعلي، مما يقلل من زمن التأخير ويحسن أوقات الاستجابة. في هذا العمل، تم تصميم شبكة عصبية تلافيفية خفيفة (CNN) وتم ضبطها باستخدام مُحسِّن وادي الطاقة (EVO) لتشخيص الأعطال. يتكون مدخل CNN من مخططات ثنائية الأبعاد تم إنشاؤها باستخدام تحويل الموجة المستمرة (CWT). أظهرت تقنية التشخيص المقترحة أداءً متفوقًا مقارنة بأطر العمل المرجعية، وهي MobileNet و NASNetMobile و InceptionV3، محققةً درجات دقة اختبار أعلى وخسائر أقل في مهام تصنيف الأعطال الثنائية والمتعددة على مجموعات بيانات متوازنة وغير متوازنة وذات ضوضاء. علاوة على ذلك، تم إجراء مقارنة كمية مع دراسات حديثة مماثلة. تشير النتائج التي تم الحصول عليها إلى أداء جيد وموثوقية عالية لطريقة تشخيص الأعطال المقترحة.
درس تيتا وآخرون (الأربعاء) هذا السؤال.