Geri Dön

Kısmi gölgelemenin ve arıza durumlarının güneş panellerinin verimliliğine etkisinin regresyon tabanlı makine öğrenmesi yöntemleriyle analizi

Machine learning-based regression analysis of solar panels efficiency under partial shading and fault conditions

PDF İndir

  1. Tez No: 964083
  2. Yazar: SHUHRATJON MANSUROV
  3. Danışmanlar: DR. ÖĞR. ÜYESİ YILDIRIM ÖZÜPAK, DR. ÖĞR. ÜYESİ EMRAH ASLAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: PV Sistemler, Hata Tespiti, Makine Öğrenmesi, Kısmi Gölgelenme, Performans Tahmini, PV Systems, Fault Detection, Machine Learning, Partial Shading, Performance Prediction
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Dicle Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yenilenebilir Enerji Kaynakları Ana Bilim Dalı (disiplinlerarası)
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez çalışması, fotovoltaik (PV) sistemlerde hata tespiti ve performans tahmini için makine öğrenmesi (ML) tabanlı bir yaklaşımın geliştirilmesi ve değerlendirilmesini amaçlamıştır. Kaggle platformundan alınan“PV Solar”veri seti (44.680 ölçüm; gerilim, akım, ışınım, güç parametreleri ve arıza etiketleri) kullanılarak, beş farklı regresyon modeli (Hist Gradient Boosting Regressor, Linear Regression, Decision Tree Regressor, Elastic Net CV ve Lasso Lars CV) uygulanmıştır. Modeller, %80-20 eğitim-test ayrımı ve çapraz doğrulama ile değerlendirilmiş; performans metrikleri olarak Ortalama Mutlak Hata (MAE), Kök Ortalama Kare Hata (RMSE) ve Belirlilik Katsayısı (R²) kullanılmıştır. Hist Gradient Boosting Regressor (HGBR), eğitimde (MAE=7.07, RMSE=9.93, R²=0.996) ve testte (MAE=8.01, RMSE=12.24, R²=0.994) diğer modellere kıyasla üstün performans göstermiştir. Bu, HGBR'nin PV sistemlerdeki karmaşık ve doğrusal olmayan ilişkileri modellemedeki başarısını ortaya koymaktadır. Linear Regression (R²=0.976), Elastic Net CV (R²=0.979) ve Lasso Lars CV (R²=0.978) gibi doğrusal modeller, doğrusal olmayan hata dinamiklerini yakalamada yetersiz kalmış; Decision Tree Regressor (R²=0.981) ise orta seviye performans sergilemiştir. Akım ve güç parametreleri, hata tespitinde kritik rol oynamış; ışınım, kısmi gölgelenme senaryolarında ayırt edici bir özellik sunmuştur. Veri setindeki sınıf dengesizliği (%61.3 arızasız veri), özellikle az temsil edilen sınıfların modellemesini zorlaştırmıştır. Yoğunluk grafikleri, kutu grafikleri ve korelasyon ısı haritaları, hata türlerinin parametreler üzerindeki etkilerini görselleştirerek bakım stratejilerine katkı sağlamıştır. Literatürle karşılaştırıldığında, HGBR, sınıflandırma odaklı çalışmalara (örneğin, %99 doğruluk [1], %98.43 doğruluk [5]) kıyasla regresyon tabanlı yenilikçi bir katkı sunmuş; ML-PVPFAS (R²≈0.90 [12]) gibi yöntemleri geride bırakmıştır. IoT entegrasyonu ve görselleştirme teknikleri, pratik uygulanabilirliği artırmış, ancak veri seti kapsamı ve gerçek zamanlı test eksiklikleri sınırlılık olarak belirlenmiştir. Gelecekteki araştırmalar için hibrit modeller, blok zinciri tabanlı veri güvenliği, iklim değişikliği senaryolarına adaptasyon, sentetik veri üretimi ve gerçek zamanlı pilot projeler önerilmiştir. Bu çalışma, PV sistemlerin güvenilirliğini ve verimliliğini artırarak sürdürülebilir enerji geçişine katkı sağlamayı hedeflemektedir.

