Renewable Energy Systems https://acikerisim.bingol.edu.tr/handle/20.500.12898/1370 2026-10-13T13:46:56Z 2026-10-13T13:46:56Z BULUT, Sümeyya https://acikerisim.bingol.edu.tr/handle/20.500.12898/6409 2026-10-13T11:45:26Z 2026-01-01T00:00:00Z

Yenilenebilir Enerji Tabanlı Iot-Entgre Scada Sistemlerinde Volümetrik Siber Saldırıların Derin Öğrenme ile Tespiti BULUT, Sümeyya ÖZET: Kritik altyapı sistemlerinde kullanılan Denetleyici Kontrol ve Veri Toplama (Supervisory Control and Data Acquisition-SCADA) sistemlerine dayalı endüstriyel kontrol ağları, artan siber tehditler karşısında güvenilir, ölçeklenebilir ve genelleştirilebilir saldırı tespit mekanizmalarına ihtiyaç duymaktadır. Bununla birlikte, literatürde yaygın olarak kullanılan veri setlerinin büyük bir kısmı genel amaçlı ağ trafiğine dayanmakta ve Modbus/TCP gibi endüstriyel protokollerin döngüsel, deterministik ve süreç odaklı iletişim yapısını yeterince yansıtmamaktadır. Bu tez çalışmasında, söz konusu sınırlamayı gidermek amacıyla tamamen izole edilmiş bir sanal SCADA ortamı tasarlanmış ve SCADANet adı verilen, SCADA’ya özgü çok sınıflı bir saldırı veri seti oluşturulmuştur. Bu veri seti, meşru ağ trafiği ile birlikte üretilen 13 farklı saldırı senaryosunu içermektedir. Bu kapsamda, dönüştürülmüş trafik temsillerini analiz etmek amacıyla paralel genişletilmiş Evrişimli Sinir Ağı (Convolutional Neural Network-CNN) yapıları, Residual-SE blokları ve Uzun Kısa Vadeli Bellek (Long Short-Term Memory-LSTM) katmanlarından oluşan hibrit bir derin öğrenme mimarisi önerilmiştir. Önerilen mimari, çok ölçekli uzamsal örüntüleri etkili bir şekilde öğrenirken özellik düzeyindeki sıralı ve bağlamsal ilişkileri de modelleyerek ağ trafiğinin daha kapsamlı bir şekilde temsil edilmesini sağlamaktadır. Önerilen yaklaşımın genelleştirilebilirliğini değerlendirmek amacıyla geliştirilen model, hem SCADANet veri seti hem de literatürde yaygın olarak kullanılan WUSTL-IIoT-2021 veri seti üzerinde test edilmiştir. Deney sonuçları, önerilen mimarinin her iki veri setinde de yüksek doğruluk ve Makro F1 skoru elde ettiğini ve özellikle azınlık saldırı sınıflarında duyarlılığı önemli ölçüde artırdığını göstermektedir. Ayrıca, gerçekleştirilen ablasyon çalışması, mimaride yer alan her bir bileşenin genel performansa anlamlı ve birbirini tamamlayıcı katkılar sağladığını ortaya koymaktadır. Bulgular, önerilen derin öğrenme tabanlı yaklaşımın SCADA sistemlerine özgü trafik özelliklerini etkili bir şekilde modelleyebildiğini ve farklı veri kaynakları arasında istikrarlı bir saldırı tespit performansı sergilediğini göstermektedir. Bu bağlamda çalışma, SCADA tabanlı kritik altyapıların siber güvenliğinde saldırı tespitine yönelik literatüre önemli metodolojik ve deneysel katkılar sunmaktadır.; ABSTRACT: Industrial control networks based on Supervisory Control and Data Acquisition (SCADA) systems used in critical infrastructure require reliable, scalable, and generalizable intrusion detection mechanisms in the face of increasing cyber threats. However, a large proportion of the datasets commonly used in the literature are based on general-purpose network traffic and do not adequately reflect the cyclic, deterministic, and process-oriented communication characteristics of industrial protocols such as Modbus/TCP. In this thesis, a fully isolated virtual SCADA environment was designed to address this limitation, and a SCADA-specific multiclass attack dataset, named SCADANet, was developed. The dataset contains 13 distinct attack scenarios generated alongside legitimate network traffic. In this context, a hybrid deep learning architecture consisting of parallel extended Convolutional Neural Network (CNN) structures, Residual-SE blocks, and Long Short-Term Memory (LSTM) layers was proposed to analyze transformed traffic representations. The proposed architecture effectively learns multi-scale spatial patterns while also modeling feature-level sequential and contextual relationships, thereby enabling a more comprehensive representation of network traffic. To evaluate the generalizability of the proposed approach, the developed model was tested on both the SCADANet dataset and the widely used WUSTL-IIoT-2021 dataset. The experimental results demonstrate that the proposed architecture achieves high accuracy and Macro F1 scores on both datasets and significantly improves sensitivity, particularly for minority attack classes. Furthermore, the conducted ablation study demonstrates that each component of the architecture makes a meaningful and complementary contribution to the overall performance. The findings indicate that the proposed deep learning-based approach can effectively model SCADA-specific traffic characteristics and maintain consistent intrusion detection performance across different data sources. In this regard, the study provides significant methodological and experimental contributions to the literature on intrusion detection in the cybersecurity of SCADA-based critical infrastructure systems.

