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

Table 7

Diagnosis results of the test data under 300–1000 W/m² irradiation and PV module surface temperatures between 51 and 60°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	0.66	0.62	0.67	0.34	0.28	0.23	0.26	0.2	0.28	PF1	PF1
2	1	0.64	0.65	0.66	0.34	0.37	0.2	0.32	0.22	0.26	PF1	PF1
3	0.5	1	0.67	0.66	0.24	0.24	0.32	0.22	0.25	0.22	PF2	PF2
4	0.5	1	0.6	0.6	0.28	0.26	0.22	0.24	0.22	0.27	PF2	PF2
5	0.61	0.66	0.99	0.66	0.25	0.28	0.23	0.71	0.28	0.22	PF3	PF3
6	0.5	0.89	1	0.66	0.19	0.14	0.14	0.68	0.15	0.08	PF3	PF3
7	0.5	0.63	0.62	1	0.22	0.35	0.15	0.44	0.66	0.64	PF4	PF4
8	0.41	0.58	0.57	1	0.17	0.55	0.31	0.37	0.66	0.68	PF4	PF4
9	0.16	0.22	0.19	0.1	1	0.28	0.23	0.44	0.44	0.28	PF5	PF5
10	0.16	0.32	0.23	0.19	0.98	0.37	0.2	0.52	0.4	0.26	PF5	PF5
11	0.33	0.24	0.19	0.22	0.24	1	0.32	0.43	0.25	0.58	PF6	PF6
12	0.15	0.22	0.18	0.17	0.28	1	0.22	0.35	0.22	0.59	PF6	PF6
13	0.12	0.19	0.19	0.22	0.25	0.56	1	0.28	0.28	0.22	PF7	PF7
14	0.12	0.22	0.12	0.22	0.19	0.37	1	0.19	0.15	0.08	PF7	PF7
15	0.12	0.28	0.52	0.11	0.6	0.18	0.15	1	0.48	0.15	PF8	PF8
16	0.02	0.26	0.55	0.19	0.84	0.4	0.12	1	0.53	0.15	PF8	PF8
17	0	0	0	0.52	0.2	0	0.18	0.17	1	0.56	PF9	PF9
18	0.16	0.2	0.23	0.52	0.61	0.37	0.2	0.55	1	0.81	PF9	PF9
19	0.16	0.42	0.19	0.55	0.38	0.59	0.32	0.22	0.7	1	PF10	PF10
20	0.15	0.22	0.18	0.57	0.28	0.54	0.22	0.24	0.72	1	PF10	PF10