Digitizing electricity generation in solar panel farms with digital twin and operating with high efficiency
[ X ]
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Yenilenebilir enerji kaynakları, özellikle güneş enerjisi, popülaritesinde ve üretim kapasitesinde önemli bir artışa tanık oldu. 2022'nin sonuna kadar dünya çapında 1000 GW'ın üzerinde fotovoltaik panel kuruldu ve faaliyete geçti. Ancak, yüksek enerji üretim verimliliği sağlamak, sistemdeki hataları önlemek ve tespit etmek giderek daha acil hale geldi. Güneş enerjisi üretiminin doğrusal olmayan doğası ve öngörülemezliği, üretimde öngörülebilirliği ve anlık değişimi zorlaştırır. Bu nedenle, bu tez, dijital bir ikiz geliştirerek ve sistemin performansını optimize etmek için gerekli araçları kullanan bir platform oluşturarak güneş enerjisi santrallerinin izlenebilirliğini artırmayı amaçlamaktadır. Başlangıçta Matlab'da tasarlanan güneş enerjisi santrali, çalışma karakteristiklerini değerlendirmek ve tasarımını iyileştirmek için bir simülasyon ortamına taşınmıştır. Toplanan veriler, sistemi izlemek, gelecekteki senaryoları tahmin etmek ve olağandışı bir olay veya güç kaybı meydana geldiğinde kullanıcıları bilgilendirmek için kullanılan makine öğrenimi algoritmalarını eğitmek için kullanıldı. Ek olarak, kirlenme sorunlarını gidermek ve panel temizliğini optimize etmek için bir algoritma oluşturuldu. Esnek ara bağlantı ile birlikte bu yöntemlerin ve programların entegrasyonu, izlenebilirliği iyileştirerek gelişmiş veri görselleştirme sağlar. Bu tezin, güneş enerjisi santrali davranışını incelemek ve güneş enerjisi santrallerinin etkinliğini ve izlenebilirliğini artırmak isteyen araştırmacılara ve tesis sahiplerine katkı sağlayacağı umulmaktadır.
Renewable energy sources, particularly solar energy, have witnessed significant growth in popularity and production capacity. Over 1000 GW of photovoltaic panels have been installed and operational worldwide by the end of 2022. However, ensuring high-energy production efficiency, preventing, and detecting errors in the system have become increasingly urgent. The non-linear nature and unpredictability of solar power production make predictability and instantaneous change in production challenging. Therefore, this thesis aims to enhance the traceability of solar power plants by developing a digital twin and creating a platform utilizing the necessary tools to optimize the system's performance. Initially designed in Matlab, the solar power plant was moved to a simulation environment to evaluate its operating characteristics and refine its design. The data collected were used to train machine learning algorithms, which are employed to monitor the system, predict future scenarios, and notify users when an unusual event or power loss occurs. Additionally, an algorithm was created to address contamination issues and optimize panel cleaning. The integration of these methods and programs, along with flexible interconnection, provides enhanced data visualization, improving traceability. It is hoped that this thesis will contribute to researchers and plant owners who want to examine solar power plant behavior and increase the efficiency and traceability of solar power plants.
Renewable energy sources, particularly solar energy, have witnessed significant growth in popularity and production capacity. Over 1000 GW of photovoltaic panels have been installed and operational worldwide by the end of 2022. However, ensuring high-energy production efficiency, preventing, and detecting errors in the system have become increasingly urgent. The non-linear nature and unpredictability of solar power production make predictability and instantaneous change in production challenging. Therefore, this thesis aims to enhance the traceability of solar power plants by developing a digital twin and creating a platform utilizing the necessary tools to optimize the system's performance. Initially designed in Matlab, the solar power plant was moved to a simulation environment to evaluate its operating characteristics and refine its design. The data collected were used to train machine learning algorithms, which are employed to monitor the system, predict future scenarios, and notify users when an unusual event or power loss occurs. Additionally, an algorithm was created to address contamination issues and optimize panel cleaning. The integration of these methods and programs, along with flexible interconnection, provides enhanced data visualization, improving traceability. It is hoped that this thesis will contribute to researchers and plant owners who want to examine solar power plant behavior and increase the efficiency and traceability of solar power plants.
Açıklama
Lisansüstü Eğitim Enstitüsü, Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
