Makine öğrenmesi ile fotovoltaik dizilerde elektriksel arıza tespiti

Yenilenebilir Enerji Kaynakları (YEK), artan talep ve küresel çevre problemleri dikkate alındığında sürdürülebilir enerji üretimine önemli ölçüde katkı sunmaktadır. Yenilenebilir enerji kaynaklarından güneş enerjisi, teknik, ekonomik ve çevresel faydalarından dolayı en ilgi çekici güç kaynaklarından biridir. Fotovoltaik (PV) sistemlerinin artan kullanımı, PV endüstrisi tarafından bilinmeyen veya öngörülemeyen çeşitli teknik sorunları ortaya çıkarmıştır. PV dizisi kısa devre ve açık devre hataları, PV arızasına ve daha düşük sistem verimliliğine neden olabilecek sorunlardan biridir. Bu arızalar, düşük ışınım koşullarında veya arızaya yakın elektrik potansiyeline sahip noktalar arasında olması halinde, yani düşük uyumsuzluk oranında meydana geldiğinde neredeyse hiç tespit edilemez. Ayrıca, maksimum güç noktası izleme (MPPT) algoritmaları, farklı çalışma koşulları altında bir PV dizisinin güç çıkışını optimize ederken, bu tür arızaları tespit etme zorluğunu daha da artırabilmektedir. Belirtilen nedenlerden ötürü, PV sistemin sabit ve maksimum verimle çalışabilmesi için bu tür arızaların tespit edilmesi hayati önem arz etmektedir. Bu tezde, PV dizilerde arıza tespiti için gürbüz bir veri odaklı yöntem önerilmiştir. Önerilen yöntem, ayar yapılmadan rastgele gizli katman parametrelerini atama avantajına sahip rastgele vektör işlevsel bağlantı ağlarına (RVFLN) dayanmaktadır. Arıza tespit doğruluğunu azaltan ölçüm gürültüsü, uzun eğitim süresi ve aşırı uydurma gibi etkileri ortadan kaldırmak ve çıktı ağırlıklarını hesaplamak için, kayıp ağırlık faktörlü l2-norm(bu çıkış akımı ise ismi özette daha mantıklı olur) kullanan seyrek düzenleme yöntemi kullanılmıştır. Aykırı değer örneklerine karşı güçlü bir sağlamlık elde etmek için, parametrik olmayan kernel yoğunluğu tahmini, kayıp ağırlıklandırma faktörü atamak için kullanılmıştır. Simülasyon ve deneysel çalışmalar yoluyla önerilen yöntemin performansının, yalnızca PV dizilerinin çıkış akım ve gerilim ölçümlerine dayanarak, kısa ve açık devre arızalarını tespit etmede başarılı olduğu gösterilmiştir. En küçük kare destekli vektör makinesiyle karşılaştırıldığında daha güçlü gürbüzlüğe ek olarak, önerdiğimiz yöntemin kısa devre ve açık devre için sırasıyla% 80 ve% 100 ortalama tespit doğruluğu sağladığı da bu çalışmada gösterilmiştir.