Fotovoltaik sistemlerde hata tespiti ve sınıflandırılması için doğrusal ve doğrusal olmayan boyut azaltma tekniklerinin karşılaştırmalı bir değerlendirmesi

Abstract

Fotovoltaik (FV) sistemlerde arızaların doğru ve zamanında tespit edilmesi; operasyonel güvenilirliğin artırılması, enerji üretim kayıplarının azaltılması ve bakım süreçlerinin daha etkin yürütülmesi açısından kritik öneme sahiptir. Modern FV sistemlerden elde edilen akım, gerilim, güç, ışınım ve sıcaklık tabanlı ölçüm verileri yüksek boyutlu, korelasyonlu ve doğrusal olmayan özellikler gösterebilmektedir. Bu nedenle arıza sınıflandırma başarısı yalnızca kullanılan sınıflandırıcı algoritmaya değil, aynı zamanda ölçüm verilerinin nasıl temsil edildiğine ve boyut azaltma sürecinin etkinliğine de bağlıdır. Bu çalışmada, FV arıza sınıflandırması için doğrusal ve çekirdek tabanlı doğrusal olmayan boyut azaltma tekniklerini karşılaştırmalı olarak değerlendiren bir analiz çerçevesi sunulmuştur. Bu kapsamda doğrusal yöntemler olarak Temel Bileşen Analizi (PCA), Doğrusal Ayırma Analizi (LDA) ve Bağımsız Bileşen Analizi (ICA); çekirdek tabanlı doğrusal olmayan yöntemler olarak ise Çekirdek Temel Bileşen Analizi (KPCA), Çekirdek Doğrusal Ayırma Analizi (KLDA) ve KPCA-ICA yaklaşımı incelenmiştir. KPCA-ICA yaklaşımı, bu çalışmada KPCA ile elde edilen doğrusal olmayan temsil uzayı üzerinde ICA uygulanması şeklinde gerçekleştirilmiştir. Analizlerde, MATLAB/Simulink ortamında modellenen 250 kW gücündeki şebeke bağlantılı FV sistemden elde edilen simülasyon tabanlı veri seti kullanılmıştır. Veri setinde normal çalışma, string arızası, string-toprak arızası ve string-string arızası olmak üzere dört farklı sistem durumu ele alınmıştır. FV sistemden elde edilen akım, gerilim, güç, ışınım, sıcaklık ve türetilmiş istatistiksel özellikler kullanılarak veri ön işleme, standardizasyon, boyut azaltma ve sınıflandırma adımları uygulanmıştır. Performans değerlendirmesinde doğruluk, AUC, kesinlik, duyarlılık, F1 skoru, özgüllük ve işlem süresi ölçütleri dikkate alınmıştır. Elde edilen sonuçlar, boyut azaltma yöntemleri arasında KPCA’nın bu veri seti ve değerlendirme protokolü kapsamında AUC ve F1 skoru bakımından en başarılı temsil yaklaşımı olduğunu göstermiştir. KPCA ve PCA aynı doğruluk düzeyine ulaşmış olsa da KPCA’nın daha yüksek AUC ve F1 skoru üretmesi, doğrusal olmayan temsil uzayının arıza sınıfları arasındaki ayırt ediciliği artırdığını ortaya koymuştur. PCA ise doğrusal, sade ve yorumlanabilir yapısı nedeniyle mühendislik uygulamaları açısından güçlü bir alternatif olarak değerlendirilmiştir. LDA, ICA ve KLDA yöntemleri genel sınıflandırma performansı açısından orta düzeyde sonuçlar üretirken, KPCA-ICA yaklaşımı bu veri setinde sınırlı sınıflandırma başarısı göstermiştir. Ayrıca yöntemlerin saha benzeri koşullar altındaki dayanıklılığını değerlendirmek amacıyla test verisi üzerinde gürültü, rastgele eksik veri, blok eksik veri, sensör sürüklenmesi, tek sensör kaybı ve ışınım bandı temelli senaryolar oluşturulmuştur. Dayanıklılık analizleri, genel performans açısından KPCA’nın öne çıkmasına karşın, çevresel değişkenlik altında özellikle düşük ışınım bandında KLDA tabanlı yapının en güçlü sonucu verdiğini göstermiştir. Bu bulgu, boyut azaltma yöntemlerinin performansının yalnızca genel sınıflandırma başarısı üzerinden değil, farklı işletme ve bozulum koşulları altındaki kararlılıkları bakımından da değerlendirilmesi gerektiğini ortaya koymaktadır. Sonuç olarak bu çalışma, FV sistemlerde arıza sınıflandırma başarısının yalnızca sınıflandırıcı seçimine değil, veri temsilinin niteliğine ve bozulum koşulları altındaki dayanıklılık performansına da bağlı olduğunu göstermektedir. Elde edilen bulgular, doğrusal ve doğrusal olmayan boyut azaltma tekniklerinin FV arıza teşhisinde farklı avantajlar sunduğunu ve uygun temsil yönteminin seçiminin sınıflandırma performansı üzerinde belirleyici bir etkiye sahip olduğunu ortaya koymaktadır.

