Fotovoltaik sistemlerinde hata bulma ve engelleme yöntemleri ve algoritmaları
[ X ]
Tarih
2020
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Kırıkkale Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Yenilenebilir enerji dünya çapında önemli bir enerji kaynağı haline gelmiştir. Artan verimlilik ve devam eden araştırmalar sayesinde güneş enerjisi daha da yaygın hale gelmektedir. Güneş enerjisi santrallerindeki arızaları tespit etmek ve arızaların yerini saptamak, bazı durumlarda ciddi hasar oluşumunu ve güç kaybını önler. Bu tezde, tipik bir fotovoltaik tesiste meydana gelen küçük ve geçici arızaları tespit edebilen yeni bir fotovoltaik modül tasarımı önerilmiş ve uygulanmıştır. Hotspots ve yaprak veya kir nedeniyle gölgelenme gibi küçük arızalar bazen zamanla kalıcı hasarlara neden olmaktadır. Hall Etkisi sensörlerini her bir alt dizinde fotovoltaik modüle entegre ederek, iki makine öğrenimi sınıflandırıcısı, her bir alt dizinden çıkış akımlarını ve oluşan arızanın türünü tespit etmek, tanımlamak ve yerini konumlamak için fotovoltaik modülün toplam voltajını analiz etmek üzere eğitilir. İlk model, fotovoltaik modülde meydana gelen arızaları gerçek zamanlı olarak tespit etmek için eğitilir. Bununla birlikte, fotovoltaik modül maksimum güç noktası altında çalışırken, eğitilen model kısmi gölgeleme koşulunu, degradasyon ve kirlenme gibi diğer hatalarla karıştırabilir. Bu nedenle, ikinci model, gölgelenme durumunu teşhis etmek ve bu arızanın nedenini belirlemek için eğitilir. Hall Etkisi sensörlerini entegre etmenin amacı, sensörlerin fotovoltaik modülün devresinden elektriksel olarak ayrılması ve manyetik olarak bağlanmasıdır. Bu nedenle herhangi bir elektrik arızası, sensörlerin okumalarını etkilemez, bu da sistemin güvenilirliğini artırır. Ek olarak bu yöntem, sensörleri fotovoltaik modülün bağlantı kutusundaki baypas diyotlarına bağlayarak herhangi bir tipik fotovoltaik modüle uygulanabilir.
Renewable energy has become a major source of energy worldwide, and solar energy is becoming more common due to the increased efficiency and the ongoing researches. Detecting and locating faults in solar power plants prevents power loss and sever damage in some cases. In this thesis, a new photovoltaic module design is proposed and carried out that has the ability to detect minor and temporary faults that occur in a typical photovoltaic plant, these minor faults, such as hotspots and shading by leaves or dirt, sometimes cause permanent damages over time. By integrating Hall Effect sensors in the photovoltaic module at each substring, two machine learning classifiers are trained to analyze the output currents from each substring and the overall voltage of the photovoltaic module to detect, locate and define the type of fault occurring. The first model is trained to detect any faults that occur in the photovoltaic module in real-time. However, while the photovoltaic module is operating under maximum power point, the trained model may confuse partial shading condition with other faults such as degradation and soiling. Hence, the second model is trained to diagnose the shading condition and identify the cause of this malfunction. The aim of integrating Hall Effect sensors is that the sensors are electrically disconnected from the photovoltaic module's circuit and connected magnetically, hence, any electrical faults will not interfere with the sensors' readings, which increases the system's reliability. In addition, this method can be applied on any typical photovoltaic module by connecting the sensors to the bypass diodes in the junction box of the photovoltaic module.
Renewable energy has become a major source of energy worldwide, and solar energy is becoming more common due to the increased efficiency and the ongoing researches. Detecting and locating faults in solar power plants prevents power loss and sever damage in some cases. In this thesis, a new photovoltaic module design is proposed and carried out that has the ability to detect minor and temporary faults that occur in a typical photovoltaic plant, these minor faults, such as hotspots and shading by leaves or dirt, sometimes cause permanent damages over time. By integrating Hall Effect sensors in the photovoltaic module at each substring, two machine learning classifiers are trained to analyze the output currents from each substring and the overall voltage of the photovoltaic module to detect, locate and define the type of fault occurring. The first model is trained to detect any faults that occur in the photovoltaic module in real-time. However, while the photovoltaic module is operating under maximum power point, the trained model may confuse partial shading condition with other faults such as degradation and soiling. Hence, the second model is trained to diagnose the shading condition and identify the cause of this malfunction. The aim of integrating Hall Effect sensors is that the sensors are electrically disconnected from the photovoltaic module's circuit and connected magnetically, hence, any electrical faults will not interfere with the sensors' readings, which increases the system's reliability. In addition, this method can be applied on any typical photovoltaic module by connecting the sensors to the bypass diodes in the junction box of the photovoltaic module.
Açıklama
Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
