Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Μοντελοποίηση φωτοβολταϊκών στοιχείων με τεχνικές μηχανικής μάθησης

Perraki Maria

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/584D38A5-784D-49EF-A5C6-E6E837B7A8D7-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.91518-
Γλώσσαel-
Μέγεθος151 σελίδεςel
Μέγεθος6.4 megabytesen
ΤίτλοςΜοντελοποίηση φωτοβολταϊκών στοιχείων με τεχνικές μηχανικής μάθησης el
ΔημιουργόςPerraki Mariaen
ΔημιουργόςΠερρακη Μαριαel
Συντελεστής [Επιβλέπων Καθηγητής]Koutroulis Eftychiosen
Συντελεστής [Επιβλέπων Καθηγητής]Κουτρουλης Ευτυχιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Kanellos Fotiosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Κανελλος Φωτιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Lagoudakis Michailen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Λαγουδακης Μιχαηλel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Electrical and Computer Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
ΠερίληψηΗ πρόβλεψη της ισχύος εξόδου που δύναται να παράγει ένα φωτοβολταϊκό σύστημα, είναι μείζονος σημασίας για την αξιολόγηση της απόδοσής του, αλλά και για την πρόβλεψη της μακροπρόθεσμης λειτουργίας του. Για την αξιολόγηση της ηλεκτρικής συμπεριφοράς ενός φωτοβολταϊκού συστήματος, μπορούν να χρησιμοποιηθούν διαφορετικά μοντέλα ισοδύναμου κυκλώματος. Στην παρούσα εργασία, μελετώνται τα μοντέλα μονής διόδου (Single Diode Model, SDM) και διπλής διόδου (Double Diode Model, DDM) κάτω από διαφορετικές συνθήκες ηλιακής ακτινοβολίας και θερμοκρασίας περιβάλλοντος. Η αξιοποίηση αποκλειστικά του ενός εκ των δύο μοντέλων για τη μοντελοποίηση του συστήματος, περιορίζει την ακρίβεια της πρόβλεψης των επιδόσεών του. Για τον λόγο αυτόν, με στόχο τη βελτίωση των μεθόδων σχεδιασμού φωτοβολταϊκών συστημάτων, αξιολογείται ο συνδυασμός των δύο μοντέλων μονής και διπλής διόδου με τους αλγορίθμους κατηγοριοποίησης, στο πλαίσιο της διαδικασίας της μηχανικής μάθησης (machine learning). Σκοπός είναι η πρόβλεψη της ισχύος εξόδου ενός φωτοβολταϊκού συστήματος, κάτω από διαφορετικές κλιματικές συνθήκες με μεγαλύτερη ακρίβεια. Οι αλγόριθμοι μηχανικής μάθησης που υλοποιούνται για να αναγνωρίσουν, ποιο μοντέλο μεταξύ των μοντέλων μονής και διπλής διόδου παρέχει ακριβέστερη εκτίμηση της ισχύος εξόδου, για δεδομένες τιμές ηλιακής ακτινοβολίας και θερμοκρασίας περιβάλλοντος, είναι τα δέντρα κατηγοριοποίησης (classification trees), ο αλγόριθμος k-εγγύτατων γειτόνων (k-nearest neighbors), η διακριτική ανάλυση (discriminant analysis), o Naive Bayes, οι μηχανές διανυσμάτων στήριξης (support vector machines) και τέλος ο συνδυασμός πολλών αλγορίθμων (classification ensembles). Δύο περιοχές εξετάζονται στην παρούσα εργασία, η πρώτη χαρακτηρίζεται από το μεσογειακό κλίμα και βρίσκεται στη νότια Ιταλία, ενώ η δεύτερη από το εύκρατο ωκεάνιο κλίμα και βρίσκεται στη βόρεια Γερμανία. Η υλοποίηση τόσο των μοντέλων μονής και διπλής διόδου, όσο και των αλγορίθμων κατηγοριοποίησης έγιναν στο περιβάλλον του MATLAB.el
ΠερίληψηPredicting the output power that a photovoltaic system can produce is of major importance for evaluating its efficiency, but also for predicting its long-term operation. Plenty of equivalent-circuit models can be used for the evaluation of a photovoltaic system’s electrical behavior. In the present work, the single diode model (SDM) and the double diode model (DDM) are studied under different levels of solar irradiation and temperature. The use of exclusively one of the two models to model the photovoltaic system, limits the accuracy of its performance prediction. For this reason, targeting to improve the design methods of photovoltaic systems, the combination of the single and the double diode model, with the classification algorithms in the process of the machine learning framework, is evaluated. The purpose is to predict the output power of a system, under different climatic conditions with higher accuracy. The machine learning classification algorithms that are implemented to identify which model among the single and the double diode model, provides a more accurate estimation of the output power, for given values of solar irradiation and temperature are: classification trees, discriminant analysis, knearest neighbors algorithm, Naive Bayes algorithm, support vector machines and classification ensembles algorithms. In the present work, two geographical areas are examined. The first is characterized by the Mediterranean climate and is located in southern Italy, while the second one by the temperate oceanic climate and is located in northern Germany. The implementation of both single- and double-diode models and classification algorithms was done using the MATLAB environment.en
ΤύποςΔιπλωματική Εργασίαel
ΤύποςDiploma Worken
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by-nc/4.0/en
Ημερομηνία2022-02-16-
Ημερομηνία Δημοσίευσης2022-
Θεματική ΚατηγορίαΜοντελοποίηση φωτοβολταϊκών στοιχείωνel
Θεματική ΚατηγορίαΜηχανική μάθησηel
Θεματική ΚατηγορίαΜοντέλο μονής διόδουel
Θεματική ΚατηγορίαΜοντέλο διπλής διόδουel
Θεματική ΚατηγορίαΑλγόριθμοι κατηγοριοποίησηςel
Θεματική ΚατηγορίαModeling of photovoltaic cellsen
Θεματική ΚατηγορίαSingle diode modelen
Θεματική ΚατηγορίαDouble diode modelen
Θεματική ΚατηγορίαMachine learningen
Θεματική ΚατηγορίαClassification algorithmsen
Βιβλιογραφική ΑναφοράΜαρία Περράκη, "Μοντελοποίηση φωτοβολταϊκών στοιχείων με τεχνικές μηχανικής μάθησης ", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2022el

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά