본 연구는 머신러닝 기법을 활용하여 태양광(PV) 시스템에서 고장 진단의 성능 평가 방법론을 제안한다. 사용된 기법에는 Random Forest, k-Nearest Neighbors(kNN), Naive Bayes가 포함된다. 실제 데이터는 3kW PV 테스트베드에서 수집하였으며, 정상 상태와 중대한 고장 상태를 나타내는 8개 클래스로 분류하였다. 각 클래스에 대해 혼동행렬과 이에 대응하는 관련 지표를 사용하여 클래스별 성능 평가를 수행한다. 결과는 Random Forest 모델이 정확도, 정밀도, 재현율 및 F1 점수 측면에서 다른 모델들보다 우수함을 보여준다. 특히 정상 조건(Class 0 및 Class 7)에서 뛰어난 성능을 보이며, 주요 고장 유형(Class 1 및 Class 6)에서도 안정적인 성능을 유지한다. kNN 모델은 Class 0에서 허용 가능한 성능을 제공하지만 일부 고장 유형에서는 한계를 나타낸다. Naive Bayes 모델은 가장 낮은 성능을 보이며 대부분의 고장 유형을 정확하게 처리하는 데 있어 상당한 어려움을 겪는다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.