Fotovoltaik sistemlerde akıllı arıza tespitinde kesirli türevlerin kullanılması
Using fractional derivatives for intelligent fault detection in photovoltaic systems
- Tez No: 924836
- Danışmanlar: DOÇ. DR. METE ÇUBUKÇU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Enerji, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering, 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: Enerji Teknolojisi Bilim Dalı
- Sayfa Sayısı: 126
Özet
Bu tezde, fotovoltaik sistemlerde boyuttan bağımsız olarak her ölçüm başına anlık arıza algılamak amacıyla yapay sinir ağlarının eğitimi sırasında öğrenmenin başarımının arttırılması hedeflenmiştir. Bu amaçla kesirli türevlerin geri yayılım algoritmasına uygulanması incelenmiştir. Fotovoltaik sistemlerde arıza algılama için kullanılan boyut azaltma yöntemleri, öznitelik vektörü çıkarımı, özkodlayıcılar, kaskat öznitelik çıkarım teknikleri ve veri azaltma yöntemleri detaylandırılmıştır. Bu işlemlerin uzun yıllar boyunca toplanmış büyük veri setleri üzerinde nasıl uygulandığı açıklanmıştır. Bu çalışmada, gözetimli öğrenmede kesirli türevlerin kullanımı için yeni bir analitik yöntem geliştirilmiştir. Bu yöntem sayesinde, gradyan hesabı içeren yapay sinir ağı eğitiminin başarımı arttırılmış ve bu yöntem tartışılmıştır. Böylece, her ölçüm başına anormal durumları tespit edebilen, anormalliklerin tipini belirleyip yerelleştirebilen, genelleştirilebilir bir akıllı sistem tasarlanmış ve kesirli türevler yardımıyla öğrenme algoritmasının başarımı önemli ölçüde geliştirilmiştir. Ayrıca, otomatik katmanlı öğrenme için yeni bir yaklaşım ortaya konmuş ve bunun başarımı incelenmiştir. Çalışma sonuçlarında, öznitelik çıkarımına istatistik eklenerek sistemin iç değişkenleri karşılaştırmalı olarak incelenmiş ve evirici sayısının sisteme etkisi yok edilmiştir. Bunun yanı sıra, fotovoltaik sistemlerden elde edilen zaman serisi veri kümeleri üzerinde bir boyutlu evrişimsel yapay sinir ağlarının performansı analiz edilmiş ve bu yöntemlerin, normal yapay sinir ağları ile rassal orman gibi yüksek performanslı sınıflandırma algoritmalarından daha üstün sonuçlar verdiği gösterilmiştir. Ek olarak, yapay sinir ağlarının mâliyet fonksiyonlarını eniyileştirmek için kesirli türevlerin kullanılmasıyla başarım daha da iyileştirilmiş ve bu sayede, kesirli türevlerin kullanıldığı çok katmanlı yapay sinir ağları ile fotovoltaik sistemlerde her ölçümde arıza tespiti ve yerelleştirme yapabilen bir sistem ilk kez tasarlanmış, uygulanmış ve performansı değerlendirilmiştir. Performans analizinde, yapay sinir ağlarının tek başına çalıştığı durumlara göre %2-5 arası bir başarım artışı elde edilmiş ve kesirli türevlerin eklenmesiyle %2 ile %5 daha artış sağlanarak %82 civarındaki başarım toplamda %89 başarıma ulaştırılmıştır. Sistemin bir diğer avantajı, her ölçümden anomali tespiti yapabilmesidir. Bu sayede, ardışık ölçümlerdeki hatalı tespitlerin değerlendirilmesiyle sistemin genel doğruluğu ve güvenilirliği arttırılmıştır.
Özet (Çeviri)
This thesis investigates the integration of fractional derivatives into gradient descent calculations to improve the performance of supervised learning during the training of artificial neural networks for detecting instant faults in photovoltaic power systems, independent of the number of inverters. Dimension reduction methods used for fault detection in photovoltaic power systems independent of the number of inverters, feature vector extraction, autoencoders, cascade feature extraction techniques, and how these are applied to real system monitoring time series collected over six years are detailed. A novel analytical method for the use of fractional derivatives in supervised learning is developed in this study. This method enhances the performance of gradient-based artificial neural network training, and its effectiveness is discussed. As a result, a generalized intelligent system is designed that can detect abnormal conditions per measurement, identify the type of abnormalities, and localize them. The learning algorithm's performance is significantly improved with the integration of fractional derivatives. Additionally, a new approach to ensemble learning is introduced and its performance is analyzed.In the study results, system internal variables are compared by adding statistics to feature extraction, and the effect of the number of inverters on the system is minimized. Furthermore, the performance of one-dimensional convolutional neural networks on time series data obtained from photovoltaic systems is analyzed, and it is shown that these methods outperform highperformance classification algorithms such as standard neural networks and random forests. In addition, the use of fractional derivatives to optimize the cost functions of artificial neural networks further improved performance, and for the first time, a system is designed, implemented, and evaluated that could detect and localize faults in photovoltaic systems at every measurement using ensembled artificial neural networks with fractional derivatives. Performance analysis showed a 2-5% increase compared to cases where artificial neural networks worked alone. With the integration of fractional derivatives into gradient descent, the performance improved by an additional 2-5%, increasing the overall success rate from around 82% to 89%. Another advantage of the system is its ability to detect anomalies in each measurement. Thus, by evaluating false detections in successive measurements, the system's overall accuracy and reliability have been increased.
Benzer Tezler
- Şebeke Bağlantılı Fotovoltaik (PV) Sistemlerin Mevcut Elektrik Şebekesi ile Entegrasyonu ve Güç Sistemine Etkileri
Integration of Grid Connected Photovoltaic (PV) Systems with Current Electric Network and Effects on Power System
ALPER YILMAZ
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKAY BAYRAK
- Yapay zeka tabanlı bara diferansiyel koruma sistemi
Artificial intelligence based busbar differential protection system
EMRE ÖZDEMİR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YILMAZ UYAROĞLU
- STATCOM destekli bir FV generatörün arıza sonrası yeniden bağlanabilme kapasitesinin geliştirilmesinde bulanık mantık ve PI denetleyicilerin etkilerinin incelenmesi
Investigation of the effects of fuzzy logic and PI controllers on development of FRT capacity of a statcom-supported PV generator
BURAK TAŞ
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKAY BAYRAK
- Güç sistemlerinde kalite problemlerinin çözümü için fotovoltaik enerji dönüşüm sistemlerinin statkom olarak kullanılması
Using of photovoltaic energy conversion systems as statcom for solution of quality problems in power systems
MUSAB OKSAR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİnönü ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ASİM KAYGUSUZ
- Using machine learning in smart grid to predict load consumption: The use of time series analysis
Başlık çevirisi yok
ŞAFAK ALMUSTAFA
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiOndokuz Mayıs ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
PROF. DR. OKAN ÖZGÖNENEL
DR. ÖĞR. ÜYESİ NUR SARMA