Fotovoltaik arıza tespiti için doğrusal ve doğrusal olmayan PCA, LDA ve ICA yöntemlerinin karşılaştırmalı değerlendirmesi

Abstract

Fotovoltaik (FV) sistemlerdeki arızaların doğru tespiti, operasyonel güvenilirliği artırmak, enerji verimini en üst düzeye çıkarmak ve bakım maliyetlerini en aza indirmek için esastır. Bu çalışma, akıllı FV arıza sınıflandırması için ön işleme yöntemleri olarak hem doğrusal hem de doğrusal olmayan boyut azaltma tekniklerini (Temel Bileşen Analizi (PCA), Doğrusal Ayırımcı Analiz (LDA), Bağımsız Bileşen Analizi (ICA), Çekirdek PCA (KPCA), Çekirdek LDA (KLDA) ve Çekirdek ICA) değerlendiren birleşik bir karşılaştırmalı çerçeve sunmaktadır. Bu teknikler, FV elektrik sinyallerinin tamamlayıcı istatistiksel özelliklerini yakalar: doğrusal PCA küresel varyansı modeller, LDA denetimli sınıf ayrılabilirliğini optimize eder ve ICA gizli arıza örüntülerine karşılık gelebilecek istatistiksel olarak bağımsız modları çıkarır. Doğrusal olmayan çekirdek karşılıkları, bu yetenekleri gerçek FV çalışma koşullarında karşılaşılan karmaşık, doğrusal olmayan şekilde ayrılabilir özellik yapılarına genişletir. Ön işlemeden sonra, her yöntemin aynı deneysel ayarlar altında ayırt edici etkinliğini değerlendirmek üzere bir Destek Vektör Makinesi (SVM) sınıflandırıcısı eğitilmiştir. Normal davranış, kısmi gölgelenme, bozulma ve elektriksel arızalar içeren gerçek operasyonel veri kümeleri, tüm yaklaşımların kıyaslanması için kullanılmıştır. Performans; doğruluk, F1 puanı, karışıklık matrisleri ve hesaplama karmaşıklığı ölçütleri kullanılarak karşılaştırılmıştır. Ön sonuçlar, PCA’nın sürekli olarak en yüksek genel doğruluk ve kararlılığı sağladığını, KLDA’nın ise kıvrımlar arasında düşük varyansla güçlü bir denetimli sınıf ayrımı sunduğunu göstermektedir. KPCA, verilerdeki doğrusal olmayan yapıları yakalayarak rekabetçi bir performans sergilemekte, ancak biraz daha fazla değişkenliğe sahip olmaktadır. Buna karşın, ICA ve Kernel-ICA sınırlı bir ayrım yeteneği ve gürültüye karşı yüksek hassasiyet göstermekte, bu da onları PV arıza sınıflandırması için daha az uygun hâle getirmektedir. Genel olarak, bulgular her bir ön işleme yönteminin göreceli güçlü yönlerini açıkça ortaya koymakta ve yeni nesil PV izleme ve arıza teşhis sistemlerinde etkili boyut azaltma yöntemlerinin seçilmesi için pratik rehberlik sağlamaktadır.Accurate detection of faults in photovoltaic (PV) systems is essential for enhancing operational reliability, maximizing energy yield, and minimizing maintenance costs. This study provides a unified comparative framework that evaluates both linear and nonlinear dimensionality reduction techniques—Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), Independent Component Analysis (ICA), Kernel PCA (KPCA), Kernel LDA (KLDA), and Kernel ICA—as preprocessing methods for intelligent PV fault classification. These techniques capture complementary statistical properties of PV electrical signals: linear PCA models global variance, LDA optimizes supervised class separability, and ICA extracts statistically independent modes that may correspond to hidden fault patterns. Their nonlinear kernel counterparts extend these capabilities to complex, nonlinearly separable feature structures encountered in real PV operating conditions. After preprocessing, a Support Vector Machine (SVM) classifier is trained to assess the discriminative effectiveness of each method under identical experimental settings. Real operational datasets containing normal behavior, partial shading, degradation, and electrical faults are used to benchmark all approaches. Performance is compared using accuracy, F1-score, confusion matrices, and computational complexity. Preliminary results show that PCA consistently yields the highest overall accuracy and stability, while KLDA offers strong supervised class separation with low variance across folds. KPCA demonstrates competitive performance by capturing nonlinear structures in the data, though with slightly more variability. In contrast, ICA and Kernel-ICA show limited discriminative ability and high sensitivity to noise, making them less suitable for PV fault classification. Overall, the findings clearly outline the relative strengths of each preprocessing method and provide practical guidance for choosing effective dimensionality reduction methods in next-generation PV monitoring and fault-diagnosis systems.