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
- Tez No: 849639
- Danışmanlar: DOÇ. DR. COŞKUN FIRAT
- Tez Türü: Yüksek Lisans
- Konular: Enerji, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Enerji Enstitüsü
- Ana Bilim Dalı: Enerji Bilim ve Teknoloji Ana Bilim Dalı
- Bilim Dalı: Enerji Bilim ve Teknoloji Bilim Dalı
- Sayfa Sayısı: 111
Özet
Küresel ısınmanın sebep olduğu faciaların günümüzde daha da gözle görülür hale gelmesiyle, fosil yakıtlardan alternatif (yenilenebilir) enerji kaynaklarına geçiş yapmak her zamankinden daha fazla önem kazanmıştır. Alternatif enerji kaynakları arasında fotovoltaik sistemlerin temiz enerji kaynakları arasında en ön sırada yer alması beklenmektedir, bundan dolayı bu sistemlerin performansını korumak ve arttırmak oldukça önemlidir. Fotovoltaik sistemlerin yapıtaşı olan güneş panelleri birden çok güneş hücresinin/pilinin bir araya getirilmesiyle oluşturulur. Güneş hücreleri fotovoltaik etki ile üstüne gelen ışınımı elektrik akımına çevirebilen özel pillerdir. Güneş hücreleri biri 5.grup diğeri ise 3.grupta bulunan bir elementle katkılanmış olan iki yarıiletkenin bir araya getirilmesiyle oluşur. Güneş pillerinin üretiminde metaller yerine yarıiletken kullanılmasının sebebi ise uyarılmış elektronların iletim bandından valans bandına düşmesi için gereken sürenin yarıiletkenlerde metallere göre daha uzun sürmesidir. İki farklı özelliğe sahip yarıiletkenin bir araya getirilmesiyle oluşan yapıya p-n eklemi denir. Burada p kısmı 3.grup ile katkılanmış yarıiletkeni n kısmı ise 5.grup ile katkılanmış yarıiletkeni temsil eder. Eklemin p kısımda boşluk (proton) sayısı elektron sayısından daha fazla olduğu için boşluklar çoğunluk, elektronlar ise azınlık taşıyıcısıdır. Eklemin n kısmında ise bu durumun tersi doğrudur, elektronlar çoğunluk, boşluklar ise azınlık taşıyıcısıdır. Bu iki farklı yapı bir araya geldiği zaman p taraftaki boşluklar n tarafa, n taraftaki elektronlar ise p tarafa difüze olmaya başlarlar ve sonuç olarak p-n ekleminin ortasında uzay yük bölgesi adı verilen bir elektrik alan oluşur. Yapı içinde yer alan yoğunluk farkından dolayı oluşan (yani çoğunluk taşıyıcıları tarafından oluşturulan) akıma difüzyon akımı, eklem içinde oluşan elektrik alan tarafından oluşturulan akıma ise sürüklenme akımı denir. Güneş pillerinin elektrik akımı üretebilmesi için pilin üstüne gelen ışınımın elektrik alanın üstüne veya çok yakınına düşmesi gerekmektedir aksi takdirde elektrik akımı üretilemez. Bu koşul sağlandığı zaman ışık tarafından oluşturulan elektron-boşluk çifti sahip oldukları yük işaretine göre elektrik alanın etkisi ile karşı tarafa doğru sürüklenmeye başlarlar. Bu hareket sonucu oluşan elektrik akımına foton akımı denir. Bir güneş hücresinin ideal elektrik devresi modelinde sadece foton akımını temsil eden bir akım kaynağı ve p-n eklemi temsil eden bir diyot devre elemanı vardır. Bu modelin gerçek hayattaki pillerin özelliklerini daha iyi modelleyebilmesi için devreye pil üretimi sırasında oluşan ve iç kayıpları temsil