A Compact 1D-CNN for Photovoltaic Fault Diagnosis With Leakage-Aware Validation: A Comparative Study
Hyväksytty
Luokittelutiedot
OKM-julkaisutyyppi
A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä (vertaisarvioitu)
Julkaisun muoto
Artikkeli
Kohderyhmä
Tieteellinen
Vertaisarvioitu
Vertaisarvioitu
Artikkelityyppi
Alkuperäisartikkeli
Emojulkaisun tyyppi
Lehti
Julkaisukanavan tiedot
Lehden/sarjan nimi
IEEE access
ISSN-E (elektroninen)
2169-3536
ISSN-L (linking)
2169-3536
Kustantaja
IEEE
Julkaisun JUFO ID
78297
Julkaisun JUFO-taso
1
Julkaisu on FT-listalla
Ei
Julkaisun SNIP-taso
1.48
Julkaisumaa
Yhdysvallat (USA)
Kansainvälisyys
Kyllä
Julkaisun tarkemmat tiedot
Julkaisuvuosi
2026
Ilmoitusvuosi
2026
Lehden/sarjan volyymi
14
Sivunumerot
81616-81630
Artikkelinumero
11535433
DOI
10.1109/access.2026.3697265
Julkaisukieli
englanti
Yhteisjulkaisutiedot
Kansainvälinen yhteisjulkaisu
Kyllä
Yhteisjulkaisu yrityksen kanssa
Ei
Saatavuustiedot
Verkkojulkaisun linkki
Linkki rinnakkaistallenteeseen
Luokitukset ja lisätiedot
OKM-tieteenalaluokitus
213 Sähkö-, automaatio- ja tietoliikennetekniikka, elektroniikka
Avainsanat
Photovoltaic fault diagnosis; convolutional neural network; deep learning; 1-D-CNN; multiclass classification; wavelet features; renewable energy monitoring
Rahoittajatiedot
Rahoitustiedot julkaisussa
The research activities of Tariq Kamal were supported by the University of Vaasa, Finland, through Business Finland under the project Grid Code Certification by Simulation, Grant No. 2452/31/2024. The open access publication fee was covered through the FinELib consortium’s agreement with IEEE.
Rahoittajat
Rahoittaja
Business Finland
Rahoituksen nimi
-
Rahoituspäätös
2452/31/2024
Tutkimusaineistotiedot
Tutkimusaineistotiedot julkaisussa
The weather data used in this research is openly accessible.
Lähdetietokantojen tunnukset
WoS -tunniste
WOS:001783786700021
Scopus -tunniste
2-s2.0-105040189910