Makine öğrenmesi ile fotovoltaik dizilerde elektriksel arıza tespiti
Machine learning based fault detection in PV arrays
- Tez No: 664815
- Danışmanlar: DOÇ. DR. BİLAL GÜMÜŞ, DR. ÖĞR. ÜYESİ MUSA YILMAZ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 106
Özet
Yenilenebilir Enerji Kaynakları (YEK), artan talep ve küresel çevre problemleri dikkate alındığında sürdürülebilir enerji üretimine önemli ölçüde katkı sunmaktadır. Yenilenebilir enerji kaynaklarından güneş enerjisi, teknik, ekonomik ve çevresel faydalarından dolayı en ilgi çekici güç kaynaklarından biridir. Fotovoltaik (PV) sistemlerinin artan kullanımı, PV endüstrisi tarafından bilinmeyen veya öngörülemeyen çeşitli teknik sorunları ortaya çıkarmıştır. PV dizisi kısa devre ve açık devre hataları, PV arızasına ve daha düşük sistem verimliliğine neden olabilecek sorunlardan biridir. Bu arızalar, düşük ışınım koşullarında veya arızaya yakın elektrik potansiyeline sahip noktalar arasında olması halinde, yani düşük uyumsuzluk oranında meydana geldiğinde neredeyse hiç tespit edilemez. Ayrıca, maksimum güç noktası izleme (MPPT) algoritmaları, farklı çalışma koşulları altında bir PV dizisinin güç çıkışını optimize ederken, bu tür arızaları tespit etme zorluğunu daha da artırabilmektedir. Belirtilen nedenlerden ötürü, PV sistemin sabit ve maksimum verimle çalışabilmesi için bu tür arızaların tespit edilmesi hayati önem arz etmektedir. Bu tezde, PV dizilerde arıza tespiti için gürbüz bir veri odaklı yöntem önerilmiştir. Önerilen yöntem, ayar yapılmadan rastgele gizli katman parametrelerini atama avantajına sahip rastgele vektör işlevsel bağlantı ağlarına (RVFLN) dayanmaktadır. Arıza tespit doğruluğunu azaltan ölçüm gürültüsü, uzun eğitim süresi ve aşırı uydurma gibi etkileri ortadan kaldırmak ve çıktı ağırlıklarını hesaplamak için, kayıp ağırlık faktörlü l2-norm(bu çıkış akımı ise ismi özette daha mantıklı olur) kullanan seyrek düzenleme yöntemi kullanılmıştır. Aykırı değer örneklerine karşı güçlü bir sağlamlık elde etmek için, parametrik olmayan kernel yoğunluğu tahmini, kayıp ağırlıklandırma faktörü atamak için kullanılmıştır. Simülasyon ve deneysel çalışmalar yoluyla önerilen yöntemin performansının, yalnızca PV dizilerinin çıkış akım ve gerilim ölçümlerine dayanarak, kısa ve açık devre arızalarını tespit etmede başarılı olduğu gösterilmiştir. En küçük kare destekli vektör makinesiyle karşılaştırıldığında daha güçlü gürbüzlüğe ek olarak, önerdiğimiz yöntemin kısa devre ve açık devre için sırasıyla% 80 ve% 100 ortalama tespit doğruluğu sağladığı da bu çalışmada gösterilmiştir.
Özet (Çeviri)
Renewable Energy Resources (RES) contribute significantly to sustainable energy generation given the increasing demand and global environmental degradation. Among various RES, solar energy is one of the most attractive power sources due to its technical, economic and environmental benefits. The increasing use of photovoltaic (PV) systems poses various technical problems previously unknown to the PV industry. PV array short circuit and open circuit faults are one of the problems that can cause PV failure and lower system efficiency. These faults are hardly detectable at low irradiance conditions or when the fault occurs between points with near electrical potential, i.e. low mismatch faults. Moreover, maximum power point tracking (MPPT) schemes can further increase the difficulty of detecting such faults while optimizing the power output of a PV array under different operating conditions. Due to the stated reasons, it is vital to detect such faults in order for the PV system to operate stably and with maximum efficiency. In this thesis, a robust data-driven method is proposed for fault detection in PV arrays. Our method is based on random vector functional link networks (RVFLN) that have the advantage of randomly assigning hidden layer parameters without adjustment. The sparse regulation method using l2-norm with loss weight factor was used to eliminate the effects such as measurement noise, long training time and overfitting, which reduce fault detection accuracy, and to calculate output weights. To obtain a strong robustness against outliers samples, the non-parametric kernel density estimation was used to assign a loss weighting factor. Through simulation and experimental studies, the performance of our proposed method has been shown to be successful in detecting short and open circuit faults based solely on the output current and voltage measurements of PV arrays. In addition to the stronger robustness compared to the smallest square support vector machine, we have also shown that the method we propose provides an average detection accuracy of 80% and 100% for short circuit and open circuit, respectively.
Benzer Tezler
- Fotovoltaik sistemlerde makine öğrenmesi ile enerji üretim tahmini
Energy production prediction with machine learning in photovoltaic systems
ONUR AKTAŞ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKırklareli ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT OLCAY ÖZCAN
- Detection and classification of faults on the dc side of photovoltaic systems using logistic model tree algorithm
Lojistik model ağacı algoritması ile fotovoltaik sistemlerin dc tarafındaki hataların tespiti ve sınıflandırılması
BOĞAÇ OĞUZ TOĞAY
Yüksek Lisans
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DOÇ. DR. COŞKUN FIRAT
- Nesnelerin interneti tabanlı makine öğrenmesine dayalı seçici sulama sistemi tasarım ve uygulaması
Internet of things based machine learning supported selective irrigation system design and implementation
HARUN DOLCEL
Yüksek Lisans
Türkçe
2022
Mekatronik MühendisliğiTokat Gaziosmanpaşa ÜniversitesiMekatronik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MAHMUT DURGUN
- İzmir Tire yerleşiminde saatlik sıcaklık değerlerinin fotovoltaik sistem performansına etkisinin farklı makine öğrenmesi modelleriyle incelenmesi ve optimizasyonu
Investigation and optimization of the effect of hourly temperature values on photovoltaic system performance in Izmir Tire district with different machine learning models
RÜŞDİ ERDEM
Yüksek Lisans
Türkçe
2022
EnerjiPamukkale ÜniversitesiEnerji Yönetimi ve Teknolojileri Ana Bilim Dalı
PROF. DR. ÖMER ALTAN DOMBAYCI
- Güneş paneli enerji üretim tahmininin makine öğrenmesi yöntemleri ile karşılaştırılması
Comparison of solar panel energy production forecast with machine learning methods
HAVVA AYYILDIZ KOÇ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAmasya ÜniversitesiYenilenebilir Enerji ve Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAVUZ ÜNAL