eden iki direnç (seri ve şönt direnci) eklenir. Güneş pili elektriksel devre modelindeki devre elemanlarının sayısal değerleri bazı varsayımlarda bulunarak çıkarılabilir ve böylece hücrenin akım-gerilim grafiği kolayca çizilebilir. Akım-hücre grafiğinde beş farklı önemli nokta vardır bunlar açık devre gerilimi, kısa devre akımı, maksimum güç, optimum akım ve optimum gerilimdir. Açık devre gerilimi elektrik devresinin açık devre olduğu zamanki ölçülen gerilim değeridir, bu durumda sürüklenme akımı difüzyon akımına eşittir ve akım-gerilim eğrisinin bitiş noktasıdır. Kısa devre akımı elektrik devresinin kısa devre olduğu zamanki ölçülen akım değeridir, bu durumda kısa devre akımı foton akımına eşittir ve akım-gerilim eğrisinin başlangıç noktasıdır. Maksimum güç, akım-gerilim eğrisindeki en yüksek güç değeridir ve bu gücü oluşturan akım gerilim çarpımındaki akım ve gerilim değerlerine optimum akım ve gerilim denir. Fotovoltaik sistemden maksimum verim alabilmek için maksimum güç noktası takip algoritmaları akım ve gerilim değerlerini optimumda sabitlerler. Bu algoritmaların sisteme entegresi için güç elektroniği cihazları kullanılır. Güç elektroniği cihazları paneller tarafından oluşturulan direkt akımı alternatif akıma çevirebileceği gibi direkt akımı başka bir değerdeki direkt akıma da çevirebilirler. Eğer fotovoltaik sistem şebekeye bağlı ise filtre devreleri sistemi güç elektroniği cihazları tarafından oluşturulan harmoniklerden arındırmak için kullanılır. Şebekeden bağımsız sistemlerde ise üretilen gücü daha sonra kullanmak amacıyla enerji depolama sistemleri kullanılır. Birçok farklı enerji depolama türü olsa da fotovoltaik sistemlerde yaygın olarak kimyasal enerji depolama sistemleri yani bataryalar kullanılır. Bunun sebebi bataryaların diğer türlere göre daha ucuz olması ve daha az yer kaplamasıdır. Fotovoltaik sistemlerin performansı nem, sıcaklık, güneş ışığı gibi dış etkenlere bağlı olmasına karşın, üretim sırasında oluşan problemler de iç etken olarak performansı etkileyebilir. Fotovoltaik hatalar sistemin performansını negatif olarak etkileyen iç ve dış etkenlerden oluşan problemlere denir. Genellikle bu tür hataların bulundukları sisteme ve sistemin etrafındaki canlılara ve cansız objelere zararı yoktur ancak bu durum sadece kısa süreli devam eden fotovoltaik hatalar için geçerlidir. Eğer fotovoltaik hatalar çözülmez ve varlıkları uzun bir süre devam ederse, hatalar yangın başlatıp hem fotovoltaik sisteme hem de çevresine şiddetli bir zarar verebilir. Bu hatalar birçok farklı sebepten ortaya çıkabileceği gibi, aynı zamanda fotovoltaik sistemin farklı noktalarında meydana gelebilir. Bu çalışmada bu hatalar arasından hattan hatta arıza, açık devre arızası, gölgelenme ve bozulma arızaları özellikle incelenmiştir. Hattan hatta arızalar sistem içerisinde farklı potansiyele sahip iki nokta arasında istenmeyen düşük dirençli bir yolun oluşması sonucunda ortaya çıkar. Bu istenmeyen yolun ortaya çıkmasıyla elektrik akımı panellerin üstünden geçmek yerine bu düşük dirençli yolu tercih eder ve dolayısıyla iki farklı potansiyele sahip nokta arasında kalan paneller elektrik güç üretimine katkıda bulunamazlar. Ortaya çıkabilecek yüksek akımdan korunmak amacıyla fotovoltaik sistemlere aşırı akımdan korunma devresi/cihazı denilen sigortalar eklenir. Açık devre arızası terimi sistem içerisindeki kablo gibi bağlantılarda oluşabilecek kopukluk durumları için kullanılır. Oluşabilecek kopukluk yüzünden kablolar ile güç aktarımı yapılamayacağı gibi kopuk malzemelerde ark akımı da ortaya çıkabilir. Elektrik arkları bir elektrottan diğer elektrota havayı iyonize ederek ulaşan elektrik akımları olarak tanımlanabilir. Oldukça parlak olup çok yüksek sıcaklıklara çıkabileceği için hem bulundukları sisteme hem de sistemin çevresine oldukça büyük zararlar verebilirler. Ark arızaları oluşum şekline göre seri veya paralel olarak adlandırılabilir. Fotovoltaik sistemlerde daha çok seri ark hatasıyla karşılaşılır ancak bu hatanın verebileceği hasar paralel ark hatasına göre daha azdır. Ark arızalarından korunmak için fotovoltaik sistemlerde ark hatası devre kesicileri adlı sigorta sistemleri kullanılır. Bir diğer arıza türü gölgelenme arızalarıdır. Bu tür arızalar panel üstüne düşen ışınımın azalması sonucu ile ortaya çıkar. Genelde bu arıza türünün sistem performansını negatif etkilemesi dışında bir zararı yoktur, ancak hatanın çözülmemesi durumunda sıcak nokta gibi başka problemlere sebep olabilmesi de bir ihtimaldir. Bu tür arızaların etkisini azaltmak için panellere paralel bağlı diyotlar eklenebilir. Bozulma arızaları, panellerin zamanla eskimesi sonucunda ortaya çıkabilecek olan hatalara denir. Bu tür hatalar zamanla ortaya çıkabileceği gibi nem, sıcaklık ve ultraviyole ışınlar gibi dış etkenler nedeniyle de oluşabilir. Fotovoltaik sistemlerde gerçekleşebilecek arızların tespiti için yapay zeka algoritmalarının kullanımı literatürde oldukça yaygınlaşmıştır. Yapay zeka algoritmaları istatiksel yöntemleri kullanarak girdi ve çıktılar arasında anlamlı bir ilişki kurmaya çalışır. Bu çalışmada fotovoltaik sistemin doğru akım tarafındaki farklı hata türlerinin tespiti için güneş panellerin elektriksel özellikleri analiz edilmiştir ve analiz için Lojistik Model Ağacı algoritması önerilmiştir. Lojistik model ağacı, lojistik regresyon ve karar ağacı adındaki iki farklı istatistik yönteminin zayıflıklarından kurtulmak amacıyla ortaya çıkan, bu iki algoritmanın sentezi olan bir makine öğrenmesi yöntemidir. Lojistik regresyon yöntemi, en basit istatiksel yöntem olan lineer regresyonun lojistik fonksiyondan geçirilmesi ile oluşur. Lojistik fonksiyondan geçen doğrunun çıkış değeri olasılık olarak yorumlanabilir, böylece en yüksek olasılığa sahip sınıf algoritma tarafından çıktı olarak verilir. Karar ağacı algoritmalarında ise, veri seti bir ağacın dallarını çizermiş gibi daha küçük kümelere bölünür ve sınıf etiketleri ağacın yapraklarında konumlandırılır. Veri setinin ağaç dalları gibi ayrılması için çok farklı koşul uygulanabilirken, bu çalışmada bilgi kazanım oranı yönteminden bahsedilmiştir. Büyütülen ağacın gerekenden çok fazla dala sahip olması nedeniyle ortaya çıkabilecek aşırı öğrenme probleminden kurtulmak için, budama yöntemleri kullanılır. Bu çalışmada ayrıca maliyet karmaşıklığı budaması yönteminden de bahsedilmiştir. Lojistik model ağacı, tıpkı bir karar ağacı gibi bilgi kazanım yöntemi ile önce büyütülür sonra ise maliyet karmaşıklığı yöntemi ile budanır. Ama karar ağaçlarının aksine, lojistik model ağacının yapraklarında sınıf etiketleri yerine lojistik modeller bulunmaktadır ve bu modellerin sonucuna göre sınıflandırma yapılır. Lojistik modellerdeki regresyon katsayılarının tahmini için LogitBoost yöntemi kullanılmıştır. Lojistik modeller eğitildikten sonra veri kümesi daha küçük veri kümelerine ayrılır ancak, bu yeni veri kümelerinde yer alan lojistik modellerin eğitim sırasındaki ilk değerleri üst daldaki modellerin değerleridir. Böylece eğitime sıfırdan başlamak yerine önceki daldan devam edilir. Bu ağaç büyütme ve lojistik model eğitme rutini, durma koşulu sağlanana kadar devam eder. Fotovoltaik hataların analizi için öncelikle bir veri setinin oluşturulması gereklidir. Bu çalışmada veri setinin oluşturulması için MATLAB Simulink programı kullanılmış ve oluşturulan 2x2 fotovoltaik sistemin (2 tane 2 seri bağlı modülün paralel bağlanması) açık devre, gölgelenme, bozulma ve hattan hatta arıza durumu ile hatasız/normal durum benzetimi yapılmıştır. Benzetimler sonucunda 31365 adet gözleme sahip veri seti oluşturulmuştur. Gözlemlerin girdisi olarak açık devre gerilimi, kısa devre akımı, maksimum güç, optimum akım ve optimum gerilim kullanılmıştır. Oluşturulan veri seti 0-1 aralığına normalize edildikten sonra alıştırma ve test adı verilen iki sete %30 ve %70 oranıyla ayırılmıştır. Oluşturulan veri setindeki gözlemlerin çoğunun gölgelenme ve bozulma hatalarına ait olması sebebi ile ortaya çıkan sınıf eşitsizliği problemini çözmek için, alıştırma setindeki bu iki sınıfa k-ortalama kümeleme yöntemi uygulanmıştır. Bu kümeleme yöntemi ile gözlemlerin yerini kümeler almış, böylece her sınıfın gözlem sayısı birbirine eşit olmuştur. Sınıfların gözlem sayısı birbirine eşitlendikten sonra, R programlama dilinde 5 kat çapraz doğrulama yöntemi ile makine öğrenimi yöntemleri alıştırma setinde eğitilmiştir. Çapraz doğrulama sırasında ızgara arama yöntemi ile en iyi Kappa sonucunu veren algoritma parametreleri bulunmuş ve test setindeki algoritmalarda bu parametre değerleri kullanılmıştır. Bu çalışmada kullanılan algoritmalar Lojistik Model Ağacı algoritmansın yanı sıra C4.5 karar ağacı, LogitBoost, çok katmanlı algılayıcı, rastgele ağaçlar ve k-en yakın komşu yöntemleridir. Bu yöntemlerin kıyaslanması için Kappa, Matthew'un korelasyon katsayısı ve Makro F-1 değerleri kullanılmıştır. Yapılan incelemeler sonucunda Lojistik Model Ağacı yönteminin her üç metrikte de diğer yöntemlerden daha başarılı olduğu gözlemlenmiş ve dolaysıyla doğru akım tarafındaki hataların tespiti için en uygun algoritma olduğu tespit edilmiştir.
Özet (Çeviri)
As the consequences of global warming have become more visible, replacing fossil fuels with renewable energy sources has become more important than ever before. Among renewable energy sources, photovoltaic systems are expected to become the leading clean energy source, and therefore, it is important to improve and maintain the efficiency of the photovoltaic systems. While the performance of the photovoltaic systems depends on environmental conditions, such as sunlight, temperature, and moisture, it can also be affected by the internal problems created during the manufacturing process. Photovoltaic faults refer to problems that are created by internal and external factors and may cause a drop in photovoltaic system performance. Usually, these faults are harmless to system and system environment and are not permanent but if these faults go undetected for a long time, they may permanently damage system and system environment by starting fire hazards. Faults within the system can occur in various parts of the photovoltaic system and can be created by many different reasons. Among these faults line to line, open circuit, shading, and degradation faults are investigated in this study. For the detection of faults in photovoltaic systems, machine learning algorithms are very heavily used in the literature. In this study, the Logistic Model Tree algorithm has been proposed for the detection and classification of faults on the DC side of the photovoltaic system by analyzing their electrical characteristics. Logistic Model Tree algorithm is a supervised machine learning algorithm that combines Logistic Regression and Decision Tree algorithms to overcome the disadvantages of both algorithms. Unlike the regular Decision Tree schemes Logistic Regression models are assigned to each leaf of the tree instead of the class labels and the class with the highest probability is selected as the output of the algorithm. At the start of the algorithm Logistic Regression models are built on the root node. For the Logistic Regression model fitting LogitBoost algorithm (a boosting algorithm that aims to minimize negative binomial log-likelihood) is used. After the Logistic Regression model fitting, the dataset is divided into smaller subsets called child nodes. During the fitting of the Logistic Regression models at the child nodes committee functions, weights, and class probabilities are inherited from the parent nodes. This logistic model fitting and splitting process continues until the stopping criterion is met. Following the model tree construction, the Logistic Model Tree is pruned with cost complexity pruning. For fault data analysis, at first fault data of a 2x2 photovoltaic system is generated in the MATLAB Simulink platform. The generated dataset contains 31365 samples of open circuit voltage, short circuit current, optimal current, optimal voltage, and maximum power. The generated fault dataset contains 31365 samples with 59% and 23% of them belonging to the shading fault and degradation fault case respectively, and is split into training and testing datasets with 70% and 30% ratio respectively after the normalization of the electrical attributes within the 0-1 range. To overcome the bias towards the shading and degradation fault cases, the k-means undersampling method is applied to the training dataset. With this approach, samples in these classes are replaced by the clusters. After the undersampling, 5-fold cross-validation is used for the algorithm training. In this method, the training dataset is split into 5 folds where four folds are used for the training and the remaining fold is used for the validation. This process is repeated until every single fold is used as the validation set. During the cross-validation, grid search is also applied to find the optimal values (values that result to the best Kappa score) of the hyperparameters of the algorithms. Then, algorithms with their optimal hyperparameters are evaluated on the testing dataset. In this study Logistic Model Tree, Logistic Regression, C4.5 Decision Tree, Multi-Layer Perceptron, Random Forest, and k-Nearest Neighbour algorithms are compared with each other. For the evaluation of these models, Matthews Correlation Coefficient, Kappa, and Macro F-1 scores are calculated from the confusion matrices. According to the results, the Logistic Model Tree algorithm has a higher Matthews Correlation Coefficient (0.8657443), Kappa (0.8609745), and Macro F-1 (0.8539005) scores than the rest of the algorithms and therefore is the best machine learning algorithm for the detection of faults on the DC side of the photovoltaic system.
Benzer Tezler
- High impedance fault detection in medium voltage distribution systems using wavelet transform
Dalgacık dönüşümü kullanılarak orta gerilim dağıtım sistemlerinde yüksek empedanslı arıza tespiti
BARAA MAKKAWI
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER USTA
- Human factor based advanced driver-assistance system (ADAS) design for electric vehicle
Elektrikli araç için insan faktörü tabanlı gelişmiş sürücü yardım sistemi (ADAS) tasarımı
DAĞHAN DOĞAN
Doktora
İngilizce
2022
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. OVSANNA SETA ESTRADA
- Fırçasız motorlarda arıza tespiti için ses tabanlı makine öğrenmesi yöntemlerinin geliştirilmesi
Development of sound based machine learning methods for fault detection in brushless dc motors
FERHAT YOL
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiEkobilişim Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYHAN ALTINÖRS
DR. ÖĞR. ÜYESİ ORHAN YAMAN
- Çok katlı çelik çerçeve türü bir taşıyıcı sisteminde eski ve güncel yönetmelik uygulamalarının karşılaştırılması
Comparison of a multi storey steel structure system according to the old and the new building code applications
FATİH IRGAÇ
Yüksek Lisans
Türkçe
2019
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MECİT ÇELİK
- Görüntü işleme ve derin öğrenme yöntemleri ile çelik yüzey kusurlarının tespiti ve sınıflandırılması
Detection and classification of steel surface defects by image processing and deep learning methods
AHMET AYDIN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLHAN AYDIN