2026-01-01T00:00:00Z GÜNDOĞDU, Fatih https://acikerisim.bingol.edu.tr/handle/20.500.12898/6402 2026-10-13T07:13:33Z 2026-01-01T00:00:00Z

Elektrolüminesans Görüntülerinde Fotovoltaik Panel Hücrelerinin Derin Öğrenme ile Otomatik Kusur Tespiti GÜNDOĞDU, Fatih ÖZET: Bu tez çalışmasında, fotovoltaik (PV) güneş hücrelerinde meydana gelen kusurların, elektrolüminesans (EL) görüntüleri üzerinden derin öğrenme yöntemleri kullanılarak otomatik olarak tespit edilmesi amaçlanmıştır. Güneş enerjisi sistemlerinin hızla yaygınlaşması, PV panellerde oluşan mikro çatlak, hücre kırığı, busbar kopması ve PID gibi kusurların erken teşhisini zorunlu kılmaktadır. Çalışmada iki farklı veri seti kullanılmıştır. Birincil veri seti, GTC Güneş Sanayi ve Ticaret A.Ş.'nin üretim hattından elde edilen 540 kusurlu ve 500 sağlıklı olmak üzere toplam 1040 hücre görüntüsünden oluşmaktadır. İkincil olarak, önerilen yaklaşımın genellenebilirliğini test etmek amacıyla dört sınıflı ve belirgin dengesizliğe sahip kamuya açık ELPV veri seti kullanılmıştır. Görüntü ön işleme aşamasında, panel görüntüleri geliştirilmiş RLSA tabanlı segmentasyon yaklaşımıyla hücrelere ayrıştırılmış, 227×227 piksel boyutuna getirilmiş ve normalleştirilmiştir. Veri artırma teknikleri ile eğitim verisi çeşitlendirilerek modelin genelleme yeteneği artırılmıştır. Önerilen model, ImageNet üzerinde önceden eğitilmiş ResNet50 omurgasının, kanal bazında dikkat sağlayan Squeeze-and-Excitation (SE) bloğu ile güçlendirilmesine dayanmaktadır. SE bloğu, öznitelik haritalarındaki kanalları yeniden ağırlıklandırarak ayırt edici kanalların öne çıkarılmasını sağlamaktadır. Modelin başarımı, ResNet50, EfficientNetB0 ve MobileNetV2 baz modelleri ile 5 katlı tabakalı çapraz doğrulama protokolü kullanılarak karşılaştırmalı olarak değerlendirilmiştir. İkili sınıflandırma görevinde tüm modeller %98-99 aralığında yüksek başarım sergilerken, dört sınıflı ELPV veri setinde önerilen ResNet50+SE modeli %76,09 doğruluk ve 0,559 F1-skoru ile en yüksek başarımı elde etmiştir. SE bloğu, düz ResNet50'ye kıyasla doğrulukta yaklaşık 9,85 puanlık iyileşme sağlamıştır. Elde edilen bulgular, SE bloğu ile güçlendirilmiş ResNet50 mimarisinin, özellikle zorlu ve dengesiz veri koşullarında kanal bazında dikkat mekanizması sayesinde ayırt edici öznitelikleri başarıyla öne çıkarabildiğini göstermektedir. Çalışma, gerçek bir üretim hattından elde edilen verilerle desteklenmiş olup, önerilen modelin fotovoltaik üretim süreçlerinde otomatik kalite kontrol sistemi olarak kullanılabileceğini ortaya koymaktadır.; ABSTRACT: This thesis aims to automatically detect defects occurring in photovoltaic (PV) solar cells using deep learning methods on electroluminescence (EL) images. The rapid expansion of solar energy systems necessitates early diagnosis of defects such as micro-cracks, cell fractures, busbar breaks, and potential-induced degradation (PID) in PV panels. Two different datasets were used in this study. The primary dataset consists of 1040 cell images obtained from the production line of GTC Güneş Sanayi ve Ticaret A.