Photovoltaic cells anomaly classification using deep learning techniques
Başlık çevirisi mevcut değil.
- Tez No: 797697
- Danışmanlar: DR. ÖĞR. ÜYESİ MESUT ÇEVIK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son yıllarda, güneş fotovoltaik (PV) sistemleri, çevre dostu enerji hasadı alanında yaygın bir kullanım görmüştür. Ek olarak, birimlerin kullanım ömürlerinin sonuna ulaşma oranı da artıyor. Kurşun, kalay ve kadmiyum gibi ağır metaller güneş modüllerinde bulunabilir ve çevreye zarar verebilir. Güneş modülleriniz için düzenli denetimler ve bakım, kullanım ömürlerini uzatmak, enerji israfını azaltmak ve çevreyi güvenli tutmak için çok önemlidir. Bu tez, anormal davranış sergileyen güneş modüllerini verimli bir şekilde taramak ve kategorize etmek için PV hücre elektrolüminesansı (EL) ve derin öğrenme tekniklerini kullanan bir sistem önermektedir. Derin sinir ağları, anormallikleri doğru bir şekilde tahmin edebilir ve anormallik türlerini sınıflandırabilir. PV hücre elektrolüminesansını kullanarak, anormal güneş modüllerini kesin olarak tahmin etmek ve sınıflandırmak için artık ağ mimarisine ve topluluk teknolojisine dayalı evrişim sinir ağı teknikleri öneriyoruz.
Özet (Çeviri)
In recent years, solar photovoltaic (PV) systems have seen widespread use in the field of environmentally friendly energy harvesting. Additionally, the rate at which units reach the end of their useful life cycle is increasing. Heavy metals like lead, tin, and cadmium can be found in solar modules and cause environmental damage. Regular inspections and maintenance for your solar modules are essential to extending their useful life, cutting down on energy waste, and keeping the environment safe. This thesis proposes a system that uses PV cell electroluminescence (EL) and deep learning techniques to efficiently screen for and categorize solar modules that exhibit anomalous behaviour. Deep neural networks can accurately predict anomalies and classify types of anomalies. Using PV cell electroluminescence, we propose convolution neural network techniques based on residual network architecture and ensemble technology to precisely forecast and classify anomalous solar modules.
Benzer Tezler
- D-π-A Tipi Heteroaril-Sübstitüe Tiyofen Türevlerinin DSSC Fotoanot ve Katot Malzemesi Olarak Teorik İncelenmesi
Theoretical Investigation of D-π-A Type Heteroaryl-Substituted Thiophene Derivatives as DSSC Photoanode and Cathode Materials
ESİN MUTLU
- Lityum iyon pil üretim tesislerinde yangın algılama ikaz ve yangın söndürme sistemlerinin incelenmesi
Investigation of fire detection, alarm and fire suppression systems in lithium-ion battery production facilities
KAYHAN KARAİSMAİL
Yüksek Lisans
Türkçe
2026
Mühendislik BilimleriSakarya ÜniversitesiYangın ve Yangın Güvenliği Ana Bilim Dalı
PROF. DR. HAKAN SERHAD SOYHAN
- Characterization of TiO2/Cu2O thin film photovoltaic cells
TiO2/Cu2O ince film fotovoltaik hücrelerin karakterizasyonu
TÜLİN YILMAZ
Yüksek Lisans
İngilizce
2014
EnerjiYıldız Teknik ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. HANİFİ SARAÇ
- Numerical investigation of thermal management in photovoltaic cells with phase changing materials (PCM) and high conductivity inserts
Faz değiştiren malzemeler (FDM) ve yüksek iletimli eklentiier ıle fotovoltaik hücrelerin ısıl yönetiminin sayısal olarak araştırılması
SYLEVASTER KYALIGONZA
Yüksek Lisans
İngilizce
2021
Makine Mühendisliğiİzmir Yüksek Teknoloji EnstitüsüMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERDAL ÇETKİN
- Photovoltaic power generation for polycrystalline solar cells and turning sunlight into electricity
Güneş pilleri için fotovoltaik güç üretimi ve güneş ışığının elektrik enerjisine çevrimi
ŞULE ÇAPAR
Yüksek Lisans
İngilizce
2005
Fizik ve Fizik MühendisliğiGaziantep ÜniversitesiFizik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MUSTAFA ÖZTAŞ