Fotovoltaik teknolojilerin üretim optimizasyonunda makine öğrenmesinin kullanılması
Utilizing machine learning in production optimization of photovoltaic technologies
- Tez No: 913259
- Danışmanlar: DOÇ. DR. AHMET YILANCI
- Tez Türü: Doktora
- Konular: Enerji, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Güneş Enerjisi Ana Bilim Dalı
- Bilim Dalı: Güneş Enerjisi Bilim Dalı
- Sayfa Sayısı: 111
Özet
Tez kapsamında fotovoltaik teknolojilerin üretim optimizasyonunda makine öğrenmesinin kullanılması gerçekleştirilmiştir. Makine öğrenmesi (ML), bilgisayarların bilinen verilerden belirli bir görevi nasıl gerçekleştireceklerini öğrenmeleri amacıyla son dönemde oldukça farklı alanda kullanılan bir disiplindir. Bu farklı alanlardan biri olan fotovoltaik teknolojilerin tasarımının ve fabrikasyon süreçlerinin optimizasyonu konuları da çalışılan konular arasına hızla dâhil olmuştur. Ege Üniversitesi Güneş Enerjisi Enstitüsü bünyesinde yürütülmekte olan“Yeni Nesil Fotovoltaik Teknolojilerin Üretim ve Karakterizasyon Altyapısının Geliştirilmesi”adlı projenin hedeflerinden biri, yeni nesil güneş hücrelerinin endüstriyel boyutlara taşınması aşamasında yöntem geliştirmek ve optimizasyonunu sağlamaktır. Bu tezde, Güneş Enerjisi Enstitüsü bünyesinde yapılan çalışmalardan elde edilen veriler kullanılarak oluşturulmuş olan veri seti üzerinde, farklı makine öğrenmesi algoritmaları kullanılarak yeni nesil fotovoltaik teknolojilerden olan perovskit güneş hücresi yapısının optimizasyonu gerçekleştirilmiştir. Altı farklı makine öğrenmesi algoritmasının kullanıldığı model eğitim süreci sonucunda en yüksek başarım değerini XGBoost modeli göstermiştir. Geliştirilmiş olan model, kök ortalama kare hatası: 0.6737 ve Pearson korelasyon katsayısı: 0.8952 performans sonuçlarına sahiptir. XGBoost modeli üzerinde, slot-die (yarık kaplama) ve air knife (hava bıçağı) cihazlarındaki belirlenmiş olan farklı parametre değerleri için güç dönüşüm verimi (PCE) değeri tahmin edilmiş ve karşılaştırma yapılabilmesi adına elde edilmiş olan parametreler kullanılarak perovskit güneş hücresi üretimi gerçekleştirilmiştir. Kullanılan parametreler sonucunda üretimi gerçekleştirilmiş olan perovskit güneş hücresinin performans ölçümlerinde, düz ölçüm sonucunda %8,52 ve ters ölçüm sonucundaysa %8,71 PCE değeri elde edilmiştir. Elde edilen sonuçlar, deneysel çalışmalar sürecinde üretilen en yüksek PCE değerine sahip perovskit güneş hücresi için sırasıyla %11,37'lik ve %4,94'lük bir artışın sağlandığını göstermektedir.
Özet (Çeviri)
In this thesis, the use of machine learning in the production optimization of photovoltaic technologies has been realized. Machine learning (ML) is a discipline that has recently been used in many different fields in order for computers to learn how to perform a specific task from known data. Optimization of the design and fabrication processes of photovoltaic technologies, which is one of these different fields, has rapidly become one of the topics studied. One of the objectives of the project titled“Development of the Manufacturing and Characterization Infrastructure of New Generation Photovoltaic Technologies”, which is being carried out within the Solar Energy Institute of Ege University, is to develop and optimize the methodology for the transfer of new generation solar cells to industrial dimensions. Optimization of the perovskite solar cell structure, which is one of the new generation photovoltaic technologies, was performed using different machine learning algorithms on the data set created using data obtained from the studies carried out within the Solar Energy Institute. As a result of the model training process using six different machine learning algorithms, the XGBoost model showed the highest performance value. The developed model has the performance results of RMSE: 0.6737 and Pearson correlation coefficient: 0.8952. Using the XGBoost model, the power conversion efficiency (PCE) value was predicted for different parameter values determined in slot-die and air-knife devices, and perovskite solar cell (PSC) production was carried out using the obtained parameters for comparison. In the performance measurements of the PSC device produced using the parameters, a PCE value of 8.52% was obtained in the forward measurement and 8.71% in the reverse measurement. The obtained results show an increase of 11.37% and 4.94%, respectively, for the PSC with the highest PCE value produced during the experimental studies.
Benzer Tezler
- InSe yarıiletken ince filmlerin cam ve siyah silikon üzerine büyütülerek yapısal ve optiksel özelliklerinin incelenmesi
Growth of inse thin film semiconductor on glass and black silicon substrates investigation of their structural and optical properties
CANSU EMİR
Yüksek Lisans
Türkçe
2024
Fizik ve Fizik MühendisliğiGazi Üniversitesiİleri Teknolojiler Ana Bilim Dalı
PROF. DR. SEMA BİLGE OCAK
- 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
- Fotovoltaik dizilerin modellenmesi ve simülasyonu
Modeling and simulation of photovoltaic arrays
METE NACAR
Yüksek Lisans
Türkçe
2018
Enerjiİstanbul Üniversitesi-CerrahpaşaElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYSEL ERSOY YILMAZ
DR. ÖĞR. ÜYESİ EMRE ÖZER
- Dağıtık üretim sistemleri içeren dağıtım şebekelerinde akıllı gerilim kontrol yöntemi geliştirilmesi
Development of an intelligent voltage control method in distribution networks including distributed generation systems
MERVE GÜLERYÜZ HALAÇLI
Doktora
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞEN DEMİRÖREN
- Enhancing photovoltaic system performance through NARX-LSTM forecasting and neuro-controller based MPPT techniques
NARX-LSTM tahmın ve nöro-denetleyici temelli MPPT teknikleri vasıtasıyla fotovoltaık sistem performansının artırılması
OUBAH ISMAN OKIEH
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER