Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Διάγνωση βλαβών φωτοβολταϊκών μετατροπέων ισχύος με τεχνικές τεχνητής νοημοσύνης

Lytis Dimitrios

Πλήρης Εγγραφή


URI: http://purl.tuc.gr/dl/dias/13982849-CB6E-45A2-93DD-2C28B6FD694A
Έτος 2025
Τύπος Διπλωματική Εργασία
Άδεια Χρήσης
Λεπτομέρειες
Βιβλιογραφική Αναφορά Δημήτριος Λύτης, "Διάγνωση βλαβών φωτοβολταϊκών μετατροπέων ισχύος με τεχνικές τεχνητής νοημοσύνης", Διπλωματική Εργασία, Πολυτεχνείο Κρήτης:Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Χανιά, Ελλάς, 2025 https://doi.org/10.26233/heallink.tuc.104154
Εμφανίζεται στις Συλλογές

Περίληψη

Η αυξανόμενη παγκόσμια ανάγκη για βιώσιμες λύσεις στην παραγωγή ηλεκτρικής ενέργειας έχει ενισχύσει τη διείσδυση των Ανανεώσιμων Πηγών Ενέργειας (ΑΠΕ), με τα φωτοβολταϊκά (Φ/Β) συστήματα να διαδραματίζουν πρωταγωνιστικό ρόλο. Ωστόσο, η αξιοπιστία και η απόδοση των Φ/Β εγκαταστάσεων εξαρτώνται σε μεγάλο βαθμό από τη σωστή λειτουργία των μετατροπέων ισχύος, οι οποίοι είναι υπεύθυνοι για τη μετατροπή και διαχείριση της παραγόμενης ενέργειας. Οι μετατροπείς ισχύος είναι ευάλωτοι σε αστοχίες εξαρτημάτων και εξωτερικές διαταραχές, γεγονός που καθιστά αναγκαία την έγκαιρη ανίχνευση σφαλμάτων ώστε να διασφαλίζεται η ενεργειακή αποδοτικότητα και η επιχειρησιακή συνέχεια των Φ/Β συστημάτων.Η παρούσα διπλωματική εργασία εστιάζει στην ανάπτυξη και αξιολόγηση μιας μεθοδολογίας εντοπισμού βλαβών σε φωτοβολταϊκούς μετατροπείς ισχύος μέσω τεχνικών Τεχνητής Νοημοσύνης. Συγκεκριμένα, χρησιμοποιούνται η Gaussian Process Regression (GPR) για την εκτίμηση του φυσιολογικού εύρους λειτουργίας ενός μετατροπέα και Γενετικοί Αλγόριθμοι (GA) για την εξαγωγή των ακραίων τιμών επτά στατιστικών χαρακτηριστικών της εξόδου του συστήματος (εύρος, μέση τιμή, τυπική απόκλιση, ασυμμετρία, κυρτότητα, εντροπία, κέντρο βάρους). Η σύγκριση των πραγματικών εξόδων με τα όρια που ορίζονται από τις GPR και GA επιτρέπει την έγκαιρη και αξιόπιστη ανίχνευση ανωμαλιών λειτουργίας.Η προτεινόμενη μεθοδολογία εφαρμόστηκε και αξιολογήθηκε σε διαφορετικούς τύπους μετατροπέων (μετατροπέας Buck, μετατροπέας Boost και full-bridge inverter), επιτυγχάνοντας υψηλή ακρίβεια εντοπισμού σφαλμάτων ακόμα και σε περιπτώσεις ήπιων αποκλίσεων. Τα αποτελέσματα υποδεικνύουν ότι η ενσωμάτωση μεθόδων Τεχνητής Νοημοσύνης στα συστήματα παρακολούθησης Φ/Β μετατροπέων μπορεί να ενισχύσει σημαντικά την προγνωστική τους ικανότητα και να μειώσει το κόστος συντήρησης, συμβάλλοντας στη μακροχρόνια αξιοπιστία και αποδοτικότητα των συστημάτων ΑΠΕ.

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά