Derin öğrenme tabanlı segmentasyon yaklaşımları ile güneş panellerinin otomatik verimlilik tespiti

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 UNet 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. Anahtar Kelimeler: Fotovoltaik sistemler, hotspot arıza tespiti, bypass diyot arıza tespiti, YOLO algoritması, U-Net algoritması, görüntü işleme.