本技術提出一種利用人工蜂群演算法優化半監督極限學習機的機器學習演算法，結合太陽光電串列輸出電流/電壓曲線的特徵參數標準化方法，僅需要1-3樣本有故障標籤資料進行故障診斷及指認，大幅降低人力和時間成本，各式混合故障辨識率可達99.84以上，並且對積灰監控能預警進而有效清洗，增加太陽光電發電收益。

國際上尚無方法有考慮灰塵因素之太陽光電發電系統故障診斷，本技術準確度比極限學習機提高69.28，比基於回歸分類決策樹及多類指數損失函數之逐步添加模型提高7.37，比基於圖的半監督學習演算法提高2.94，比半監督極限學習機提高1.26，比基於粒子群優化的半監督極限學習機演算法提高0.42。

本技術無需使用大量實際太陽光電發電系統故障標籤資料，亦無需使用額外成本之溫度及照度資訊，僅需利用最大功率追蹤執行空檔提取電氣特徵參數即可實現，運算時間僅需3.33毫秒，同時可適用於不同樣式太陽光電板，相較於現有業界技術，本技術所開發智慧型高精度太陽光電故障診斷方法具有相對創新性及高度產業應用性。

天使投資人、策略合作夥伴