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: Fotovoltaik enerji, Güneş enerjisi, Photovoltaic energy, Solar energy
- 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: Belirtilmemiş.
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 dizilerde meydana gelen arızaların derin öğrenme yaklaşımları kullanılarak sınıflandırılması
Classification of faults occurring in photovoltaic arrays using deep learning approaches
ABDULKADİR ÇELİK
Yüksek Lisans
Türkçe
2025
Mersin ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Makine öğrenmesi ve görüntü işleme yöntemleri ile fotovoltaik güneş paneli yüzey kirlilik analizi ve güç tabanlı performans değerlendirmesi
Machine learning and image processing methods for photovoltaic solar panel surface contamination analysis and power-based
GİZEM GÜL KATIRCIOĞLU
- Fotovoltaik sistemlerde makine öğrenmesi ile enerji üretim tahmini
Energy production prediction with machine learning in photovoltaic systems
ONUR AKTAŞ
Yüksek Lisans
Türkçe
2024
Kırklareli ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Çift optik elemanlı yoğunlaştırılmış fotovoltaik sistemlerin akım-gerilim davranışının tahmini için makine öğrenmesi ile yaklaşık model geliştirilmesi
Development of a surrogate model using machine learning for current-voltage behavior of dual optical element concentrated photovoltaic system
MAHIR JAFAROV
- Sentinel-2 görüntüleri ve makine öğrenmesi yöntemleri ile sera üstü fotovoltaik enerji potansiyelinin belirlenmesi: Antalya ili örneği
Assessment of greenhouse rooftop photovoltaic energy potential using Sentinel-2 imagery and machine learning: A case study of Antalya
RAMAZAN GÜNGÖR