Εντοπισμός βλαβών φωτοβολταϊκών συστημάτων με τεχνικές μηχανικής μάθησης Εντοπισμός βλαβών φωτοβολταϊκών συστημάτων με τεχνικές μηχανικής μάθησης Fault detection of photovoltaic systems using machine learning techniques Διπλωματική Εργασία Diploma Work 2020-10-142020elΣκοπός 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.The 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.http://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών ΥπολογιστώνIliakis_Georgios_Dip_2020.pdfChania [Greece]Library of TUC2020-10-13application/pdf580.6 kBfree Iliakis Georgios Ηλιακης Γεωργιος Koutroulis Eftychios Κουτρουλης Ευτυχιος Stavrakakis Georgios Σταυρακακης Γεωργιος Lagoudakis Michail Λαγουδακης Μιχαηλ Πολυτεχνείο Κρήτης Technical University of Crete Photovoltaic systems Φωτοβολταϊκά συστήματα ΑΠΕ RES Ανανεώσιμες Πηγές Ενέργειας Renewable Energy Sources Machine learning Μηχανική μάθηση Ανίχνευση σφαλμάτων Error detection