Derin Öğrenme Tabanlı Segmentasyon Yaklaşımları ile Güneş Panellerinin Otomatik Verimlilik Tespiti

Abstract

ÖZET: Dünyada enerji üretimi ve tüketimi, hızla artan nüfusla ve gelişen teknolojiyle birlikte önemli bir konu haline gelmiştir. Fosil enerji kaynaklarının hızla tükenmesi ve bu kaynakların kullanımının insan sağlığına olumsuz etkileri, karbondioksit (CO2) emisyon miktarının artmasına yol açmaktadır. Bu nedenle, günümüzde ülkeler verimli ve sürdürülebilir enerji kaynaklarına yönelmektedir. Yenilenebilir enerji kaynaklarına olan ilgi ve yatırımlar da bu doğrultuda önemli ölçüde artmıştır. Bu kaynaklardan, enerji üretim teknolojisi hızla gelişen ve gelecek vaat eden uygulamalarından birisi olan güneş enerji sistemleridir. Bu sistemler, güneş ışığını doğrudan elektrik enerjisine dönüştüren fotovoltaik panellerden oluşur. Ülkemiz coğrafi konumu nedeniyle yüksek güneş enerjisi potansiyeline sahip olup, 9.979 santral ve 10.048,512 MW kurulu güce sahiptir. Ancak, bu santrallerde bulunan fotovoltaik sistemlerin verimli çalışmasını olumsuz yönde etkileyen hücre hatası, modül hatası ve panel hatası gibi hatalar bulunmaktadır. Bu hatalar panelinin elektrik enerjisi üretme performansını düşürmekte ve verimini azaltmaktadır. Fotovoltaik sistemlerde oluşan arızaların tespiti ve teşhisi için insan gücüne ihtiyaç vardır. Fakat panellerdeki bu hataların tespiti için gereken insan gücü eksikliği ve güneş panellerinin ulaşım zorluğundan dolayı fotovoltaik sistemlerin bakım, onarım, kontrol süreleri gecikmektedir. Bu durum neticesinde hem maddi kayıplar fazlası ile artmakta hem de panellerin enerji verimliliği oldukça düşmektedir. Bu çalışmada, fotovoltaik sistemlerin verimli çalışmasını olumsuz yönde etkileyen hücre hatası (hotspot arızası) ve modül hatası (bypass diyot arızası) tespiti için derin öğrenme tabanlı segmentasyon yaklaşımlı termal kamera yardımıyla tespit ve teşhisi önerilmiştir. Önerilen bu sistemde hotspot arızasını YOLO algoritmaları ve bypass diyot arızalarını U-Net algoritmasıyla verimlilik tespiti yapılmıştır. Yapılan çalışmalar doğrultusunda hotspot arıza tespiti için 4 farklı YOLO algoritmaları performansları karşılaştırılmış ve en iyi sonuç veren model belirlenmiştir. Yapılan deneyler sonucuna göre, YOLOv8x algoritmasının %88,7 özgüllük, %80,5 duyarlılık ve %83,8 mAP değerleri ile diğer modellere göre en iyi performans sonucunu vermiştir. Bypass diyot arızası segmentasyonu için farklı katman derinlikleri ve filtre sayılarına sahip dört farklı U-Net modeli uygulanmıştır. Yapılan deneysel sonuçlara göre, %87,79 AUC, %82,97 F1-Score ve %70,89 IOU değerleri ile en yüksek performans U-Net-V2 mimarisi ile elde edilmiştir.

ABSTRACT: Energy production and consumption in the world has become an important issue with the rapidly increasing population and developing technology. The rapid depletion of fossil energy resources and the negative effects of the use of these resources on human health lead to an increase in the amount of carbon dioxide (CO2) emissions. For this reason, today countries are turning to efficient and sustainable energy sources. Interest and investments in renewable energy sources have increased significantly in this direction. Among these sources, solar energy systems are one of the rapidly developing and promising applications of energy production technology. These systems consist of photovoltaic panels that convert sunlight directly into electrical energy. Our country has high solar potential due to its geographical location, with 9,979 plants and 10,048.512 MW installed capacity. However, there are errors such as cell error, module error, and panel error that negatively affect the efficiency of the photovoltaic systems in these plants. These errors decrease the power generation performance of the panel and reduce its efficiency. Human resources are needed to detect and diagnose failures in photovoltaic systems. However, due to the lack of manpower needed to detect these defects in the panels and the difficulty of transporting solar panels, maintenance, repair and inspection times of the photovoltaic systems are delayed. As a result, both the material losses are increasing and the energy efficiency of the panels is significantly reduced. In this study, it is proposed to detect and diagnose cell faults (hotspot failures) and module faults (bypass diode failures) that negatively affect the efficient operation of photovoltaic systems using a deep learning-based segmentation approach with the aid of a thermal camera. The recommended system has been tested for the efficiency of hotspot failure using YOLO algorithms and bypass diode failures using the U-Net algority. The performance of four different YOLO algorithms has been compared and the model with the best results has been identified. As a result of experiments, the YOLOv8x algorithm produced the best performance compared to other models with 88.7% specificity, 80.5% sensitivity and 83.8% mAP values. Four different U-Net models with different layer depths and filter numbers have been implemented for bypass diode failure segmentation. Based on experimental results, 87.79% AUC, 82.97% F1-Score and 70.89% IOU values were obtained with the highest performance U-Net-V2 architecture.