Τεχνικές ανίχνευσης σφαλμάτων σε φωτοβολταϊκά πάνελ

Γεωργιάδης, Γεώργιος; Georgiadis, Georgios

dc.contributor.author	Γεωργιάδης, Γεώργιος	el
dc.contributor.author	Georgiadis, Georgios	en
dc.date.accessioned	2025-01-10T08:45:33Z
dc.date.available	2025-01-10T08:45:33Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60691
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28387
dc.rights	Default License
dc.subject	Φωτοβολταϊκά συστήματα	el
dc.subject	Ανίχνευση σφαλμάτων	el
dc.subject	Αλγόριθμοι μηχανικής μάθησης	el
dc.subject	Μετρήσεις τάσης και ρεύματος	el
dc.subject	Ενεργειακή απόδοση	el
dc.subject	Photovoltaic systems	en
dc.subject	Fault detection	en
dc.subject	Machine learning algorithms	en
dc.subject	Voltage and current measurements	en
dc.subject	Matlab simulink	en
dc.title	Τεχνικές ανίχνευσης σφαλμάτων σε φωτοβολταϊκά πάνελ	el
heal.type	bachelorThesis
heal.classification	Ανανεώσιμες πηγές ενέργειας	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-11
heal.abstract	Η ταχεία ανάπτυξη των φωτοβολταϊκών συστημάτων έχει προκαλέσει σημαντικό ενδιαφέρον λόγω των πολλαπλών οφελών τους, συμπεριλαμβανομένης της ικανότητάς τους να παράγουν καθαρή, ανανεώσιμη ενέργεια με ελάχιστες περιβαλλοντικές επιπτώσεις. Καθώς ο κόσμος απευθύνεται όλο και περισσότερο σε βιώσιμες πηγές ενέργειας, η σημασία της διασφάλισης της αδιάλειπτης λειτουργίας των φωτοβολταϊκών συστημάτων γίνεται ζωτικής σημασίας. Η ανίχνευση βλαβών σε αυτά τα συστήματα διαδραματίζει κρίσιμο ρόλο στη διατήρηση της αποτελεσματικότητάς τους, της αξιοπιστίας και της μακροζωίας τους. Με το να ανιχνεύουμε ακριβώς και να αντιμετωπίζουμε τις βλάβες, ενισχύουμε όχι μόνο την ασφάλεια και την απόδοση των φωτοβολταϊκών εγκαταστάσεων, αλλά βελτιώνουμε επίσης την οικονομική τους βιωσιμότητα, μειώνοντας το χρόνο αδράνειας και τα έξοδα συντήρησης. Παρά τις προόδους στην τεχνολογία, η ανίχνευση και η κατηγοριοποίηση βλαβών στην DC πλευρά των φωτοβολταϊκών συστημάτων αντιμετωπίζουν ακόμα προκλήσεις, τονίζοντας την ανάγκη για καινοτόμες λύσεις και μεθοδολογίες. Η έρευνα, που πραγματοποιήθηκε μέσω προσομοίωσης φωτοβολταϊκών συστημάτων μέσα στο περιβάλλον Matlab/Simulink, εξετάζει την ανάλυση σφαλμάτων σε φωτοβολταϊκούς πίνακες τόσο σε θεωρητικά όσο και πρακτικά. Χρησιμοποιώντας προηγμένες τεχνικές όπως τεχνικές μηχανικής μάθησης και ανάλυση μετρήσεων τάσης και ρεύματος , η μελέτη στοχεύει στη βελτίωση των δυνατοτήτων ανίχνευσης σφαλμάτων. Οι αλγόριθμοι μηχανικής μάθησης εφαρμόζονται για να αξιολογηθεί η αποτελεσματικότητά τους στην ανίχνευση βλαβών, ενώ οι μέθοδοι που βασίζονται στις μετρήσεις τάσης και ρεύματος εξετάζουν τα χαρακτηριστικά αυτών των παραμέτρων, δηλαδή τις διάφορες τιμές και μεταβολές της τάσης και του ρεύματος, προκειμένου να ανιχνεύσουν την παρουσία βλάβης στα φωτοβολταϊκά πάνελ. Επιπλέον, στα πλαίσια της διπλωματικής εργασίας πραγματοποιήθηκε η αξιολόγηση της καλύτερης, εκ των δύο, μεθόδου με πραγματικά δεδομένα από εγκατεστημένο αυτόνομο φωτοβολταϊκό σύστημα . Σε αυτό το στάδιο , ερευνάται η δυνατότητα της βέλτιστης μεθόδου να ανταποκρίνεται αποτελεσματικά στο πλαίσιο ενός πραγματικού συστήματος, παρέχοντας έναν πλήρη κατάλογο των αποτελεσμάτων και της απόδοσής της.	el
heal.abstract	The rapid growth of photovoltaic (PV) systems has sparked considerable interest owing to their multitude of benefits, including their ability to generate clean, renewable energy with minimal environmental impact. As the world increasingly turns to sustainable energy sources, the importance of ensuring the uninterrupted operation of PV systems becomes paramount. Fault detection in these systems plays a crucial role in maintaining their efficiency, reliability, and longevity. By accurately identifying and addressing faults, we not only enhance the safety and performance of PV installations but also optimize their economic viability by minimizing downtime and maintenance costs. Despite advancements in technology, the detection and classification of faults on the DC side of PV systems remain challenging, underscoring the need for innovative solutions and methodologies. The research, conducted via simulation of photovoltaic systems within the Matlab/Simulink environment, investigates the analysis of faults in photovoltaic panels both theoretically and practically. Utilizing advanced techniques such as Machine Learning Techniques and Voltage and Current Measurements ,the study aims to enhance fault detection capabilities. Machine learning algorithms are applied to evaluate their effectiveness in fault detection, while methods based on voltage and current measurements analyze the characteristics of these parameters, including their various values and fluctuations, to detect the presence of faults in photovoltaic panels. Additionally, as part of the thesis, the evaluation of the better of the two methods was carried out using real data from an installed autonomous photovoltaic system. At this stage, the ability of the optimal method to respond effectively within the context of a real system is being investigated, providing a comprehensive list of its results and performance."	en
heal.advisorName	Δημέας, Άρης	el
heal.committeeMemberName	Δημέας, Άρης	el
heal.committeeMemberName	Γεωργιλάκης, Παύλος	el
heal.committeeMemberName	Κορρές, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικής Ισχύος	el
heal.academicPublisherID	ntua
heal.numberOfPages	85 σ.	el
heal.fullTextAvailability	false