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

Table 11

Diagnosis results of the test data with additional errors and under 300–1000 W/m² irradiation and PV module surface temperatures between 51 and 60°C.

Test no.	Output weight for various fault type										Known fault type	Diagnosed results
	PF1	PF2	PF3	PF4	PF5	PF6	PF7	PF8	PF9	PF10
1	0.83	0.66	0.62	0.68	0.34	0.28	0.23	0.26	0.43	0.54	PF1	PF1
2	0.83	0.43	0.42	0.47	0	0	0	0	0	0	PF1	PF1
3	0.66	0.83	0.67	0.66	0.34	0.24	0.32	0.22	0.25	0.22	PF2	PF2
4	0.5	0.89	0.6	0.6	0.4	0.26	0.22	0.24	0.22	0.27	PF2	PF2
5	0.49	0.47	0.56	0.44	0.31	0	0.11	0.17	0	0	PF3	PF3
6	0.5	0.66	0.87	0.66	0.4	0.39	0.14	0.49	0.15	0.08	PF3	PF3
7	0.37	0.48	0.47	0.66	0	0.46	0	0.25	0.24	0.24	PF4	PF4
8	0.41	0.58	0.57	0.8	0.17	0.77	0.31	0.37	0.39	0.41	PF4	PF4
9	0	0	0	0	0.44	0	0.2	0	0	0	PF5	PF5
10	0.53	0.64	0.65	0.66	0.83	0.37	0.2	32	0.22	0.26	PF5	PF5
11	0	0	0.12	0.12	0	0.64	0	42	0.19	0.45	PF6	PF6
12	0.15	0.22	0.18	0.17	0.54	0.82	0.22	0.24	0.22	0.59	PF6	PF6
13	0	0	0	0	0	0.28	0.5	0	0	0	PF7	PF7
14	0	0	0	0	0	0.37	0.59	0	0	0	PF7	PF7
15	0.5	0.63	0.47	0.56	0.22	0.27	0.15	0.85	0.12	0.15	PF8	PF8
16	0.38	0.64	0.47	0.41	0.27	0.14	0.09	0.87	0	0.05	PF8	PF8
17	0	0	0	0.13	0.2	0.18	0.38	0.17	0.46	0.28	PF9	PF9
18	0.16	0.43	0.23	0.19	0.45	0.45	0.55	0.41	0.75	0.26	PF9	PF9
19	0	0.17	0.12	0.22	0.14	0.57	0	0.42	0.33	0.64	PF10	PF10
20	0	0	0	0.39	0.22	0	0.25	0.29	0.43	0.75	PF10	PF10