Photovoltaic modules fault detection and power output estimation: A deep learning approach based on electroluminescence images
Fotovoltaik modüllerde arıza tespiti ve güç çıkışı tahmini: Elektrolüminesans görüntülerine dayalı derin öğrenme yaklaşımı
- Tez No: 912942
- Danışmanlar: PROF. DR. EMANUELE GİOVANNİ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Politecnico di Milano
- Enstitü: Yurtdışı Enstitü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 49
Özet
Fotovoltaik modüller/hücrelerdeki arızaların doğru tespiti ve etkili güç çıkışlarının tahmini, ilişkili sistemlerin güvenilirliği ve yenilenebilir enerji kaynaklarından elektrik üretiminin verimliliği için giderek daha kritik hale gelmektedir. Mevcut çalışmalar genellikle tek bir arızaya sahip fotovoltaik hücreleri içeren veri kümeleriyle çalışır, bu da çoklu arızalı fotovoltaik hücrelerin“karışık”arızalar olarak sınıflandırılmasına yol açar. Dahası, hücre hizalaması ve belirli arıza tipleri gibi“hücre düzeyi özellikler”olarak topluca adlandırılan faktörler, mevcut çalışmalarda fotovoltaik modülün güç çıkışını tahmin ederken dikkate alınmamaktadır. Bu tez, bu nedenle fotovoltaik modüllerin elektrolüminesans görüntülerini kullanarak fotovoltaik modüller/hücrelerde üç farklı arızayı ayrı ayrı tespit etmek için kapsamlı bir derin öğrenme yöntemi üzerine odaklanmaktadır. Ayrıca, elektrolüminesans görüntülerinden çıkarılan hücre düzeyi özelliklerini dikkate alarak fotovoltaik modüllerin güç çıkışını tahmin eder. Önerilen model, sırasıyla %0,93, %0,868 ve %0,95 olan global doğruluklarla“siyah çekirdek”,“çatlak”ve“kenar”arızaları tespit etme yeteneğini göstermektedir. Dahası, fotovoltaik hücrelerden çıkarılan özellikleri kullanan önerilen model, fotovoltaik modüllerin güç çıkışını 0,03547'lik normalleştirilmiş ortalama mutlak hata ve 0,04892'lik normalleştirilmiş kök ortalama kare hatası ile tahmin etmektedir. Bu, sadece işlenmemiş tespit edilmiş arızalara dayanan baz modeli ve fotovoltaik modüllerin elektrolüminesans görüntülerinden özellikler çıkarmada usta çok daha büyük modelleri geride bırakmaktadır.
Özet (Çeviri)
The accurate detection of faults in photovoltaic modules/cells and the prediction of their effective power output is becoming increasingly critical for both the reliability of associated systems and the efficiency of electricity production from renewable energy sources. Existing studies often work with datasets containing photovoltaic cells that exhibit one fault at a time, leading to the classification of photovoltaic cells with multiple faults as“mixed”faults. Moreover, factors such as cell alignment and specific fault types, collectively referred to as“cell level features”, are not considered in current studies predicting the power output of a photovoltaic mod-ule. This thesis, therefore, focuses on a comprehensive deep-learning pipeline for separately detecting three types of faults in photovoltaic modules/cells using electroluminescence images of photovoltaic modules. It also predicts the power output of photovoltaic modules by considering the cell-level features extracted from the electroluminescence images. The proposed model demonstrates its ability to detect“black core”,“crack”, and“edge”faults with global accuracies of 0.93, 0.868, and 0.95, respectively. Furthermore, the proposed model, which utilizes the features extracted from photovoltaic cells, predicts the power output of photovoltaic modules with a normalized mean absolute error of 0.03547 and a normalized root mean squared error of 0.04892. This outperforms the base model that relies solely on non-preprocessed detected faults and significantly larger models adept at extract-ing features from electroluminescence images of photovoltaic modules.
Benzer Tezler
- Low cost photovoltaic monitoring system based on lorawan network
Lorawan ağına dayalı düşük maliyetli fotovoltaik izleme sistemi
BILAL HASHIM HAMEED AL-DARRAJI
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEFER KURNAZ
- Fotovoltaik sistemlerde hata tanı sistemi tasarımı
Designing fault diagnosis system of photovoltaic systems
NURİ GÖKMEN
Yüksek Lisans
Türkçe
2013
Elektrik ve Elektronik MühendisliğiEge ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ENGİN KARATEPE
- Fotovoltaik sistemlerinde hata bulma ve engelleme yöntemleri ve algoritmaları
Fault detection and prevention methods in photovoltaic systems
MOUHAMED AGHIAD RASLAN
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiKırıkkale ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERTUĞRUL ÇAM
- Power generation estimation and fault detection of photovoltaic systems by using machine learning methods
Makine öğrenimi yöntemlerini kullanarak fotovoltaik sistemlerin güç üretim tahmini ve arıza tespiti
ÖZGE BALTACI
Doktora
İngilizce
2025
Mühendislik BilimleriDokuz Eylül ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. ZEKİ KIRAL
- Optimizing photovoltaic system diagnostics: integrating machine learning and DBFLA for advanced fault detection and classification
Fotovoltaik sistem tanılarının optimizasyonu: gelişmiş arıza tespiti ve sınıflandırma için makine öğrenimini ve DBFLA'yı entegre etme
OMAR MOHAMMED NSAIF AL-QARAGHULI
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAHİ ABDU IBRAHIM