DETECTION OF FAULTY SOLAR PANELS USING ARTIFICIAL IN-TELLIGENCE TECHNIQUES
Yükleniyor...
Dosyalar
Tarih
2024-08
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Artificial Intelligence (AI), including Deep Learning (DL) and Machine Learning (ML) techniques, has shown exceptional effectiveness in identifying defective pho-tovoltaic (PV) panels through image classification. This thesis presents an approach for classifying malfunctioning solar PV panels utilizing Convolutional Neural Net-works (CNNs) to extract features from images of defective and non-defective panels. Metaheuristic approaches, such as Particle Swarm Optimization (PSO) and Ant Col-ony Optimization (ACO), are then employed to select the most indicative features, enhancing the accuracy and reliability of fault detection. The extracted features are classified using various ML algorithms, including decision tree (DT), support vector machine (SVM), K-Nearest Neighbor (KNN), ensemble methods, and discriminant analysis. The model was trained on a dataset with four defect rate classes: 0%, 33%, 66%, and 100%. The applied algorithms achieved accu-racy rates of 94.88%, 76.20%, 97.45%, 98.34%, and 80.23%, respectively. This re-search demonstrates good improvements in fault detection, offering practical implica-tions for maintenance and optimization of solar PV systems.
Derin Öğrenme (DÖ) ve Makine Öğrenme (ML) teknikleri de dahil olmak üzere Ya-pay Zeka (AI), görüntü sınıflandırması yoluyla arızalı güneş panellerin belirlenmesin-de olağanüstü etkinlik göstermiştir. Bu tez, arızalı ve arızasız güneş PV panellerinin görüntülerinden özellikler çıkarmak için Konvolüsyonel Sinir Ağları (CNN'ler) kulla-narak arızalı panellerin sınıflandırılmasına yönelik bir yaklaşımı sunmaktadır. Ardın-dan, en belirleyici özelliklerin seçilmesini artırmak için Parçacık Sürüsü Optimizasyo-nu (PSO) ve Karınca Kolonisi Optimizasyonu (KKO) gibi metaheuristik yaklaşımlar kullanılmaktadır. Çıkarılan özellikler, karar ağacı (DT), destek vektör makinesi (DVM), K-En Yakın Komşu (KNN), topluluk yöntemleri ve ayrım analizi gibi çeşitli ML algoritmaları kullanılarak sınıflandırılmıştır. Model, 0%, %33, %66 ve %100 ol-mak üzere dört arıza oranı sınıfından oluşan bir veri seti ile eğitilmiştir. Uygulanan algoritmalar sırasıyla %94.88, %76.20, %97.45, %98.34 ve %80.23 doğru-luk oranlarına ulaşmıştır. Bu araştırma, arıza tespitinde önemli iyileştirmeler sağladığı-nıve güneş PV sistemlerinin bakım ve optimizasyonu için pratik anlamlar sunduğunu göstermektedir."
Derin Öğrenme (DÖ) ve Makine Öğrenme (ML) teknikleri de dahil olmak üzere Ya-pay Zeka (AI), görüntü sınıflandırması yoluyla arızalı güneş panellerin belirlenmesin-de olağanüstü etkinlik göstermiştir. Bu tez, arızalı ve arızasız güneş PV panellerinin görüntülerinden özellikler çıkarmak için Konvolüsyonel Sinir Ağları (CNN'ler) kulla-narak arızalı panellerin sınıflandırılmasına yönelik bir yaklaşımı sunmaktadır. Ardın-dan, en belirleyici özelliklerin seçilmesini artırmak için Parçacık Sürüsü Optimizasyo-nu (PSO) ve Karınca Kolonisi Optimizasyonu (KKO) gibi metaheuristik yaklaşımlar kullanılmaktadır. Çıkarılan özellikler, karar ağacı (DT), destek vektör makinesi (DVM), K-En Yakın Komşu (KNN), topluluk yöntemleri ve ayrım analizi gibi çeşitli ML algoritmaları kullanılarak sınıflandırılmıştır. Model, 0%, %33, %66 ve %100 ol-mak üzere dört arıza oranı sınıfından oluşan bir veri seti ile eğitilmiştir. Uygulanan algoritmalar sırasıyla %94.88, %76.20, %97.45, %98.34 ve %80.23 doğru-luk oranlarına ulaşmıştır. Bu araştırma, arıza tespitinde önemli iyileştirmeler sağladığı-nıve güneş PV sistemlerinin bakım ve optimizasyonu için pratik anlamlar sunduğunu göstermektedir."
Açıklama
Anahtar Kelimeler
Faulty Solar Panel, Artificial Intelligence, Machine Learning Methods, Arızalı Güneş Paneli, Yapay Zekâ, Makine Öğrenimi Yöntemleri
