Συντάχθηκε 16-07-2026 12:37
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 21/07/2026 12:00
Λήξη: 21/07/2026 13:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Χρήστου Κούκουζα
με θέμα
Συγκριτική Αξιολόγηση Μεθόδων Sun-Tracking για Φωτοβολταϊκά Συστήματα
Comparative Evaluation of Sun-Tracking Methods for Photovoltaic Systems
Εξεταστική Επιτροπή
Καθηγητής Ευτύχιος Κουτρούλης (επιβλέπων)
Καθηγητής Κωνσταντίνος Γυφτάκης
Επίκουρος Καθηγητής Γεώργιος Πέππας
Περίληψη
Η εργασία αυτή πραγματεύεται τη συγκριτική μελέτη μεθόδων ηλιακής ιχνηλάτησης (sun-tracking) για φωτοβολταϊκά συστήματα, με ιδιαίτερη εστίαση στις σύγχρονες τεχνολογίες τεχνητής νοημοσύνης που αναπτύσσονται τα τελευταία χρόνια. Η ηλιακή ιχνηλάτηση αποτελεί έναν από τους πλέον αποδοτικούς τρόπους αύξησης της παραγωγής ενέργειας φωτοβολταϊκών εγκαταστάσεων καθώς, ανάλογα με τον αλγόριθμο, επιτρέπει τη διατήρηση της επιφάνειας των πάνελ κάθετη στη διεύθυνση της ηλιακής ακτινοβολίας, μεγιστοποιώντας έτσι τη συλλεκτική επιφάνεια καθ' όλη τη διάρκεια της ημέρας.
Στην εργασία εξετάζονται αναλυτικά οι βασικοί τύποι ηλιακών ιχνηλατών: μονοαξονικοί οριζόντιου άξονα (HSAT), κατακόρυφου άξονα (VSAT), κεκλιμένοι (TSAT), πολικά ευθυγραμμισμένοι (PASAT), και διαξονικοί (AADAT, TTDAT). Παράλληλα, αναλύονται οι τρεις κατηγορίες ελέγχου, ενεργοί, παθητικοί και χρονολογικοί ιχνηλάτες. Επίσης, σε αυτή την εργασία εξετάζονται σύγχρονες μέθοδοι τεχνητής νοημοσύνης για ηλιακή ιχνηλάτηση:, νευρο-ασαφή συστήματα (ANFIS) για τον έλεγχο μονοαξονικών και διαξονικών ιχνηλατών, βαθιά ενισχυτική μάθηση (Deep Reinforcement Learning) για τον βέλτιστο έλεγχο γωνίας κλίσης, όραση υπολογιστή με βαθιά μάθηση για τον εντοπισμό της θέσης του Ήλιου και αλγόριθμοι τεχνητής νοημοσύνης για ιχνηλάτες σε εγκαταστάσεις μεγάλης κλίμακας με bifacial πάνελ.
Τα κύρια συμπεράσματα δείχνουν ότι οι μέθοδοι τεχνητής νοημοσύνης υπερτερούν των κλασικών σε δυναμικές συνθήκες (σύννεφα, σκόνη), χωρίς ωστόσο να υπάρχει μία μέθοδος που να υπερέχει σε όλα, καθώς κάθε τεχνική ταιριάζει σε διαφορετικό πλαίσιο εφαρμογής. Για τις Ελληνικές συνθήκες, κρίνεται αποτελεσματική μία υβριδική στρατηγική με την τεχνική HSAT συνδυασμένη με ενσωματωμένο ANFIS ελεγκτή για βέλτιστη απόδοση σε δυσμενείς καιρικές συνθήκες.
Abstract
This thesis presents a comparative study of sun-tracking methods for photovoltaic systems, with particular focus on the modern artificial intelligence technologies developed in recent years. Solar tracking is one of the most effective ways to increase the energy production of photovoltaic installations, as it allows the panel surface to be kept perpendicular to the direction of solar radiation, thereby maximizing the collecting surface throughout the day.
The thesis examines in detail the main types of solar trackers: horizontal single-axis (HSAT), vertical single-axis (VSAT), tilted single-axis (TSAT), polar-aligned single-axis (PASAT), and dual-axis trackers (AADAT, TTDAT). It also analyzes the three control categories, active, passive, and chronological trackers. Also, this thesis examines modern artificial intelligence methods for solar tracking: neural networks combined with metaheuristic optimization, neuro-fuzzy systems (ANFIS), reinforcement learning (Reinforcement Learning and Deep Q-Networks), computer vision with deep learning, and artificial intelligence algorithms for utility-scale installations with bifacial panels.
The main conclusions show that artificial intelligence methods outperform classical ones under dynamic conditions (clouds, dust), although no single method is superior in every respect, since each technique is best suited to a different application context. For Greek conditions, a hybrid strategy is considered effective with the HSAT technique combined with an embedded ANFIS controller for optimal performance under adverse weather conditions.
