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
- Tez No: 926328
- Danışmanlar: PROF. DR. ZEKİ KIRAL
- Tez Türü: Doktora
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 159
Özet
Artan küresel talep, iklim değişikliğinin olumsuz etkilerini azaltmak ve fosil yakıtlardan kaynaklanan sera gazı emisyonlarını düşürmek amacıyla yenilenebilir enerji kaynaklarına doğru önemli bir geçişe yol açmıştır. Solar fotovoltaik (PV) sistemler, bahse konu yenilenebilir enerji kaynaklarından biri olarak enerji üretiminde öne çıkmaktadır. PV sistemlerinin elektrik şebekelerine etkin bir şekilde entegre edilmesi ve işletilmesi, sağlam ve güvenilir izleme ve bakım stratejileri gerektirir. PV sistemlerindeki arızaların erken tespiti bu sistemlerin verimliliğini, güvenilirliğini ve operasyonel güvenliğini artırmak için kritik öneme sahiptir. Ayrıca, güneş enerjisi tarlalarındaki invertörlerin etkin bir şekilde izlenmesinin yalnızca bakım maliyetlerini düşürmekle kalmayıp aynı zamanda enerji üretimini de artırdığına dair kanıtlar mevcuttur. Güneş enerjisi tarlalarının performansını en üst düzeye çıkarmak için inverter parametrelerinin, örneğin voltaj, akım, sıcaklık ve güç üretimi, kapsamlı bir şekilde analiz edilmesi ve izlenmesi gereklidir. Bu çalışmanın amacı, yukarıda belirtilen sorunları tamamlayıcı bir şekilde ileri makine öğrenimi ve tahmin yaklaşımları kullanarak iki farklı arıza analizi gerçekleştirmek yoluyla çözmektir. Birinci yöntem, panellerdeki bozuklukları tespit etmek için kızılötesi görüntüleme ile birleştirilmiş görüntü işleme tekniklerini kullanırken ikici yöntem, inverter ve diğer fiziksel verileri makine öğrenimi algoritmaları ile analiz etmektedir. Sonuçlar, önerilen yaklaşımların PV panellerindeki hotspot ve bypass diyot arızaları gibi önemli sorunları etkili bir şekilde tespit edebileceğini göstermektedir. Bu bulgular, termal görüntüleme ve makine öğreniminin birleştirilerek kusur tespit yeteneklerinin iyileştirilmesine nasıl katkı sağladığını ortaya koymakta ve daha güvenilir ve verimli güneş enerjisi sistemlerinin önünü açmaktadır.
Özet (Çeviri)
The increasing demand worldwide has led to a substantial transition to renewable energy sources as a way to lessen the negative consequences of climate change and cut down on greenhouse gas emissions from fossil fuels. Solar photovoltaic (PV) systems are one of these renewable energy sources that have become essential to the generation of sustainable energy. However, the efficient integration and operation of PV systems within electrical grids require robust monitoring and maintenance strategies. Early detection of faults in PV systems is crucial for improving their efficiency, reliability, and operational safety. Simultaneously, evidence highlights that effective monitoring of inverters within solar energy farms not only reduces maintenance costs but also enhances energy production. It is necessary to thoroughly analyze and track inverter parameters, such as voltage, current, PV module temperature, and power production, in order to maximize the performance of solar energy farms. The goal of this study is to solve the aforementioned issues by conducting two district fault analyses utilizing advanced machine learning and prediction approaches in a complementary manner. While the second method analyzes inverter and other physical data using machine learning algorithms, the first way uses image processing techniques in conjunction with infrared photography to detect panel irregularities. The results show that the suggested approaches may effectively identify important problems, like hotspot faults and bypass diode failures on PV panels. These findings highlight how thermal imaging and machine learning can be combined to improve defect detection skills, opening the door to more dependable and efficient solar energy systems.
Benzer Tezler
- Advanced evolutionary computation for distributionsystem automation
Dağıtım şebekesi otomasyonu için gelişmiş evrimsel algoritmalar
BAHMAN AHMADI
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. AYDOĞAN ÖZDEMİR
DR. ÖĞR. ÜYESİ OGUZHAN CEYLAN
- Makine öğrenmesi ile fotovoltaik dizilerde elektriksel arıza tespiti
Machine learning based fault detection in PV arrays
HEYBET KILIÇ
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BİLAL GÜMÜŞ
DR. ÖĞR. ÜYESİ MUSA YILMAZ
- Adaptive signal processing based intelligent method for fault detection and classification in microgrids
Mikroşebekelerde arıza tespiti ve sınıflandırması için adaptif sinyal işleme tabanlı akıllı yöntem
RESUL AZİZİ
Doktora
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Fault diagnosis in smart grids using artificialintelligence techniques
Akilli şebekelerde yapay zeka teknikleriyleariza teşhisi
AHMED SAMI KHAIRULLAH ALHANAF
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN HÜSEYİN BALIK
PROF. DR. MURTAZA FARSADI
- ITE doğal gaz boru hattı projesi Erzurum ili bölgesinde deprem hasar analizi çalışması
Analaysing eartquake damage on ITE natural gas pipeline project in Erzurum district
ŞENNUR HAZAL ŞENER
Yüksek Lisans
Türkçe
2018
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HİMMET KARAMAN