Özet (Çeviri)

This thesis focused on developing and evaluating a machine learning (ML)-based approach for fault detection and performance prediction in photovoltaic (PV) systems. Utilizing the“PV Solar”dataset from Kaggle (44,680 measurements; voltage, current, irradiance, power, and fault labels), five regression models—Hist Gradient Boosting Regressor (HGBR), Linear Regression, Decision Tree Regressor, Elastic Net CV, and Lasso Lars CV—were implemented. Models were evaluated using an 80-20 train-test split and cross-validation, with performance metrics including Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Coefficient of Determination (R²). The HGBR model outperformed others, achieving MAE=7.07, RMSE=9.93, and R²=0.996 in training, and MAE=8.01, RMSE=12.24, and R²=0.994 in testing, demonstrating its ability to effectively model the complex, nonlinear dynamics of PV systems. Linear models, such as Linear Regression (R²=0.976), Elastic Net CV (R²=0.979), and Lasso Lars CV (R²=0.978), struggled with nonlinear fault patterns, while Decision Tree Regressor (R²=0.981) showed moderate performance. Current and power parameters were critical for fault detection, with irradiance serving as a key feature in partial shading scenarios. Class imbalance (61.3% fault-free data) posed challenges, particularly for underrepresented fault types. Visualization techniques, including density plots, box plots, and correlation heatmaps, provided insights into fault impacts, aiding maintenance strategies. Compared to classification-focused studies (e.g., 99% accuracy [1], 98.43% accuracy [5]), HGBR offered a novel regression-based contribution, surpassing methods like ML-PVPFAS (R²≈0.90 [12]). Integration with IoT and visualization enhanced practical applicability, though limitations include the dataset's scope and lack of real-time testing. Future research recommendations include developing hybrid models combining regression and classification, implementing blockchain for data security, adapting to climate change scenarios, generating synthetic data to address class imbalance, and conducting real-time pilot projects. These findings establish a robust foundation for improving PV system reliability and efficiency, contributing significantly to the global transition to sustainable energy.

Benzer Tezler

  1. Tez No

    940721

    Kısmi gölgelemenin fotovoltaik sistemlerin performansı üzerindeki etkisinin araştırılması ve azaltma yöntemleri

    Investigation of the effect of partial shading on the performance of photovoltaic systems and mitigation methods

    ISMAIL ALI ABDIRAHMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiÇankırı Karatekin Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MURAT ARI

  2. Tez No

    622113

    Buğdayda kısıtlı sulamanın ve bitki organlarını gölgelemenin dane verimi ve verim öğelerine etkisi

    The effect of restricted irrigation and shading plant organs on wheat yield and yield component

    MELTEM BALAKAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    ZiraatHatay Mustafa Kemal Üniversitesi

    Tarla Bitkileri Ana Bilim Dalı

    DOÇ. DR. MURAT TİRYAKİOĞLU

  3. Tez No

    1001431

    An approach based on golden eagle optimization algorithm for maximum power point tracking of pv panel under partial shading conditions

    Kısmi gölgeleme koşulları altında pv panelin maksimum güç noktası takibi için altın kartal optimizasyon algoritmasına dayalı bir yaklaşım

    WALEED MOHAMMED M. ABURAS

    Doktora

    İngilizce

    İngilizce

    2026

    Elektrik ve Elektronik MühendisliğiKarabük Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. NECMİ SERKAN TEZEL

  4. Tez No

    342736

    3 boyutlu objelerin fotovoltaik sistemlerde gölgeleme etkisinin modellenmesi ve gerçek zamanlı güç analizi

    Shading effect of 3d object modelling for photovoltaic systems and real-time power analysis

    BERK ÇELİK

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Elektrik ve Elektronik MühendisliğiEge Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ENGİN KARATEPE

  5. Tez No

    832620

    Designing a solar system that improved the solar system's performance in instances of partial shadowing

    Başlık çevirisi yok

    HAYDER MAKKEE AL-MUTAR

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ABDULLAHİ ABDU IBRAHIM

Geri Dön