Derin öğrenme ile güneş panellerinde toz tespiti
Dust detection on solar panels with deep learning
- Tez No: 860070
- Danışmanlar: DR. ÖĞR. ÜYESİ MAHMUT KAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Siirt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 63
Özet
Günümüzde, güneş enerjisi, temiz ve sürdürülebilir bir enerji kaynağı olarak önem kazanmıştır. Ancak güneş panellerinin verimliliğini etkileyen faktörler arasında panel yüzeyinde biriken kirlerin etkisi önemli bir yer tutmaktadır. Bu tez, transfer öğrenme yöntemleriyle kirli ve temiz güneş panellerinin sınıflandırılması üzerine odaklanmaktadır. Güneş panellerinin temizlik durumunun belirlenmesi, bakım stratejilerinin optimize edilmesi açısından kritik bir öneme sahiptir. Bu çalışmada, güneş enerjisi sistemlerindeki verimliliği artırmak amacıyla, özellikle kirli ve temiz güneş panellerini sınıflandırmak için transfer öğrenme yöntemleri incelenmektedir. Güneş panellerinin yüzeyinde biriken kir, çeşitli faktörlerden kaynaklanabilir ve bu kirin temizlenmemesi, enerji verimliliğini azaltabilir. Bu nedenle, güneş panellerinin durumu hakkında hızlı ve doğru bir sınıflandırma yapabilen otomatik bir sistem, bakım süreçlerini optimize etmek için kritik öneme sahiptir. Bu tezde, transfer öğrenme, önceden eğitilmiş derin öğrenme modellerini kullanarak, sınırlı sayıda etiketli veriyle yeni bir görevi çözmek amacıyla değerlendirilmiştir. Çeşitli önceden eğitilmiş modeller (EfficientNetB3, ResNet50, MobileNet, VGG19, Xception, InceptionResNetV2, VGG16, ResNet101, DenseNet201, EfficientNetB7) üzerinde transfer öğrenme yöntemleri uygulanarak, güneş panellerinin temizlik durumunu belirlemek için yeni bir model oluşturulmuştur. Çalışmada, modeller oluşturulmuş, eğitilmiş ve test edilmiştir. Ayrıca, farklı modellerin doğruluk oranları karşılaştırılmış ve en iyi performans gösteren modeller belirlenmiştir. Belirli modellerin tahminlerini birleştirerek ve bu birleşik tahminlerle gerçek etiketleri karşılaştırarak en iyi model kombinasyonlarını belirlemeye yönelik bir analiz gerçekleştirilmiştir. Böylece, özellikle farklı modellerin güçlü yanlarını birleştirerek daha güçlü bir sınıflandırma sonucu elde etmeye çalışan bir transfer öğrenme yaklaşımı oluşturulmuştur. Sonuç olarak, bu tez çalışmasında güneş panellerinin temizlik durumlarını tespit etmek için etkili bir transfer öğrenme modeli geliştirilmiştir. Elde edilen modeller, güneş enerjisi sistemlerinin bakım süreçlerini optimize etmek, enerji verimliliğini artırmak ve uzun vadede sürdürülebilir enerji kullanımını desteklemek için potansiyel bir katkı sağlanması hedeflenmektedir.
Özet (Çeviri)
In today's world, solar energy has gained significance as a clean and sustainable energy source. However, among the factors influencing the efficiency of solar panels, the impact of accumulated dirt on the panel surface holds a crucial place. This thesis focuses on the classification of dirty and clean solar panels using transfer learning methods. Determining the cleanliness status of solar panels is of critical importance for optimizing maintenance strategies. In this study, transfer learning methods are examined, specifically aiming to classify dirty and clean solar panels to enhance efficiency in solar energy systems. Dirt accumulation on the surface of solar panels can result from various factors, and the failure to clean this dirt can reduce energy efficiency. Therefore, an automatic system capable of quickly and accurately classifying the condition of solar panels is crucial for optimizing maintenance processes. In this thesis, transfer learning is evaluated for solving a new task with a limited amount of labeled data, using pre-trained deep learning models. Various pre-trained models (EfficientNetB3, ResNet50, MobileNet, VGG19, Xception, InceptionResNetV2, VGG16, ResNet101, DenseNet201, EfficientNetB7) undergo transfer learning methods to create a new model for determining the cleanliness status of solar panels. Models are developed, trained, and tested in the study. Additionally, the accuracy rates of different models are compared, and the models that exhibit the best performance are identified. An analysis is conducted to determine the best model combinations by combining the predictions of specific models and comparing these combined predictions with the actual labels. Thus, a transfer learning approach is established, aiming to achieve a stronger classification result by leveraging the strengths of different models. In conclusion, an effective transfer learning model has been developed in this thesis to detect the cleanliness status of solar panels. The obtained models aim to contribute to optimizing the maintenance processes of solar energy systems, increasing energy efficiency, and supporting sustainable energy use in the long term.
Benzer Tezler
- Güneş panellerinin dört rotorlu iha kullanılarak termografi yöntemiyle derin öğrenme tabanlı hata tespit ve teşhisi
Deep learning based fault detection and diagnosis of solar panels using four rotor uav with termography method
BARIŞ KAYCI
Yüksek Lisans
Türkçe
2021
Mekatronik MühendisliğiKarabük ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BATIKAN ERDEM DEMİR
- Yapay zeka temelli maksimum güç noktası takibi
Artificial intelligence based maximum power point tracking
HALİL İBRAHİM TEMEL
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiBilecik Şeyh Edebali ÜniversitesiEnerji Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA YÜKSEL
- Derin öğrenme ile güneş panellerindeki kirliliğin sınıflandırılması
Classification of pollution in solar panels by deep learning
SELİM GÜVENÇ
Yüksek Lisans
Türkçe
2022
EnerjiAmasya ÜniversitesiYenilenebilir Enerji ve Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAVUZ ÜNAL
- Derin öğrenme tabanlı segmentasyon yaklaşımları ile güneş panellerinin otomatik verimlilik tespiti
Automatic efficiency detection of solar panels using deep learning-based segmentation approaches
SÜMEYYE YANILMAZ
Yüksek Lisans
Türkçe
2024
EnerjiBingöl ÜniversitesiYenilenebilir Enerji Sistemleri Ana Bilim Dalı
DOÇ. DR. MUZAFFER ASLAN
- Analitik ve derin öğrenme yöntemleriyle Balıkesir koşullarında şebekeye bağlı bir güneş enerji santralinin modellenmesi ve verimlilik analizi
Modeling and efficiency analysis of a grid-connected solar power plant in Balikesir conditions with analytical and deep learning methods
MEHMET FATİH BEYOĞLU
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiBalıkesir ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. METİN DEMİRTAŞ