Fotovoltaik elektrolüminesans görüntülerindeki bara kusurlarının derin öğrenme yöntemleri ile tespiti
Detection of busbar defects in photovoltai̇c electrolumi̇nescence i̇mages by deep learning methods
- Tez No: 858417
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDULKADİR GÜMÜŞÇÜ, DR. ÖĞR. ÜYESİ NURETTİN BEŞLİ
- Tez Türü: Yüksek Lisans
- Konular: Enerji, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Harran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 60
Özet
Ülkelerin enerji ihtiyacı gün geçtikçe artmaktadır. Bu yüzden yenilenebilir enerji kaynaklarına ilgi kaçınılmaz olmuştur. Bu enerji kaynaklarından güneş enerjisi fosil yakıtların aksine, yenilenebilir ve sürdürülebilirdir. Bu bağlamda güneş ışınları ile elektrik üreten fotovoltaik panel üretiminin önemi giderek artmaktadır. Diğer tüm teknolojiler gibi fotovoltaik paneller de performanslarını etkileyebilecek çeşitli kusurlar veya sorunlar yaşayabilir. Düzenli bakımın, periyodik denetimlerin ve hızlı onarımların fotovoltaik panellerdeki bu kusurların giderilmesine veya önlenmesine yardımcı olarak uzun ömürlü olmasını sağlayabileceğini belirtmekte fayda var. Bu sorunların henüz üretim aşamasında tespit edilmesi çok daha kritik olup işletme aşamasında yaşanabilecek sorunların önüne geçilebilir. FV hücrelerindeki kusurları tespit etmek için yaygın olarak kullanılan bazı yöntemler vardır. Günümüzde en çok kullanılan yöntemlerden biri Elektrolüminesans görüntüleme ile kusurların tespit edilmesidir. FV hücrelerindeki kusurları tespit etmenin genellikle özel ekipman ve uzmanlık gerektirdiğini belirtmekte fayda var. FV panel kusurları çok çeşitli olup ancak kalifiye profesyoneller, kusurları doğru bir şekilde tespit etmek için bu testleri ve incelemeleri yapabilir. Bu çalışma da ise bu gibi zorluklar göz önünde bulundurularak fotovoltaik panel kusurlarından biri olan bara kayması kusurunun derin öğrenme yöntemleri ile otomatik olarak tespit edilebilmesine yönelik çalışmalar yapılmıştır. Çalışma, gerçek bir üretim hattından alınan 60 hücreli panel görüntülerini içeren bir veri seti kullanmaktadır. Bu görüntüler, bara kayması kusurlu ve kusursuz olarak etiketlenmiş olup toplamda 500 hücre EL görüntüsünden oluşmaktadır. Önceden eğitilmiş iki farklı derin öğrenme mimarisi kullanılarak öznitelik çıkartımı yapılmış ve elde edilen nitelikler farklı kombinasyonlarla birleştirilerek başarı parametrelerindeki etkisi gözlemlenmiştir. Elde edilen nitelikler Naive Bayes ve k-NN sınıflandırma yöntemleri ile sınıflandırılarak başarı parametreleri elde edilmiştir. Sonuçlar, Relu34 ve Relu25+Conv10 katmanlarından elde edilen derin niteliklerin 0.9920 doğruluk oranı sağlayarak en başarılı sonuçları verdiğini göstermektedir. Sınıflandırma yöntemleri açısından, mesafe tabanlı yöntemlerin fotovoltaik EL görüntülerindeki bara kayması kusurlarını daha başarılı bir şekilde sınıflandırdığı görülmüştür. Ayrıca, makine öğrenme yöntemleri ile belirlenen bara kayması kusurlarında birleştirilmiş derin niteliklerin daha başarılı olduğu ortaya çıkmıştır. Tek mimari kullanılarak yapılan sınıflandırmada, niteliklerin ne kadar derin katmanlardan alınırsa, o kadar başarılı bir tespit yapılabildiği anlaşılmıştır. Yapılan tüm çalışmalar önceden eğitilmiş derin öğrenme mimarileri ile fotovoltaik panel EL görüntülerinden başarılı şekilde bara kayması kusurunun tespit edilebileceğini göstermektedir.
Özet (Çeviri)
The energy needs of countries are increasing day by day. Therefore, interest in renewable energy sources has become inevitable. Among these energy sources, solar energy is renewable and sustainable, unlike fossil fuels. In this context, the importance of photovoltaic panel production, which produces electricity with sunlight, is gradually increasing. Like any other technology, photovoltaic panels can experience various defects or problems that can affect their performance. It is worth noting that regular maintenance, periodic inspections and quick repairs can help eliminate or prevent these defects in photovoltaic panels, ensuring their longevity. It is much more critical to detect these problems during the production phase, and problems that may occur during the operating phase can be prevented. There are some commonly used methods to detect defects in FV cells. One of the most used methods today is detecting defects with Electroluminescence imaging . It is worth noting that detecting defects in FV cells often requires special equipment and expertise. FV panel defects are very diverse and only qualified professionals can perform these tests and inspections to accurately detect defects. In this study, considering such difficulties, studies have been carried out to automatically detect busbar slippage defect, which is one of the photovoltaic panel defects, with deep learning methods. The study uses a dataset containing 60-cell panel images taken from a real production line. These images are labeled as bar shift defective and perfect and consist of 500 cell EL images in total. Feature extraction was made using two different pre-trained deep learning architectures, and the effect on success parameters was observed by combining the obtained features with different combinations. The obtained qualities were classified with Naive Bayes and k-NN classification methods and success parameters were obtained. The results show that the deep features obtained from Relu34 and Relu25+Conv10 layers give the most successful results, providing an accuracy rate of 0.9920. In terms of classification methods, distance-based methods have been found to classify bus drift defects in photovoltaic EL images more successfully. Additionally, it has been revealed that combined deep features are more successful in bar slippage defects identified by machine learning methods. In the classification made using a single architecture, it has been understood that the deeper layers the attributes are taken from, the more successful a detection can be made. All studies show that bus drift defect can be successfully detected from photovoltaic panel EL images with pre-trained deep learning architectures.
Benzer Tezler
- Derin öğrenme yöntemleri kullanılarak fotovoltaik hücre elektrolüminesans görüntülerindeki kusurların tespiti
Detection of defects in photovoltaic cell electroluminescence images using deep learning methods
MUSTAFA YUSUF DEMİRCİ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiHarran ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NURETTİN BEŞLİ
DOÇ. DR. ABDÜLKADİR GÜMÜŞÇÜ
- A fault classification for defective solar cells in electroluminescence imagery based on deep learning approach
Derin öğrenme yaklaşımına dayanarak elektrolüminesans görüntülerindeki kusurlu güneş hücreleri için hata sınıflandırması
FEED AL-LAMI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MESUT ÇEVİK
- Detection of solar panel defects in electroluminescence images using deep learning
Derin öğrenme kullanılarak elektrolüminesans görüntülerinde güneş paneli hatalarının tespiti
BAHAA SALIH MANDEEL
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAKAN KUTUCU
- a-SiOx:H ve kristal silisyumdan (c-Si) oluşan a-SiOx:H/c-Si heteroeklem güneş pillerinin fabrikasyonunu ve karakterizasyonu
The characterisation and fabrication of a-SiOx:H/c-Si heterojunction solar cells
OKAN YILMAZ
Doktora
Türkçe
2014
Fizik ve Fizik MühendisliğiYıldız Teknik ÜniversitesiFizik Ana Bilim Dalı
DOÇ. DR. ORHAN ÖZDEMİR
DOÇ. DR. ALP OSMAN KODOLBAŞ
- Optoelektronik uygulamalar için hibrit fonksiyonel yarı iletkenler
Hybrid functional semiconductors for optoelectronic applications
DEMET ASİL ALPTEKİN