Accurate and timely fault detection in photovoltaic (PV) systems is critical for improving operational reliability, reducing energy production losses, and enabling more effective maintenance processes. Measurement data obtained from modern PV systems, including current, voltage, power, irradiance, and temperature-based variables, may exhibit high-dimensional, correlated, and nonlinear characteristics. Therefore, fault classification performance depends not only on the selected classifier algorithm but also on how measurement data are represented and how effectively dimensionality reduction is performed. In this study, a comparative analysis framework is presented to evaluate linear and kernel-based nonlinear dimensionality reduction techniques for PV fault classification. Within this scope, Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), and Independent Component Analysis (ICA) were examined as linear methods, while Kernel Principal Component Analysis (KPCA), Kernel Linear Discriminant Analysis (KLDA), and the KPCA-ICA approach were investigated as kernel-based nonlinear methods. In this study, the KPCA-ICA approach was implemented by applying ICA to the nonlinear representation space obtained through KPCA. The analyses were carried out using a simulation-based dataset obtained from a 250 kW grid-connected PV system modeled in the MATLAB/Simulink environment. The dataset included four different system states: normal operation, string fault, string-to-ground fault, and string-to-string fault. Data preprocessing, standardization, dimensionality reduction, and classification steps were applied using current, voltage, power, irradiance, temperature, and derived statistical features obtained from the PV system. Accuracy, AUC, precision, recall, F1-score, specificity, and processing time were considered as performance evaluation metrics. The results showed that, among the dimensionality reduction methods, KPCA provided the most successful representation approach in terms of AUC and F1-score within the scope of this dataset and evaluation protocol. Although KPCA and PCA achieved the same accuracy level, the higher AUC and F1-score values obtained by KPCA indicated that the nonlinear representation space improved the discriminative capability among fault classes. PCA, on the other hand, was evaluated as a strong alternative for engineering applications due to its linear, simple, and interpretable structure. While LDA, ICA, and KLDA produced moderate results in terms of overall classification performance, the KPCA-ICA approach showed limited classification success for this dataset. In addition, robustness scenarios were generated on the test data to evaluate the performance of the methods under field-like conditions, including noise, random missing data, block missing data, sensor drift, single-sensor loss, and irradiance-band-based operating conditions. The robustness analyses showed that although KPCA stood out in terms of overall performance, the KLDA-based structure provided the strongest result under environmental variability, particularly in the low-irradiance band. This finding indicates that dimensionality reduction methods should be evaluated not only in terms of general classification performance but also with respect to their stability under different operating and degradation conditions. In conclusion, this study demonstrates that fault classification performance in PV systems depends not only on classifier selection but also on the quality of data representation and robustness performance under degraded conditions. The obtained findings reveal that linear and nonlinear dimensionality reduction techniques offer different advantages in PV fault diagnosis and that the selection of an appropriate representation method has a decisive effect on classification performance.