RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Voting based ensemble for detecting visual faults in photovoltaic modules using AlexNet features
Luleå tekniska universitet, Institutionen för samhällsbyggnad och naturresurser, Drift, underhåll och akustik.ORCID-id: 0000-0002-4034-8859
School of Mechanical Engineering (SMEC), Vellore Institute of Technology, Chennai, India.
Department of Ocean Operations and Civil Engineering, Norwegian University of Science and Technology (NTNU), Ålesund 6009, Norway; Department of Sustainable Systems Engineering (INATECH), University of Freiburg, Freiburg 79110, Germany.
2024 (Engelska)Ingår i: Energy Reports, E-ISSN 2352-4847, Vol. 11, s. 3889-3901Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

This study proposes a novel approach utilizing a voting-based ensemble technique to diagnose visible faults in photovoltaic (PV) modules from aerial images captured by unmanned aerial vehicles (UAVs), leveraging AlexNet features. The proposed method focuses on classifying commonly occurring visual faults such as glass breakage, snail trails, burn marks, delamination and discoloration. Two voting-based ensemble models, a two-class ensemble (combining support vector machines and k-nearest neighbor) and a three-class ensemble (integrating support vector machines, J48, and k-nearest neighbor) were developed and evaluated against individual machine learning classifiers. Results indicate that the two-class ensemble outperforms the three-class ensemble and other individual classifiers, achieving an accuracy of 98.30%. This approach not only enhances fault diagnosis accuracy but also reduces inspection costs and instrument monitoring efforts contributing to the sustainable and efficient operation of PV systems.

Ort, förlag, år, upplaga, sidor
Elsevier, 2024. Vol. 11, s. 3889-3901
Nyckelord [en]
Photovoltaic modules, Ensemble method, Unmanned aerial vehicle, Deep learning, Machine learning
Nationell ämneskategori
Datavetenskap (datalogi)
Forskningsämne
Drift och underhållsteknik
Identifikatorer
URN: urn:nbn:se:ltu:diva-104917DOI: 10.1016/j.egyr.2024.03.044OAI: oai:DiVA.org:ltu-104917DiVA, id: diva2:1847531
Anmärkning

Validerad;2024;Nivå 2;2024-03-28 (hanlid);

Full text license: CC BY-NC

Tillgänglig från: 2024-03-28 Skapad: 2024-03-28 Senast uppdaterad: 2024-03-28Bibliografiskt granskad

Open Access i DiVA

fulltext(6302 kB)25 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 6302 kBChecksumma SHA-512
dcc8f5663661806013a90935bcd19b32cac5a3e4c7e18e5a71d5b8d741cd056daf9ee72e87fa921735bda65ff0eb4da21474650c22218ca34beaa8bb8bba3a12
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltext

Person

Venkatesh, Naveen

Sök vidare i DiVA

Av författaren/redaktören
Venkatesh, Naveen
Av organisationen
Drift, underhåll och akustik
I samma tidskrift
Energy Reports
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 25 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 354 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf