BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20250716T132740Z
LAST-MODIFIED:20250716T132740Z
DTSTAMP:20260612T005917Z
UID:1781215157@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Δημητρίου Λύτη - Σχολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.tuc.gr/el/to-polytechnei
 o/ilektronikes-ypiresies/imerologio/
 imerologio-ekdiloseon-1?tx_tucevents
 2_tuceventsdisplay%5Baction%5D=show&
 tx_tucevents2_tuceventsdisplay%5Bcon
 troller%5D=Event&tx_tucevents2_tucev
 entsdisplay%5Bevent%5D=7951&cHash=45
 6295b2eb7045895da56b41dcbf08e8\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Προπτυχιακών Σπουδών\n Π
 ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Δη
 μητρίου Λύτη\n με θέμα\n Διάγνωση Βλ
 αβών Φωτοβολταϊκών Μετατροπέων Ισχύο
 ς με Τεχνικές Τεχνητής Νοημοσύνης\n 
 Fault Detection of Photovoltaic Powe
 r Converters with Artificial Intelli
 gence Techniques\n Εξεταστική Επιτρο
 πή\n Καθηγητής Ευτύχιος Κουτρούλης (
 επιβλέπων)\n Καθηγητής Μιχαήλ Λαγουδ
 άκης\n Επίκουρος Καθηγητής Γεώργιος 
 Πέππας\n Περίληψη\n Η αυξανόμενη παγ
 κόσμια ανάγκη για βιώσιμες λύσεις στ
 ην παραγωγή ηλεκτρικής ενέργειας έχε
 ι ενισχύσει τη διείσδυση των Ανανεώσ
 ιμων Πηγών Ενέργειας (ΑΠΕ), με τα φω
 τοβολταϊκά (Φ/Β) συστήματα να διαδρα
 ματίζουν πρωταγωνιστικό ρόλο. Ωστόσο
 , η αξιοπιστία και η απόδοση των Φ/Β
  εγκαταστάσεων εξαρτώνται σε μεγάλο 
 βαθμό από τη σωστή λειτουργία των με
 τατροπέων ισχύος, οι οποίοι είναι υπ
 εύθυνοι για τη μετατροπή και διαχείρ
 ιση της παραγόμενης ενέργειας. Οι με
 τατροπείς ισχύος είναι ευάλωτοι σε α
 στοχίες εξαρτημάτων και εξωτερικές δ
 ιαταραχές, γεγονός που καθιστά αναγκ
 αία την έγκαιρη ανίχνευση σφαλμάτων 
 ώστε να διασφαλίζεται η ενεργειακή α
 ποδοτικότητα και η επιχειρησιακή συν
 έχεια των Φ/Β συστημάτων.\n Η παρούσ
 α διπλωματική εργασία εστιάζει στην 
 ανάπτυξη και αξιολόγηση μιας μεθοδολ
 ογίας εντοπισμού βλαβών σε φωτοβολτα
 ϊκούς μετατροπείς ισχύος μέσω τεχνικ
 ών Τεχνητής Νοημοσύνης. Συγκεκριμένα
 , χρησιμοποιούνται η Gaussian Proces
 s Regression (GPR) για την εκτίμηση 
 του φυσιολογικού εύρους λειτουργίας 
 ενός μετατροπέα και Γενετικοί Αλγόρι
 θμοι (GA) για την εξαγωγή των ακραίω
 ν τιμών επτά στατιστικών χαρακτηριστ
 ικών της εξόδου του συστήματος (εύρο
 ς, μέση τιμή, τυπική απόκλιση, ασυμμ
 ετρία, κυρτότητα, εντροπία, κέντρο β
 άρους). Η σύγκριση των πραγματικών ε
 ξόδων με τα όρια που ορίζονται από τ
 ις GPR και GA επιτρέπει την έγκαιρη 
 και αξιόπιστη ανίχνευση ανωμαλιών λε
 ιτουργίας.\n Η προτεινόμενη μεθοδολο
 γία εφαρμόστηκε και αξιολογήθηκε σε 
 διαφορετικούς τύπους μετατροπέων (με
 τατροπέας Buck, μετατροπέας Boost κα
 ι full-bridge inverter), επιτυγχάνον
 τας υψηλή ακρίβεια εντοπισμού σφαλμά
 των ακόμα και σε περιπτώσεις ήπιων α
 ποκλίσεων. Τα αποτελέσματα υποδεικνύ
 ουν ότι η ενσωμάτωση μεθόδων Τεχνητή
 ς Νοημοσύνης στα συστήματα παρακολού
 θησης Φ/Β μετατροπέων μπορεί να ενισ
 χύσει σημαντικά την προγνωστική τους
  ικανότητα και να μειώσει το κόστος 
 συντήρησης, συμβάλλοντας στη μακροχρ
 όνια αξιοπιστία και αποδοτικότητα τω
 ν συστημάτων ΑΠΕ.\n Abstract \n The 
 growing global demand for sustainabl
 e electricity production has led to 
 the widespread adoption of Renewable
  Energy Sources (RES), with photovol
 taic (PV) systems playing a central 
 role. However, the reliability and p
 erformance of PV installations heavi
 ly depend on the proper operation of
  power converters, which are respons
 ible for energy conversion and manag
 ement. These converters are prone to
  component faults and external distu
 rbances, making timely fault detecti
 on essential to ensure energy effici
 ency and system continuity.\n This t
 hesis focuses on the development and
  evaluation of fault detection metho
 dology for PV power converters using
  Artificial Intelligence (AI) techni
 ques. Specifically, it employs Gauss
 ian Process Regression (GPR) to esti
 mate the normal operating range of a
  converter and Genetic Algorithms (G
 A) to extract the extreme values of 
 seven statistical features of the sy
 stem’s output (range, mean, standard
  deviation, skewness, kurtosis, entr
 opy, and centroid). By comparing act
 ual output signals with the limits d
 efined by GPR and GA, operational an
 omalies can be accurately and prompt
 ly identified.\n The proposed method
 ology was applied and assessed on di
 fferent types of converters (Buck co
 nverter, Boost converter, and full-b
 ridge inverter), demonstrating high 
 fault detection accuracy even in cas
 es of subtle deviations. Results ind
 icate that integrating AI methods in
 to PV converter monitoring systems c
 an significantly improve the predict
 ive maintenance capabilities and red
 uce operational costs, thus enhancin
 g the long-term reliability and effi
 ciency of RES systems.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20250722T100000
DTEND:20250722T110000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR