Πρόβλεψη σφαλμάτων στις ανεμογεννήτριες με την βοήθεια αλγορίθμου μηχανικής μάθησης

Παπαπαύλου, Αλέξανδρος; Papapavlou, Alexandros

dc.contributor.author	Παπαπαύλου, Αλέξανδρος	el
dc.contributor.author	Papapavlou, Alexandros	en
dc.date.accessioned	2025-11-07T08:03:02Z
dc.date.available	2025-11-07T08:03:02Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62814
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30510
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/gr/	*
dc.subject	Πρόβλεψη σφαλμάτων	el
dc.subject	Αλγόριθμος μηχανικής μάθησης	el
dc.title	Πρόβλεψη σφαλμάτων στις ανεμογεννήτριες με την βοήθεια αλγορίθμου μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Τομέας ηλεκτρικής ισχύος	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-25
heal.abstract	Οι ανεμογεννήτριες (Α/Γ) αποτελούν μια από τις σημαντικότερες τεχνολογίες ανανεώσιμων πηγών ενέργειας, συμβάλλοντας σημαντικά στη μείωση των εκπομπών διοξειδίου του άνθρακα (CO₂) και στην ενεργειακή μετάβαση προς πιο βιώσιμες λύσεις. Η συνεχής ανάπτυξη νέων αιολικών πάρκων και η αυξανόμενη διείσδυση της αιολικής ενέργειας στο ενεργειακό μείγμα καθιστούν αναγκαία την όσο το δυνατόν αποδοτικότερη και πιο αξιόπιστη λειτουργία των ανεμογεννητριών. Ωστόσο, η πολυπλοκότητα των μηχανικών και ηλεκτρονικών τους συστημάτων και οι συνθήκες στις οποίες απαιτείται να λειτουργούν, τις καθιστούν επιρρεπείς σε σφάλματα και βλάβες, γεγονός που απαιτεί την ανάπτυξη στρατηγικών παρακολούθησης και συντήρησης για την διασφάλιση υψηλής αποδοτικότητας και αξιοπιστίας. Μια από τις πιο προηγμένες προσεγγίσεις στη διαχείριση της συντήρησης των ανεμογεννητριών είναι η προγνωστική συντήρηση (PredicƟve Maintenance - PdM), η οποία βασίζεται στην ανάλυση και επεξεργασία δεδομένων πραγματικού χρόνου για την έγκαιρη ανίχνευση σφαλμάτων και την πρόβλεψη πιθανών βλαβών. Τα συστήματα SCADA (Supervisory Control and Data AcquisiƟon) διαδραματίζουν καθοριστικό ρόλο σε αυτή τη διαδικασία, καθώς επιτρέπουν τη συνεχή συλλογή κρίσιμων λειτουργικών δεδομένων, όπως θερμοκρασίες, ταχύτητες περιστροφής και παραγόμενη ισχύς. Αυτή η συνεχής ροή δεδομένων επιτρέπει τη δημιουργία προγνωστικών μοντέλων συντήρησης, τα οποία μπορούν να συμβάλουν στη βελτίωση της διαθεσιμότητας των ανεμογεννητριών, τη μείωση του κόστους συντήρησης και την ενίσχυση της συνολικής αξιοπιστίας του αιολικού πάρκου. Η παρούσα διπλωματική εργασία επικεντρώνεται στην ανάπτυξη και αξιολόγηση μιας μεθοδολογίας για την πρόβλεψη σφαλμάτων σε ανεμογεννήτριες, αξιοποιώντας δεδομένα SCADA και αλγορίθμους μηχανικής μάθησης. Ιδιαίτερη έμφαση δίνεται στην εφαρμογή του XGBoost για την εκτίμηση κρίσιμων λειτουργικών παραμέτρων και στη χρήση διαγραμμάτων ελέγχου διεργασιών (SPC) για την ανίχνευση αποκλίσεων που ενδέχεται να υποδηλώνουν δυσλειτουργίες. Η συνδυαστική αυτή προσέγγιση αναμένεται να ενισχύσει την ακρίβεια των προβλέψεων και να συμβάλει στη βελτιστοποίηση της συντήρησης, βελτιώνοντας τη λειτουργική απόδοση και τη βιωσιμότητα της αιολικής ενέργειας.	el
heal.advisorName	Δημέας, Άρης Ευάγγελος	el
heal.committeeMemberName	Δημέας, Άρης Ευάγγελος	el
heal.committeeMemberName	Κορρές, Γεώργιος	el
heal.committeeMemberName	Νικολαΐδης, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικής Ισχύος	el
heal.academicPublisherID	ntua
heal.numberOfPages	92 σ.	el
heal.fullTextAvailability	false