Fotovoltaik dizilerde meydana gelen arızaların derin öğrenme yaklaşımları kullanılarak sınıflandırılması
Classification of faults occurring in photovoltaic arrays using deep learning approaches
- Tez No: 989738
- Danışmanlar: PROF. DR. HÜSEYİN ERİŞTİ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Mersin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Artan küresel enerji talebi ve çevresel kaygılar, yenilenebilir enerji kaynaklarının sürdürülebilir enerji üretimindeki önemini her geçen gün artırmaktadır. Bu kaynaklar arasında güneş enerjisi, teknik, ekonomik ve çevresel açıdan sunduğu avantajlar nedeniyle öne çıkan bir enerji alternatifidir. Ancak, fotovoltaik dizilerin yaygınlaşmasıyla birlikte sistem seviyesinde yeterince incelenmemiş bazı teknik sorunlar ortaya çıkmıştır. Özellikle açık devre, kısa devre ve kısmi gölgeleme gibi arıza türleri, sistemin genel performansını ve enerji verimini önemli ölçüde azaltabilmekte, hatta uzun vadede panel ömrünü kısaltabilmektedir. Bu tür arızaların düşük ışınım koşullarında veya benzer elektriksel potansiyele sahip bölgelerde meydana gelmesi, geleneksel izleme yöntemleriyle tespit edilmesini oldukça güçleştirmektedir. Dolayısıyla, fotovoltaik sistemlerin kesintisiz, güvenilir ve yüksek verimle çalışabilmesi için bu arızaların erken dönemde, doğru ve otomatik biçimde sınıflandırılması büyük önem taşımaktadır. Bu tez çalışmasında, 3 kW gücündeki deneysel bir fotovoltaik sistem üzerinde gerçekleştirilen ölçümlerden elde edilen sayısal tabanlı parametreler (Voc, Isc, Vmpp, Impp, Pmpp, FF, ışınım ve sıcaklık) kullanılarak, arıza türlerinin sınıflandırılması hedeflenmiştir. Ölçümler farklı çalışma senaryolarında (normal, açık devre, kısa devre, kısmi gölgeleme) gerçekleştirilmiş, bu veriler MATLAB ortamında işlenerek derin öğrenme tabanlı sınıflandırma modelleri oluşturulmuştur. Çalışmada öncelikle çok katmanlı algılayıcı (Multi-Layer Perceptron, MLP) mimarisi tasarlanmış ve %98,94 doğruluk oranı ile yüksek performans elde edilmiştir. Ardından MLP modeli, 1D-CNN ve LSTM gibi diğer derin öğrenme yöntemleriyle, ayrıca SVM ve KNN gibi klasik makine öğrenmesi algoritmalarıyla karşılaştırılmıştır. Sonuçlar, önerilen MLP modelinin hem doğruluk hem de kesinlik, geri çağırma ve F1 skorları açısından en dengeli ve güvenilir performansı gösterdiğini ortaya koymuştur. Ek olarak, modelin karar sürecinde hangi giriş değişkenlerinin daha belirleyici olduğunu incelemek amacıyla permütasyon tabanlı özellik önemi analizi gerçekleştirilmiştir. Analiz sonucunda dolum faktörü ve ışınım parametresi en kritik değişkenler olarak öne çıkmıştır. Bu bulgu, sistem performansının fiziksel parametrelerle güçlü bir ilişki içinde olduğunu göstermiştir. Elde edilen sonuçlar, derin öğrenme tabanlı yöntemlerin fotovoltaik arıza teşhisinde yüksek doğruluk, genellenebilirlik ve kararlılık sunduğunu göstermektedir. Bu çalışma, klasik izleme tekniklerine kıyasla daha hızlı, otomatik ve güvenilir bir sınıflandırma yaklaşımı önererek, fotovoltaik sistemlerde bakım ve performans optimizasyon süreçlerine katkı sağlamaktadır. Ayrıca, saha uygulamalarında erken arıza tespiti, sistem sürekliliği ve verimlilik artışı açısından önemli bir referans niteliği taşımaktadır.
