Συντάχθηκε 16-07-2025 13:27
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 22/07/2025 10:00
Λήξη: 22/07/2025 11:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Δημητρίου Λύτη
με θέμα
Διάγνωση Βλαβών Φωτοβολταϊκών Μετατροπέων Ισχύος με Τεχνικές Τεχνητής Νοημοσύνης
Fault Detection of Photovoltaic Power Converters with Artificial Intelligence Techniques
Εξεταστική Επιτροπή
Καθηγητής Ευτύχιος Κουτρούλης (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Επίκουρος Καθηγητής Γεώργιος Πέππας
Περίληψη
Η αυξανόμενη παγκόσμια ανάγκη για βιώσιμες λύσεις στην παραγωγή ηλεκτρικής ενέργειας έχει ενισχύσει τη διείσδυση των Ανανεώσιμων Πηγών Ενέργειας (ΑΠΕ), με τα φωτοβολταϊκά (Φ/Β) συστήματα να διαδραματίζουν πρωταγωνιστικό ρόλο. Ωστόσο, η αξιοπιστία και η απόδοση των Φ/Β εγκαταστάσεων εξαρτώνται σε μεγάλο βαθμό από τη σωστή λειτουργία των μετατροπέων ισχύος, οι οποίοι είναι υπεύθυνοι για τη μετατροπή και διαχείριση της παραγόμενης ενέργειας. Οι μετατροπείς ισχύος είναι ευάλωτοι σε αστοχίες εξαρτημάτων και εξωτερικές διαταραχές, γεγονός που καθιστά αναγκαία την έγκαιρη ανίχνευση σφαλμάτων ώστε να διασφαλίζεται η ενεργειακή αποδοτικότητα και η επιχειρησιακή συνέχεια των Φ/Β συστημάτων.
Η παρούσα διπλωματική εργασία εστιάζει στην ανάπτυξη και αξιολόγηση μιας μεθοδολογίας εντοπισμού βλαβών σε φωτοβολταϊκούς μετατροπείς ισχύος μέσω τεχνικών Τεχνητής Νοημοσύνης. Συγκεκριμένα, χρησιμοποιούνται η Gaussian Process Regression (GPR) για την εκτίμηση του φυσιολογικού εύρους λειτουργίας ενός μετατροπέα και Γενετικοί Αλγόριθμοι (GA) για την εξαγωγή των ακραίων τιμών επτά στατιστικών χαρακτηριστικών της εξόδου του συστήματος (εύρος, μέση τιμή, τυπική απόκλιση, ασυμμετρία, κυρτότητα, εντροπία, κέντρο βάρους). Η σύγκριση των πραγματικών εξόδων με τα όρια που ορίζονται από τις GPR και GA επιτρέπει την έγκαιρη και αξιόπιστη ανίχνευση ανωμαλιών λειτουργίας.
Η προτεινόμενη μεθοδολογία εφαρμόστηκε και αξιολογήθηκε σε διαφορετικούς τύπους μετατροπέων (μετατροπέας Buck, μετατροπέας Boost και full-bridge inverter), επιτυγχάνοντας υψηλή ακρίβεια εντοπισμού σφαλμάτων ακόμα και σε περιπτώσεις ήπιων αποκλίσεων. Τα αποτελέσματα υποδεικνύουν ότι η ενσωμάτωση μεθόδων Τεχνητής Νοημοσύνης στα συστήματα παρακολούθησης Φ/Β μετατροπέων μπορεί να ενισχύσει σημαντικά την προγνωστική τους ικανότητα και να μειώσει το κόστος συντήρησης, συμβάλλοντας στη μακροχρόνια αξιοπιστία και αποδοτικότητα των συστημάτων ΑΠΕ.
Abstract
The growing global demand for sustainable electricity production has led to the widespread adoption of Renewable Energy Sources (RES), with photovoltaic (PV) systems playing a central role. However, the reliability and performance of PV installations heavily depend on the proper operation of power converters, which are responsible for energy conversion and management. These converters are prone to component faults and external disturbances, making timely fault detection essential to ensure energy efficiency and system continuity.
This thesis focuses on the development and evaluation of fault detection methodology for PV power converters using Artificial Intelligence (AI) techniques. Specifically, it employs Gaussian Process Regression (GPR) to estimate the normal operating range of a converter and Genetic Algorithms (GA) to extract the extreme values of seven statistical features of the system’s output (range, mean, standard deviation, skewness, kurtosis, entropy, and centroid). By comparing actual output signals with the limits defined by GPR and GA, operational anomalies can be accurately and promptly identified.
The proposed methodology was applied and assessed on different types of converters (Buck converter, Boost converter, and full-bridge inverter), demonstrating high fault detection accuracy even in cases of subtle deviations. Results indicate that integrating AI methods into PV converter monitoring systems can significantly improve the predictive maintenance capabilities and reduce operational costs, thus enhancing the long-term reliability and efficiency of RES systems.
