مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه فناوری اطلاعات و ارتباطات ایران 2717-0411 16 61 2024 12 7 Fault Diagnosis and Detection in Photovoltaic Systems Using Neural Network VGG16 تشخیص و شناسایی خطا در سیستم‌های فتوولتائیک با استفاده از شبکه عصبی عمیق VGG16 247 260 fa سمانه عظیمی دانشگاه شاهد محمد منثوری دانشگاه خواجه نصیر مهدی اخباری دانشگاه شاهد 2023 3 14 <p>Fault detection in photovoltaic (PV) arrays is necessary to increase the output power and also the useful life of a PV system. The presence of conditions such as partial shade, high impedance faults, and the maximum power point detector (MPPT) system make the fault detection of PV in environmental conditions more challenging. The literature identified and classified defects just in few scenarios. In this study two-dimensional scalograms are generated from PV system data. The VGG16 as a pretrained convolutional neural network is used for feature extraction. Finally, to identify and classify faults in the PV system a fully connected neural network is trained. Unlike the previous methods proposed in the literature on the subject of defect detection and classification, various defective cases with MPPT combination are considered in this research. It has been shown that the proposed method including pre-trained CNN performs better than the existing methods and achieves an error detection accuracy of 83.375%.</p> <p>تشخیص خطا در آرایه های فتوولتائیک (PV) جهت افزایش توان خروجی و همچنین طول عمر مفید یک سیستم PV ضروری است. وجود شرایطی مانند سایه جزئی، خطاهای امپدانس بالا و وجود سامانه ردیاب نقطه حداکثر توان (MPPT)، تشخیص خطا را در شرایط محیطی به چالش می کشد. بیشتر تحقیقات انجام&zwnj;شده در این زمینه فقط در چند سناریو از عیوب به شناسایی و طبقه بندی پرداخته اند. این پژوهش با استفاده از شبکه ی عصبی کانولوشنی عمیق از پیش آموزش داده شده VGG16)) و با بهره گیری از ویژگی ها استخراج شده بوسیله اسکالوگرام های دوبعدی تولیدشده از داده های سیستم PV، به شناسایی و طبقه&zwnj;بندی خطا در سیستم PV با استفاده از یک شبکه عصبی کاملا متصل می پردازد. برخلاف روش های قبلی پیشنهادشده در ادبیات موضوع تشخیص و طبقه&zwnj;بندی عیوب، موارد مختلف معیوب همراه با ترکیب MPPT در مطالعه ما در نظر گرفته&zwnj;شده است. در این تحقیق نشان داده&zwnj;شده است که روش پیشنهادی شاملCNN از پیش آموزش&zwnj;دیده تنظیم&zwnj;شده، از روش های موجود بهتر عمل می کند و به&zwnj;دقت تشخیص خطای 375/83 درصد دست پیدا می کند.</p> آرایه فتوولتائیک، ردیاب نقطه حداکثر توان، طبقه‌بندی خطا، شبکه عصبی کانولوشنی VGG16، اسکالوگرام http://jour.aicti.ir/ar/Article/Download/41551