Development of cleaning cycle for EDs dust removal technique from solar panel
| dc.contributor.author | Al- Azzawi, Faten Jabbar Mahdi | |
| dc.date.accessioned | 2024-10-31T12:41:49Z | |
| dc.date.available | 2024-10-31T12:41:49Z | |
| dc.date.issued | 2024 | |
| dc.department | Lisansüstü Eğitim Enstitüsü | |
| dc.description | Danışman: DR. ÖĞR. ÜYESİ MAHMOUD HK ALDABABSA Yer Bilgisi: İstanbul Gelişim Üniversitesi / Lisansüstü Eğitim Enstitüsü / Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı | |
| dc.description.abstract | olar panels play a crucial role in harnessing sunlight to generate electricity, but their efficiency is significantly impacted by many factors. The accumulation of dust on solar panels poses a challenge to energy production efficiency, particularly in regions with high dust rates such as the Middle East. Therefore, implement a PV dust detection system with high accuracy using optimization algorithms like Deep Learning (DL) is essential to enhance module efficiency, reduce maintenance costs, and promote resource conservation. This project introduces a novel approach using DL and image processing to develop a dust detection system for solar panels. Leveraging Convolutional Neural Network (CNN) algorithms, the study aims to fine-tune model parameters for effective dust detection and classification. The overarching goal is to enhance module efficiency, reduce maintenance costs, and optimize resource utilization. The dataset images were cleaned, augmented, and filtered utilizing image processing tools. Then, the dataset was categorized into two classes namely clean, and dusty with training and validation processes of ratio 80% of total images (2049 images), and testing and validating with 20% of total images (513 images) were used for validation and testing processes as (307 images) for validation and (206 images) for testing. Three predefined DL algorithms which are (Inception-v3, VGG-16, and Resnet-50) and the proposed DL that is called Efficient-net were developed and implemented within this work. The proposed Efficient-net outperforms the other three techniques in high accuracy with 87% rather than Inception-v3 with 84%, VGG-16 with 72, and Resnet-50 with 80%. | |
| dc.description.abstract | Güneş panelleri, elektrik üretmek için güneş ışığından yararlanmada çok önemli bir rol oynar, ancak verimlilikleri birçok faktörden önemli ölçüde etkilenir. Güneş panelleri üzerinde toz birikmesi, özellikle Orta Doğu gibi toz oranının yüksek olduğu bölgelerde enerji üretim verimliliği açısından zorluk teşkil etmektedir. Bu nedenle, Derin Öğrenme (DL) gibi optimizasyon algoritmalarını kullanarak yüksek doğrulukta bir PV toz algılama sistemi uygulamak, modül verimliliğini artırmak, bakım maliyetlerini azaltmak ve kaynak korumasını teşvik etmek için çok önemlidir. Bu proje, güneş panelleri için bir toz algılama sistemi geliştirmek üzere DL ve görüntü işlemeyi kullanan yeni bir yaklaşım sunmaktadır. Evrişimli Sinir Ağı (CNN) algoritmalarından yararlanan çalışma, etkili toz tespiti ve sınıflandırması için model parametrelerine ince ayar yapmayı amaçlıyor. Kapsamlı amaç, modül verimliliğini artırmak, bakım maliyetlerini azaltmak ve kaynak kullanımını optimize etmektir. Veri kümesi görüntüleri, görüntü işleme araçları kullanılarak temizlendi, genişletildi ve filtrelendi. Daha sonra veri seti temiz ve tozlu olmak üzere iki sınıfa ayrılarak toplam görüntülerin %80'i (2049 görüntü) oranında eğitim ve doğrulama işlemleri yapılmış ve doğrulama için toplam görüntülerin %20'si (513 görüntü) ile test ve doğrulama işlemi kullanılmış ve doğrulama için (307 görüntü) ve test için (206 görüntü) test süreçleri. Bu çalışma kapsamında önceden tanımlanmış üç DL algoritması (Inception-v3, VGG16 ve Resnet-50) ve önerilen Efficient-net adı verilen DL geliştirilmiş ve uygulanmıştır. Önerilen Efficient-net, %84 ile Inception-v3, 72% ile VGG-16 ve %80 ile Resnet-50'ye kıyasla %87 ile diğer üç tekniği yüksek doğrulukta geride bırakıyor. | |
| dc.identifier.uri | https://hdl.handle.net/11363/8853 | |
| dc.language.iso | en | |
| dc.publisher | İstanbul Gelişim Üniversitesi Lisansüstü Eğitim Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Artificial Intelligence (AI) | |
| dc.subject | Photovoltaic (PV) Systems | |
| dc.subject | Dust & Clean PV panels | |
| dc.subject | Renewable Energy | |
| dc.subject | Deep learning | |
| dc.subject | Convolutional Neural Network (CNN) | |
| dc.subject | Image processing | |
| dc.subject | Yapay Zeka (AI) | |
| dc.subject | Fotovoltaik (PV) Sistemler | |
| dc.subject | Toz ve Temiz PV paneller | |
| dc.subject | Yenilenebilir Enerji | |
| dc.subject | Derin öğrenme | |
| dc.subject | Evrişimsel Sinir Ağı (CNN) | |
| dc.subject | Görüntü işleme | |
| dc.title | Development of cleaning cycle for EDs dust removal technique from solar panel | |
| dc.title.alternative | Ed'ler için güneş panelinden toz giderme tekniği temizleme döngüsünün geliştirilmesi | |
| dc.type | Master Thesis |
