Power generation estimation and fault detection of photovoltaic systems by using machine learning methods

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, Makina Mühendisliği Ana Bilim Dalı, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: İngilizce

Öğrenci: ÖZGE BALTACI

Danışman: Zeki Kıral

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

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.