Ş., comprising 540 defective and 500 healthy cells. Secondarily, the publicly available ELPV dataset, which has a four-class structure with significant imbalance, was used to test the generalizability of the proposed approach. During image preprocessing, panel images were segmented into individual cells using an improved RLSA-based segmentation approach, resized to 227×227 pixels, and normalized. Data augmentation techniques were applied to diversify the training data and enhance the model's generalization capability. The proposed model is based on a pre-trained ResNet50 backbone on ImageNet, enhanced with a Squeeze-and-Excitation (SE) block that provides channel-wise attention. The SE block reweights the channels in the feature maps, highlighting discriminative channels and thus contributing to more effective learning of defect patterns. The model's performance was comparatively evaluated against three baseline models—ResNet50, EfficientNetB0, and MobileNetV2—using a 5-fold stratified cross-validation protocol. While all models achieved high performance in the range of 98-99% on the binary classification task, the proposed ResNet50+SE model achieved the highest performance on the four-class ELPV dataset with 76.09% accuracy and 0.559 F1-score. The SE block provided an improvement of approximately 9.85 percentage points in accuracy compared to plain ResNet50. The findings demonstrate that the SE-enhanced ResNet50 architecture can successfully highlight discriminative features through its channel-wise attention mechanism, particularly under challenging and imbalanced data conditions. Supported by data obtained from a real production line, this study reveals that the proposed model can serve as an automated quality control system in photovoltaic manufacturing processes.

2026-01-01T00:00:00Z GÜRKAN, Emrah https://acikerisim.bingol.edu.tr/handle/20.500.12898/6317 2026-09-11T12:49:03Z 2023-01-01T00:00:00Z

Fotovoltaik Sistemler İçin Kısmi Gölgeli Koşullarda Maksimum Güç Noktasının Takibinde Kullanılan Optimizasyon Yöntemlerinin Performanslarının Karşılaştırılması GÜRKAN, Emrah ÖZET: Dünyada elektrik enerji üretiminde en çok kullanılan kaynaklar fosil yakıtlardır. Nüfus artışı ve teknolojinin gelişmesine bağlı olarak enerji talebindeki artış yakın gelecekte fosil yakıtların rezervlerinin sınırlı olmasına bağlı olarak fosil yakıtlar üzerinden karşılanamayacaktır. Bu durum alternatif yenilenebilir enerji üretim sistemleri arayışını zorunlu kılmıştır. Ayrıca fosil yakıtların çevreye verdiği zararlar ve maliyetindeki artışlar sebebiyle yenilenebilir enerji kaynaklarına olan talep artmıştır. Yenilenebilir enerji kaynakları içerisinde güneş enerjisinden fotovoltaik (FV) panellerle elektrik üretimi çevreci, güvenilir ve gürültüsüz olması gibi avantajlarından dolayı ön plana çıkmaktadır. Ancak FV panellerin verimliliği çevre koşullarından önemli oranda etkilenmektedir. Bu nedenle, fotovoltaik sistemden maksimum güç elde etmek için maksimum güç noktası takibi (MGNT) teknolojisi gereklidir. Takip teknolojilerinde maksimum güç noktası elde edilmesindeki önemli stratejilerden birisi de maksimum güç noktası takip algoritmalarıdır. Bu çalışmada, sabit ışınım ve kısmi gölgeli durumlar için literatürde yer alan maksimum güç noktası takip algoritmaları incelenmiştir. Geleneksel MGNT yöntemlerinden olan klasik değiştir ve gözle, klasik artırımlı iletkenlik, ayrıca yeni kontrol stratejilerinde kullanılan değiştirilmiş değiştir ve gözle ve değiştirilmiş artımlı iletkenlik incelenmiştir. Metasezgisel yöntemlerden balina optimizasyonu, parçacık sürü optimizasyonu ve gri kurt optimizasyonu algoritmaları incelenmiştir. Sabit dağılımlı ışınım ve kısmi gölgeli