MAKİNE ÖĞRENMESİ VE GÖRÜNTÜ İŞLEME YÖNTEMLERİ İLE FOTOVOLTAİK GÜNEŞ PANELİ YÜZEY KİRLİLİK ANALİZİ VE GÜÇ TABANLI PERFORMANS DEĞERLENDİRMESİ

Abstract

Toplumların gelişmesiyle birlikte enerjiye olan talep gün geçtikçe artmaktadır. Fosil yakıtların sürdürülemez olması ve çevreye zararlı olması yenilenebilir enerjilere olan yönelimi artırmaktadır. Güneş enerjisi enerji kaynakları arasında en çok tercih edilen enerji kaynağıdır. Güneş enerjisini elektrik enerjisine dönüştürmek güneş panelleri yardımıyla sağlanmaktadır. Güneş panellerinin verimini birçok çevresel ve üretiminden kaynaklı faktör etkilemektedir. Bu faktörler arasında panelin cinsi, güneş açısı ve panel eğimi, solar radyasyon, gölgeleme ve panel yüzeyinde biriken kirlenme faktörleri yer almaktadır. PV panel yüzeyinde oluşan kirlenmenin panel verimini %8-20 oranında düşürdüğü literatürde yapılan çalışmalarda açıkça ortaya konmuştur. Son zamanlarda yapay zekâ uygulamaları hayatın her alanında karşımıza çıkmaktadır. Güneş panellerinin performansının optimize edilmesi ve güç tahmininde yapay zekâ uygulamalarının başarılı bir sonuç verdiği literatürde yapılan çalışmalarda görülmektedir. Bu tez çalışmasında 2 adet polikristal PV panel kullanılmış ve bu PV panellerden birisi bir saat aralıklarla temizlenirken diğeri deney süresi boyunca (12 gün) kirli bırakılmıştır. Deney süresi boyunca PV panellerden 10 dakikalık aralıklarla nem, sıcaklık, rüzgâr hızı, dış sıcaklık, PV yüzey sıcaklığı ve her iki panelden de termal görüntüler alınmıştır. Alınan termal görüntüler ve çevresel sensör verilerinden öznitelikler çıkartılmış ve bu özniteliklerle oluşturulan çoklu bir veri yapısı sayesinde PV panel güç çıktısının tahmin edilmesi sağlanmıştır. Panelin kirli ve temiz olduğu durumlar eşit koşullarda incelenmiştir ve öznitelikler modele öğretilmiştir. Aşırı Gradyan Güçlendirme (AGG), Hafif Gradyan Güçlendirme (HGGM), 1B-ESA ve doğrusal regresyon modelleriyle güç tahmini yapılmıştır. Sonuç olarak Aşırı Gradyan Güçlendirme (AGG) modeli R2=0.931513 oranı ve RMSE= 23.522807, MAE= 13.87618 hata oranları ile en başarılı model olmuştur.

As societies develop, the demand for energy increases day by day. The unsustainability and environmental harmfulness of fossil fuels are increasing the shift towards renewable energies. Solar energy is the most preferred energy source among energy sources. Converting solar energy into electrical energy is achieved with the help of solar panels. Many environmental and production-related factors affect the efficiency of solar panels. These factors include the type of panel, the angle of the sun and the slope of the panel, solar radiation, shading, and dirt accumulation on the panel surface. Studies in the literature have clearly shown that contamination on the surface of PV panels reduces panel efficiency by 8-20%. Recently, artificial intelligence applications have emerged in all areas of life. Studies in the literature show that artificial intelligence applications have yielded successful results in optimizing the performance of solar panels and power prediction. In this thesis study, two polycrystalline PV panels were used. One of these PV panels was cleaned at one-hour intervals, while the other was left dirty throughout the experiment period (12 days). During the experiment period, data on humidity, temperature, wind speed, external temperature, PV surface temperature, and thermal images from both panels were collected at 10-minute intervals. The power output of the PV panel has been estimated. The dirty and clean states of the panel were examined under equal conditions, and the features were taught to the model. Power estimation was performed using Excessive Gradient Boosting (AGG), Light Gradient Boosting (HGGM), 1B-ESA, and linear regression models. As a result, the Extreme Gradient Boosting (AGG) model was the most successful model with an R2=0.931513 ratio and RMSE= 23.522807, MAE= 13.87618 error rates.