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

Table 9

Diagnosis results of the test data with additional errors and 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	0.83	0.6	0.55	0.74	0.29	0.19	0.23	0.24	0.32	0.5	PF1	PF1
2	0.83	0.4	0.44	0.46	0	0	0	0	0	0	PF1	PF1
3	0.33	0.73	0.63	0.6	0	0	0	0	0.24	0.17	PF2	PF2
4	0.77	0.83	0.6	0.5	0.25	0.27	0.2	0.25	0.14	0.19	PF2	PF2
5	0.33	0.61	0.67	0.36	0.27	0.18	0	0.36	0	0	PF3	PF3
6	0.36	0.63	0.66	0.42	0.33	0	0.21	0.25	0	0	PF3	PF3
7	0.35	0.45	0.62	0.82	0	0.1	0.1	0.13	0.39	0.41	PF4	PF4
8	0.74	0.76	0.66	0.83	0.37	0.38	0.65	0.38	0.36	0.24	PF4	PF4
9	0.16	0.2	0.11	0.12	0.58	0.19	0.23	0.24	0.1	0.27	PF5	PF5
10	0.5	0.2	0.22	0.15	0.6	0.2	0.5	0.51	0.23	0.2	PF5	PF5
11	0.16	0.24	0.14	0.19	0.47	0.62	0.22	0.45	0.48	0.2	PF6	PF6
12	0.16	0.22	0.18	0.14	0.56	0.69	0.2	0.25	0.14	0.45	PF6	PF6
13	0	0	0	0	0.09	0.24	0.5	0	0	0	PF7	PF7
14	0.09	0.22	0.13	0.18	0.13	0.17	0.52	0.08	0.11	0.08	PF7	PF7
15	0	0.16	0.14	0	0.56	0	0.1	0.67	0.42	0	PF8	PF8
16	0.43	0.55	0.47	0.46	0.61	0.5	0.73	0.91	0.74	0.77	PF8	PF8
17	0	0	0	0.14	0.25	0	0.38	0.23	0.54	0.27	PF9	PF9
18	0.16	0.4	0.22	0.15	0.61	0.23	0.41	0.58	0.62	0.23	PF9	PF9
19	0.16	0.24	0.14	0.27	0.41	0.47	0.34	0.45	0.58	0.84	PF10	PF10
20	0	0	0	0.5	0.34	0	0	0.2	0.57	0.78	PF10	PF10