durumlarında MGNT algoritmaların performansını karşılaştırmak için beş farklı senaryo geliştirilerek MATLAB/Simulink ortamında gerçekleştirilen benzetim çalışmalarıyla detaylı olarak incelenmiş ve performans sonuçları ayrıntılı bir şekilde sunulmuştur. Elde edilen benzetim sonuçlarına göre; değiştirilmiş değiştir ve gözle ile değiştirilmiş artımlı iletkenlik yöntemleri, klasik değiştir ve gözle ile klasik artımlı iletkenlik yöntemlerine göre daha üstün performansa sahip olduğu, meta-sezgisel yöntemlerin farklı kısmi gölgeli koşullar için değiştir ve gözle ile artımlı iletkenlik gibi geleneksel yöntemlere kıyasla daha iyi performansa sahip oldukları, kısmi gölgeli koşullar için balina optimizasyon algoritmasının doğruluk ve izleme süresi açısından parçacık sürü optimizasyonu ve gri kurt optimizasyonu algoritmalarına göre üstün olduğu görülmüştür.; ABSTRACT: One of the most current resources to generate electric energy in the world is fossil fuels. It is seen not to possible to supply energy in near future from fossil fuels because rise of energy demand depending population increase and technological developments due to limited reserve of fossil fuels. This situation makes forcedly search of alternative renewable energy systems. In addition, the demand for renewable energy sources has increased due to the damage of fossil fuels to the environment and the increase in their costs. Among renewable energy sources, electricity generation from solar energy with photovoltaic (PV) panels stands out due to its advantages such as being environmentally friendly, reliable and noiseless. However, the efficiency of PV panels is significantly affected by environmental conditions. Therefore, maximum power point tracking (MPPT) technology is required to extract maximum power from the photovoltaic system. One of the important strategies in obtaining maximum power point in tracking technologies is maximum power point tracking algorithms. In this thesis, maximum power point tracking algorithms in the literature for uniform irradiance and partial shading conditions are examined. Traditional MPPT methods classical perturbation and observation, classical incremental conductance, as well as modified perturbation and observation and modified incremental conductance used in new control strategies were examined. Whale optimization, particle swarm optimization and gray wolf optimization algorithms from metaheuristic methods are examined. Five different scenarios were developed to compare the performance of MPPT algorithms in the case of uniform irradiance and partial shading conditions, and they were analyzed in detail with simulation studies carried out in MATLAB/Simulink, and the performance results were presented in detail. According to the obtained simulation results, it has been observed that; Modified perturbation and observation and modified incremental conductance methods have superior performance than classical perturbation and observation and classical incremental conductance methods, metaheuristics have better performance for different partial shading conditions compared to traditional methods such as perturbation and observation and incremental conductance, the whale optimization algorithm for partial shading conditions is superior to particle swarm optimization and gray wolf optimization algorithms in terms of accuracy and tracking time.

