دانشگاه رازی

   چکیده: با گسترش استفاده از سامانه‌های فتوولتائیک و افزایش اهمیت ارتقای قابلیت اطمینان در سیستم‌های تولید انرژی‌های تجدیدپذیر، تشخیص سریع و دقیق خطاها به یکی از چالش‌های اساسی این حوزه تبدیل شده است. پایان نامه حاضر با هدف شناسایی و طبقه‌بندی خطاها در سامانه‌های فتوولتائیک با بهره‌گیری از الگوریتم‌های یادگیری تقویتی عمیق انجام شده است. در این پایان نامه، عملکرد دو الگوریتم شبکه عمیق و بهینه‌سازی سیاست   مجاورتی در شناسایی و طبقه‌بندی متداول‌ترین انواع خطاها شامل خطای اتصال کوتاه، خطای مدار باز، خطای سایه‌اندازی، خطای تخریب ماژول و شرایط عملکرد عادی مورد بررسی و مقایسه قرار گرفت. مجموعه‌داده مورد استفاده پس از ایجاد تعادل میان کلاس‌ها و انجام مراحل پیش‌پردازش، برای آموزش و ارزیابی مدل‌ها به کار گرفته شد. معیارهای ارزیابی شامل دقت، صحت، بازخوانیو امتیاز Macro-F1 بودند. نتایج پایان نامه نشان داد که الگوریتم یادگیری تقویتی عمیق عملکردی بسیار پایدار و کارآمد در طبقه‌بندی خطاها ارائه می‌دهد. این الگوریتم با دستیابی به دقت ????? درصد و امتیاز Macro-F1 برابر با ????? توانست مرزهای تصمیم‌گیری بسیار دقیقی میان کلاس‌های مختلف خطا ایجاد کند. در مقابل، الگوریتم PPO با کسب دقت ????? درصد و امتیاز Macro-F1 برابر با ????? عملکرد ضعیف‌تری از خود نشان داد و این ضعف به‌ویژه در شناسایی کلاس تخریب ماژول مشهود بود. یافته‌های این پایان نامه نشان می‌دهد که الگوریتم‌های مبتنی بر ارزش، به دلیل پایداری بیشتر و توانایی بهره‌گیری مجدد از تجربیات گذشته، در مسائل طبقه‌بندی مبتنی بر مجموعه‌داده‌های ساختاریافته، نسبت به الگوریتم‌های مبتنی بر سیاست کارایی بالاتری دارند. در نهایت، الگوریتم شبکه عمیق به‌عنوان مدل بهینه برای تشخیص خطا در سامانه‌های فتوولتائیک معرفی شد. کلیدواژه‌ها: سامانه‌های فتوولتائیک، یادگیری تقویتی عمیق، شبکه عمیق، تشخیص خطا.