Fotovoltaik Sistemlerde Topluluk Öğrenmesi Temelli Hata Tespiti

Fotovoltaik (FV) sistemler için doğru bir hata tespit yeteneği, işletme maliyetlerini ve bir arıza nedeniyle oluşabilecek devre dışı kalma sürelerini azaltarak FV sistemin verimliliğini artırabilir. Bu çalışmada, FV sistemler için bir hata tespit yöntemi önerilmiştir. Önerilen yöntem, topluluk öğrenmesi temelli bir modelin FV sistemlerdeki hataları sınıflandırmak amacıyla kullanılmasına dayanmaktadır. Topluluk öğrenmesi yöntemi, tek bir öğrenme algoritmasının genelleme yeteneğinin ve sağlamlığının üstüne çıkabilmek için farklı algoritmaların tahminlerini birleştirir. Bu çalışmada, sınıflandırma problemlerinde yaygın olarak kullanılan bazı öğrenme algoritmalarından bir topluluk öğrenmesi modeli oluşturulmuştur. Topluluk modeli, daha sonra parametre optimizasyonu uygulanarak geliştirilmiştir. Öğrenme algoritmalarının her biri ve bunları birleştiren topluluk modeli tahmin doğrulukları açısından karşılaştırılmıştır. Önerilen yöntem, Scikit-learn makine öğrenme kütüphanesi ile Python kullanılarak gerçekleştirilmiştir. Yöntemin deneysel geçerliliği Muğla'da (Türkiye) kurulu bir konut tipi FV sistemden elektriksel ve meteorolojik ölçüm verileri kullanılarak yapılmıştır. Sonuçlar, optimize edilmiş bir topluluk öğrenmesi modeliyle, önerilen yöntemin yalnızca sınıflandırma doğruluğunu geliştirmediğini, aynı zamanda fotovoltaik sistem hata tespiti için güçlü bir genelleme yeteneğine de sahip olduğunu göstermektedir.