Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Fault detection of photovoltaic systems using machine learning techniques

Iliakis Georgios

Simple record


URIhttp://purl.tuc.gr/dl/dias/CE4B95F0-7DC0-4D90-9538-796AE6575E15-
Identifierhttps://doi.org/10.26233/heallink.tuc.87037-
Languageel-
Extent96 σελίδεςel
TitleΕντοπισμός βλαβών φωτοβολταϊκών συστημάτων με τεχνικές μηχανικής μάθησης el
TitleFault detection of photovoltaic systems using machine learning techniquesen
CreatorIliakis Georgiosen
CreatorΗλιακης Γεωργιοςel
Contributor [Thesis Supervisor]Koutroulis Eftychiosen
Contributor [Thesis Supervisor]Κουτρουλης Ευτυχιοςel
Contributor [Committee Member]Stavrakakis Georgiosen
Contributor [Committee Member]Σταυρακακης Γεωργιοςel
Contributor [Committee Member]Lagoudakis Michailen
Contributor [Committee Member]Λαγουδακης Μιχαηλel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Electrical and Computer Engineeringen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
Content SummaryΣκοπός της εργασίας αυτής είναι η ανάπτυξη ενός αλγορίθμου για την ανίχνευση σφαλμάτων στη λειτουργία φωτοβολταϊκών συστημάτων. Είναι προφανές, ότι όπως όλα τα συστήματα, έτσι και τα φωτοβολταϊκά εμφανίζουν συγκεκριμένες προϋποθέσεις ορθής λειτουργίας. Όταν αυτές δεν ικανοποιούνται, μπορούμε να ισχυριστούμε με βεβαιότητα ότι η ομαλή λειτουργία του συστήματος έχει διαταραχτεί. Για τους σκοπούς της μελέτης αυτής, προσομοιώθηκε σε περιβάλλον Matlab/Simulink ένα φωτοβολταϊκό σύστημα το οποίο περιλαμβάνει φωτοβολταϊκά πλαίσια συνδεδεμένα σε σειρά και παράλληλα. Προκειμένου να διαπιστωθεί αν το φωτοβολταϊκό σύστημα λειτουργεί ομαλά, το λογισμικό που αναπτύχθηκε βασίζεται κυρίως σε τεχνικές μηχανικής μάθησης. Συγκεκριμένα, χρησιμοποιεί αποθηκευμένα δεδομένα που αντιστοιχούν σε ομαλές και μη καταστάσεις λειτουργίας, τα οποία συγκρίνει με την τρέχουσα κατάσταση του συστήματος, και ανάλογα αποφασίζει αν υπάρχει κάποιο σφάλμα στη λειτουργία, ή όχι. Το λογισμικό αυτό χαρακτηρίζεται από ευελιξία, καθώς με μικρές προσαρμογές είναι δυνατόν να λειτουργήσει για αρκετές συνδεσμολογίες φωτοβολταϊκών πλαισίων. Όσον αφορά την αποδοτικότητα του αλγορίθμου, αυτή είναι αρκετά υψηλή, καθώς ο αλγόριθμος είναι ικανός να αποφασίσει σωστά την κατάσταση του φωτοβολταϊκού συστήματος στην πλειοψηφία των περιπτώσεων.el
Content SummaryThe purpose of this project is the development of an algorithm, which is able to detect faults in the operation of Photovoltaic Systems. It is obvious that, like in every system, photovoltaic systems have specific conditions in order to function properly. When those conditions are not satisfied, we can claim with certainty that the normal function of the system has been affected. For the purposes of this research, a photovoltaic system consisting of photovoltaic panels connected in series and parallel, was simulated in the Matlab/Simulink environment. In order to decide if the system operates properly, the software that was developed relies mainly on machine learning techniques. More specifically, it uses stored data, which correspond to normal or not states of function, it compares them with the current state of the system, and decides accordingly if there is an error in the operation of the Photovoltaic system or not. The software can be described as flexible, because with small adjustments it is able to operate for several different connections of photovoltaic panels. When it comes to the performance of the algorithm, it can be described as very effective, since the software which was developed is in most cases able to detect the state of the Photovoltaic system correctly.en
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2020-10-14-
Date of Publication2020-
SubjectPhotovoltaic systemsen
SubjectΦωτοβολταϊκά συστήματαel
SubjectΑΠΕel
SubjectRESen
SubjectΑνανεώσιμες Πηγές Ενέργειαςel
SubjectRenewable Energy Sourcesen
SubjectMachine learningen
SubjectΜηχανική μάθησηel
SubjectΑνίχνευση σφαλμάτωνel
SubjectError detectionen
Bibliographic CitationΓεώργιος Ηλιάκης, "Εντοπισμός βλαβών φωτοβολταϊκών συστημάτων με τεχνικές μηχανικής μάθησης ", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2020el
Bibliographic CitationGeorgios Iliakis, "Fault detection of photovoltaic systems using machine learning techniques", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2020en

Available Files

Services

Statistics