Özet (Çeviri)
The increasing global energy demand and environmental concerns have continuously emphasized the importance of renewable energy sources in achieving sustainable energy production. Among these sources, solar energy stands out as a prominent alternative due to its technical, economic, and environmental advantages. However, with the widespread use of photovoltaic (PV) arrays, several technical issues that have not been sufficiently examined at the system level have emerged. In particular, faults such as open-circuit, short-circuit, and partial shading can significantly reduce the overall performance and energy yield of PV systems, and in the long term, may shorten the lifespan of the panels. Detecting such faults becomes even more challenging under low irradiance conditions or in regions with similar electrical potentials, where conventional monitoring techniques are often insufficient. Therefore, accurate and automated classification of these faults at an early stage is crucial to ensure continuous, reliable, and high-efficiency operation of photovoltaic systems. In this thesis, fault classification was performed using numerically measured parameters (Voc, Isc, Vmpp, Impp, Pmpp, FF, irradiance, and temperature) obtained from an experimental 3 kW photovoltaic system. Measurements were carried out under different operating scenarios (normal, open-circuit, short-circuit, and partial shading), and the collected data were processed in MATLAB to develop deep learning–based classification models. Multi-Layer Perceptron (MLP) architecture was first designed, achieving a high classification accuracy of 98.94%. The proposed MLP model was then compared with other deep learning approaches, such as 1D-CNN and LSTM, as well as traditional machine learning algorithms, including SVM and KNN. The results demonstrated that the proposed MLP model achieved the most balanced and reliable performance in terms of accuracy, precision, recall, and F1-score metrics. Furthermore, a permutation-based feature importance analysis was conducted to examine which input variables had the most significant influence on the model's decision-making process. The analysis revealed that the fill factor and maximum power point power were the most critical parameters, indicating a strong relationship between system performance and the underlying physical parameters of the PV array. Overall, the findings of this study show that deep learning–based approaches provide high accuracy, generalizability, and stability for photovoltaic fault diagnosis. By offering a faster, automated, and more reliable classification framework compared to conventional monitoring techniques, this research contributes to the improvement of maintenance and performance optimization in photovoltaic systems. Moreover, it serves as a valuable reference for early fault detection, system continuity, and efficiency enhancement in real-world PV applications.
Benzer Tezler
- 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
- FV sistemler için kısmi gölge koşullarını yönetebilen yarasa algoritması tabanlı maksimum güç noktası izleyici tasarımı ve gerçekleştirilmesi
Design and implementation of the bat algorithm based maximum power point tracker that able to manage partial shadow conditions for PV systems
MUAMMER KADİR KARAGÖZ
Doktora
Türkçe
2020
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜSEYİN DEMİREL
- Kınshasa'nın kırsal alanlarındaki evsel bazlı elektrik enerjisi ihtiyacını karşılaşmak amaçlı fotovoltaik sistemlerin konutlara entegrasyonu üzerine bir araştırma
Study of the integration of photovoltaic systems in household to meet electrical energy needs of rural areas in Kinshasa
ILUNGA MUKADI MARTH
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiEge ÜniversitesiGüneş Enerjisi Ana Bilim Dalı
DOÇ. DR. NUMAN SABİT ÇETİN
- Fotovoltaik sistemlerde oluşan arızalar ve çözüm önerileri
Malfunctions in photovoltaic systems and solution suggestions
EMRE ÖZEL
Yüksek Lisans
Türkçe
2023
EnerjiBurdur Mehmet Akif Ersoy ÜniversitesiEnerji Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İBRAHİM KIRBAŞ
- Fotovoltaik diziler için görüntü mozaikleme tekniklerinin geliştirilmesi
Development of image mosaicing techniques for photovoltaic arrays
TAHA MÜEZZİNOĞLU
Yüksek Lisans
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MEHMET KARAKÖSE