2023-01-01T00:00:00Z KOÇ, Feyyaz https://acikerisim.bingol.edu.tr/handle/20.500.12898/6309 2026-09-10T12:01:39Z 2021-01-01T00:00:00Z

Mikro Şebekelerde Enerji Verimliliğini Artırmak Amacıyla Elektriksel Yüklerin Sınıflandırılması KOÇ, Feyyaz ÖZET: Gelişen teknoloji ve artan küresel nüfusa bağlı olarak enerji, hayatın her alanında temel ihtiyaç haline gelmiştir. İnsanoğlunun enerjiyi kullanırken yaptığı tercihler hem çevreyi hem de canlıların yaşamını etkileyecek kadar önemlidir. Prizde bırakılan telefon şarj cihazı, tasarruf özelliği olmayan lambaların ve elektronik aletlerin kullanım tercihi, hatta açık bırakılan buzdolabı kapısı bile gereksiz elektrik tüketimine sebebiyet verdiğinden dünyanın doğal dengesinin bozulmasına neden olmaktadır. Gereksiz enerji sarfiyatı, başta iklim değişimi olmak üzere küresel ısınma ve toprağın verimsizleşmesi gibi pek çok sorunu beraberinde getirmektedir. Çevreye zararlı enerji üretimini azaltmak için sürdürülebilir ve yenilenebilir enerji kaynaklarının yanında enerji tasarrufu da önemli bir rol oynamaktadır. Enerji verimliliği, aynı işlevi yerine getirmek için daha az enerji gerektiren yöntem ve tekniklerin kullanılmasıdır. Bu tanımdan yola çıkarak denilebilir ki enerji verimliliği ve enerji tasarrufu kavramları arasında sıkı bir bağ vardır. Bina sakinlerinin enerjiyi verimli kullanmaları ve enerjide tasarruf yapmaları için, evlerde ve ofislerde sıklıkla kullanılan cihazları yakından tanımaları gerekmektedir. Güç tüketim karakteristiği tespit edilen tüketim cihazlarında enerji yönetimi kolaylaşmaktadır. Bu çalışmada, elektrik enerjisinin daha verimli kullanılabilmesi için evlerde ve ofislerde sıklıkla kullanılan 5 adet elektrikli cihaz seçilip tüketim karakteristiklerine göre sınıflandırılmıştır. Deneysel çalışmalarda, tüketim tarafında yer alan vantilatör, elektrikli çaydanlık, monitör, dizüstü bilgisayar ve yazıcının aktif ve reaktif güç tüketimleri ile akım ve gerilim harmonikleri referans alınmıştır. Ölçüm aleti olarak Hioki PW3198 güç analizörü kullanılmış ve her bir cihazdan 15 adet sinyal örneği alınmıştır. Seçilen beş cihazın farklı çalışma varyasyonları göz önüne alınarak otuz bir adet sınıf belirlenmiştir. Her sınıfta 15 adet sinyal olmak üzere toplamda 465 sinyal örneği elde edilmiştir. Özellik matrisi çıkarımında aritmetik ortalama, ortanca değer ve standart sapma fonksiyonları ile bir boyutlu yerel ikili örüntü tekniği kullanılmıştır. Sınıflandırma için son zamanlarda yaygın olarak kullanılan makine öğrenmesi algoritmaları karşılaştırılmış ve en iyi sonuçları veren beş algoritmanın performansı analiz edilmiştir. Elde edilen sonuçlara göre %83,4 doğruluk oranı ile en yüksek doğruluk oranını veren doğrusal destek vektör makineleri yöntemi olmuştur. Öbür taraftan doğrusal destek vektör makineleri tekniği 52,88 saniyelik süre ile sınıflandırmayı en kısa sürede tamamlayan ikinci algoritma olmuştur.; ABSTRACT: Depending on the developing technology and the increasing global population, energy has become a basic need in all areas of life. The choices made by human beings when using energy are so important that they affect both the environment and the life of living things. The phone charger left in the socket, the preference of using lamps and electronic devices that do not have a saving feature, and even the refrigerator door left open cause unnecessary electricity consumption and cause the natural balance of the world to deteriorate. Unnecessary energy consumption brings with it many problems such as climate change, global warming and infertility of the soil. In addition to sustainable and renewable energy sources, energy saving also plays an important role in reducing environmentally harmful energy production. Energy efficiency is the use of methods and techniques that require less energy to perform the same function. Based on this definition, it can be said that there is a close connection between the concepts of energy efficiency and energy saving. In order for the building occupants to use energy efficiently and to save energy, they should be familiar with the devices that are frequently used in homes and offices. Energy management is facilitated in consumption devices whose power consumption characteristics are determined. In this study, 5 electrical devices that are frequently used in homes and offices are selected and classified according to their consumption characteristics in order to use electrical energy more efficiently. In the experimental studies, active and reactive power consumptions and current and voltage harmonics of the fan, electric teapot, monitor, laptop computer and printer on the consumption side were taken as reference. Hioki PW3198 power analyzer was used as the measuring instrument and 15 signal samples were taken from each device. Thirty-one classes were determined by considering the different operating variations of the five selected devices. A total of 465 signal samples were obtained. In the feature matrix extraction, arithmetic mean, median value and standard deviation functions and one-dimensional local binary pattern technique were used. Recently widely used machine learning algorithms for classification were compared and the performance of the five algorithms that gave the best results were analyzed. According to the results obtained, the linear support vector machine method gave the highest accuracy rate with 83.4% accuracy. The support vector machine technique was the second algorithm to complete the classification in the shortest time with a time of 52.88 seconds.

2021-01-01T00:00:00Z