Şebekeye bağlı fotovoltaik güç sistemleri için veri toplama modülü tasarımı, sistem modellemesi, performans ve hata analizi
Data acquisition module design, system modeling, performance and fault analysis for grid-connected photovoltaic power systems
- Tez No: 997854
- Danışmanlar: DOÇ. DR. MUHAMMET TAHİR GÜNEŞER
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, şebekeye bağlı fotovoltaik enerji sistemlerinde AA tarafı arızalarının tespiti ve sınıflandırılmasına yönelik olarak Makine Öğrenmesi (Machine Learning, ML) tabanlı yaklaşımların etkinliği sistematik bir biçimde incelenerek literatürdeki önemli bir boşluk ele almaktadır. Çalışma kapsamında, arıza tespit modellerinin geliştirilmesi amacıyla literatürde yaygın olarak kullanılan üç farklı ML algoritması değerlendirilmiştir: k-En Yakın Komşular (k-Nearest Neighbors, kNN), Lojistik Regresyon (Logistic Regression, LR) ve Yapay Sinir Ağları (YSA). Bu algoritmalar, farklı karar sınırları ve öğrenme kabiliyetleri sayesinde karşılaştırmalı bir analiz yapılmasına olanak sağlamaktadır. Önerilen yöntemlerin doğrulanması için, Türkiye'nin Karadeniz Bölgesi'nde yer alan Giresun ilindeki AYCEM-GES şebekeye bağlı fotovoltaik enerji santralinden elde edilen aylık elektriksel ölçüm verileri kullanılmıştır. Gerçek saha verilerine dayalı bu veri seti, invertör çıkışları ve şebeke etkileşimlerini yansıtan parametreleri içermekte olup, geliştirilen modellerin pratik uygulanabilirliğini ve genellenebilirliğini artırmaktadır. Modellerin performansları; sınıflandırma doğruluğu (accuracy), Alıcı Çalışma Karakteristiği (Receiver Operating Characteristic, ROC) eğrileri ve Eğri Altındaki Alan (Area Under the Curve, AUC) metrikleri kullanılarak ayrıntılı bir biçimde değerlendirilmiştir. Elde edilen sonuçlar, tüm algoritmaların AA tarafı arızalarının tespiti ve sınıflandırılmasında yüksek bir başarı sergilediğini göstermektedir. Özellikle AUC değerlerinin tüm modeller için kritik eşik değerlerin üzerinde olması, geliştirilen ML tabanlı yaklaşımların güvenilirliğini ortaya koymaktadır. kNN, LR ve YSA algoritmaları için elde edilen sınıflandırma doğrulukları sırasıyla 0,9826, 0,782 ve 0,7096 olarak belirlenmiş olup, kNN algoritmasının diğer yöntemlere kıyasla daha üstün bir performans sergilediği görülmüştür. Bu durum, örüntü tabanlı öğrenme yaklaşımının AA tarafı arızalanın ayırt edilmesinde yüksek bir temsil gücüne sahip olduğunu göstermektedir. Bu tez çalışması, Şebekeye bağlı fotovoltaik enerji sistemlerinde AA tarafı arıza tespitine odaklanmakla birlikte, daha ileri aşamada sistemin bütüncül bir arıza tespiti ve teşhisi yapısına kavuşturulması hedeflenmiştir. Bu kapsamda, ilerleyen çalışmalarda karmaşık ve çok değişkenli DA tarafı elektriksel arızaların tespitine yönelik olarak bir akıllı kart modülü geliştirilmiş ve deneysel doğrulama amacıyla bir fotovoltaik dizi test düzeneği oluşturulmuştur. Böylece, tez çalışması yalnızca yazılım tabanlı algoritmaların değerlendirilmesiyle sınırlı kalmayıp, donanım destekli ve gerçek zamanlı uygulanabilir FDD sistemlerinin geliştirilmesine de katkı sunmaktadır.
Özet (Çeviri)
This study systematically examines the effectiveness of Machine Learning (ML) based approaches for detecting and classifying AC side faults in grid-connected photovoltaic energy systems, addressing a significant gap in the literature. Within the scope of this study, three commonly used ML algorithms were evaluated to develop fault detection models: k-Nearest Neighbors (kNN), Logistic Regression (LR), and Artificial Neural Networks (ANN). These algorithms allow for comparative analysis due to their different decision boundaries and learning capabilities. Monthly electrical measurement data from the AYCEM-GES grid-connected photovoltaic power plant in Giresun, located in the Black Sea Region of Turkiye, were used to validate the proposed methods. This dataset, based on real field data, includes parameters reflecting inverter outputs and grid interactions, enhancing the practical applicability and generalizability of the developed models. The performance of the models was evaluated based on classification accuracy, which was analyzed in detail using Receiver Operating Characteristic (ROC) curves and Area Under the Curve (AUC) metrics. The results show that all algorithms perform well in detecting and classifying AC side faults. In particular, the fact that the AUC values are above critical threshold levels for all models demonstrates the reliability of the developed ML-based approaches. The classification accuracies obtained for the kNN, LR, and ANN algorithms were 0.9826, 0.782, and 0.7096, respectively, indicating that the kNN algorithm outperformed other methods. This suggests that pattern-based learning has strong representational power in distinguishing AC side faults. While this thesis focuses on AC side fault detection in grid-connected photovoltaic energy systems, it aims to develop a holistic fault detection and diagnosis framework for future stages. In this context, a smart card module was developed for detecting complex and multivariate DC side electrical faults in subsequent studies, along with the creation of a photovoltaic array test setup for experimental validation. Therefore, this thesis contributes not only to the evaluation of software-based algorithms but also to the development of hardware-supported, real-time fault detection and diagnosis systems.
Benzer Tezler
- Photovoltaic-powered water pumping applications in rural villages
Kırsal yerleşimlerde fotovoltaik enerji ile çalışan su pompalama uygulamaları
HASHIM ABDULLAHI ABDI
Yüksek Lisans
İngilizce
2015
Enerjiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. RAMAZAN ÇAĞLAR
- Güneş enerji sistemlerinde verimlilik analizi: Nijer güç sistemi uygulaması
Efficiency analysis in solar energy systems: Niger power system application
ISSIFA HAMIDOU TINNI
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TÜRKER FEDAİ ÇAVUŞ
- 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
- Şebeke bağlantılı fotovoltaik güç santralinin benzetimi ve performans analizi
Modelling and performance analysis of grid-connected photovoltaic power plant
MOHAMED ALAGELI M MILLAD
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiKastamonu ÜniversitesiMalzeme Bilimi ve Makine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OSMAN ÇİÇEK
- Enerji hattı iletişimiyle akıllı şebekeler için uzaktan izleme sistemi tasarımı
The remote monitoring system design with power line communication for smart grids
HİLAL İRGAN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiNevşehir Hacı Bektaş Veli ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERSAN KABALCI
DOÇ. DR. YASİN KABALCI