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

Search

Browse

My Space

Μοντελοποίηση φωτοβολταϊκών στοιχείων με τεχνικές μηχανικής μάθησης

Perraki Maria

Simple record


URIhttp://purl.tuc.gr/dl/dias/584D38A5-784D-49EF-A5C6-E6E837B7A8D7-
Identifierhttps://doi.org/10.26233/heallink.tuc.91518-
Languageel-
Extent151 σελίδεςel
Extent6.4 megabytesen
TitleΜοντελοποίηση φωτοβολταϊκών στοιχείων με τεχνικές μηχανικής μάθησης el
CreatorPerraki Mariaen
CreatorΠερρακη Μαριαel
Contributor [Thesis Supervisor]Koutroulis Eftychiosen
Contributor [Thesis Supervisor]Κουτρουλης Ευτυχιοςel
Contributor [Committee Member]Kanellos Fotiosen
Contributor [Committee Member]Κανελλος Φωτιοςel
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 SummaryΗ 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
Content SummaryPredicting 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
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by-nc/4.0/en
Date of Item2022-02-16-
Date of Publication2022-
SubjectΜοντελοποίηση φωτοβολταϊκών στοιχείωνel
SubjectΜηχανική μάθησηel
SubjectΜοντέλο μονής διόδουel
SubjectΜοντέλο διπλής διόδουel
SubjectΑλγόριθμοι κατηγοριοποίησηςel
SubjectModeling of photovoltaic cellsen
SubjectSingle diode modelen
SubjectDouble diode modelen
SubjectMachine learningen
SubjectClassification algorithmsen
Bibliographic CitationΜαρία Περράκη, "Μοντελοποίηση φωτοβολταϊκών στοιχείων με τεχνικές μηχανικής μάθησης ", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2022el

Available Files

Services

Statistics