Applying a Cerebellar Model Articulation Controller Neural Network to a Photovoltaic Power Generation System Fault Diagnosis

Table 5

Diagnosis results of the test data under 300–1000 W/m² irradiation and PV module surface temperatures between 31 and 40°C.

Test no.	Output weight for various fault types										Known fault type	Diagnosed results
	PF1	PF2	PF3	PF4	PF5	PF6	PF7	PF8	PF9	PF10
1	1	0.6	0.55	0.58	0.29	0.19	0.23	0.24	0.1	0.2	PF1	PF1
2	1	0.6	0.66	0.61	0.23	0.23	0.2	0.28	0.22	0.23	PF1	PF1
3	0.5	0.97	0.59	0.65	0.31	0.21	0.22	0.23	0.23	0.2	PF2	PF2
4	0.5	0.99	0.6	0.5	0.25	0.27	0.2	0.25	0.14	0.19	PF2	PF2
5	0.5	0.66	1	0.55	0.14	0.18	0.2	0.65	0.18	0.14	PF3	PF3
6	0.44	0.66	1	0.42	0.09	0	0.05	0.58	0.09	0.1	PF3	PF3
7	0.5	0.61	0.76	1	0.16	0.23	0.14	0.25	0.57	0.52	PF4	PF4
8	0.87	0.84	0.83	0.99	0.5	0.59	0.46	0.47	0.63	0.53	PF4	PF4
9	0.16	0.2	0.11	0.12	1	0.19	0.23	0.47	0.33	0.27	PF5	PF5
10	0.16	0.2	0.22	0.15	1	0.23	0.2	0.58	0.51	0.23	PF5	PF5
11	0.33	0.24	0.14	0.19	0.31	1	0.22	0.23	0.23	0.46	PF6	PF6
12	0.16	0.22	0.18	0.14	0.25	1	0.2	0.36	0.14	0.45	PF6	PF6
13	0.16	0.19	0.22	0.18	0.14	0.42	1	0.18	0.18	0.14	PF7	PF7
14	0.09	0.22	0.13	0.18	0.13	0.41	1	0.08	0.11	0.08	PF7	PF7
15	0.14	0.32	0.51	0.17	0.58	0.12	0.14	1	0.6	0.11	PF8	PF8
16	0.5	0.58	0.66	0.55	0.09	0.51	0.46	1	0.01	0.43	PF8	PF8
17	0	0	0.1	0.54	0.25	0	0.39	0.23	1	0.51	PF9	PF9
18	0.16	0.2	0.22	0.53	0.5	0.23	0.41	0.58	1	0.71	PF9	PF9
19	0.16	0.24	0.14	0.53	0.53	0.52	0.34	0.23	0.65	1	PF10	PF10
20	0.16	0.22	0.18	0.64	0.25	0.59	0.2	0.25	0.74	1	PF10	PF10