Özet:
Ülkelerin enerji ihtiyacı gün geçtikçe artmaktadır. Bu yüzden yenilenebilir enerji kaynaklarına ilgi kaçınılmaz olmuştur. Bu enerji kaynaklarından güneş enerjisi fosil yakıtların aksine, yenilenebilir ve sürdürülebilirdir. Bu bağlamda güneş ışınları ile elektrik üreten fotovoltaik panel üretiminin önemi giderek artmaktadır. Diğer tüm teknolojiler gibi fotovoltaik paneller de performanslarını etkileyebilecek çeşitli kusurlar veya sorunlar yaşayabilir. Düzenli bakımın, periyodik denetimlerin ve hızlı onarımların fotovoltaik panellerdeki bu kusurların giderilmesine veya önlenmesine yardımcı olarak uzun ömürlü olmasını sağlayabileceğini belirtmekte fayda var. Bu sorunların henüz üretim aşamasında tespit edilmesi çok daha kritik olup işletme aşamasında yaşanabilecek sorunların önüne geçilebilir. FV hücrelerindeki kusurları tespit etmek için yaygın olarak kullanılan bazı yöntemler vardır. Günümüzde en çok kullanılan yöntemlerden biri Elektrolüminesans görüntüleme ile kusurların tespit edilmesidir. FV hücrelerindeki kusurları tespit etmenin genellikle özel ekipman ve uzmanlık gerektirdiğini belirtmekte fayda var. FV panel kusurları çok çeşitli olup ancak kalifiye profesyoneller, kusurları doğru bir şekilde tespit etmek için bu testleri ve incelemeleri yapabilir. Bu çalışma da ise bu gibi zorluklar göz önünde bulundurularak fotovoltaik panel kusurlarından biri olan bara kayması kusurunun derin öğrenme yöntemleri ile otomatik olarak tespit edilebilmesine yönelik çalışmalar yapılmıştır. Çalışma, gerçek bir üretim hattından alınan 60 hücreli panel görüntülerini içeren bir veri seti kullanmaktadır. Bu görüntüler, bara kayması kusurlu ve kusursuz olarak etiketlenmiş olup toplamda 500 hücre EL görüntüsünden oluşmaktadır. Önceden eğitilmiş iki farklı derin öğrenme mimarisi kullanılarak öznitelik çıkartımı yapılmış ve elde edilen nitelikler farklı kombinasyonlarla birleştirilerek başarı parametrelerindeki etkisi gözlemlenmiştir. Elde edilen nitelikler Naive Bayes ve k-NN sınıflandırma yöntemleri ile sınıflandırılarak başarı parametreleri elde edilmiştir. Sonuçlar, Relu34 ve Relu25+Conv10 katmanlarından elde edilen derin niteliklerin 0.9920 doğruluk oranı sağlayarak en başarılı sonuçları verdiğini göstermektedir. Sınıflandırma yöntemleri açısından, mesafe tabanlı yöntemlerin fotovoltaik EL görüntülerindeki bara kayması kusurlarını daha başarılı bir şekilde sınıflandırdığı görülmüştür. Ayrıca, makine öğrenme yöntemleri ile belirlenen bara kayması kusurlarında birleştirilmiş derin niteliklerin daha başarılı olduğu ortaya çıkmıştır. Tek mimari kullanılarak yapılan sınıflandırmada, niteliklerin ne kadar derin katmanlardan alınırsa, o kadar başarılı bir tespit yapılabildiği anlaşılmıştır.Yapılan tüm çalışmalar önceden eğitilmiş derin öğrenme mimarileri ile fotovoltaik panel EL görüntülerinden başarılı şekilde bara kayması kusurunun tespit edilebileceğini göstermektedir.
