Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Instagram  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin
Προβολή ημερολογίου Προβολή ημερολογίου
Προβολή λίστας Προβολή λίστας
iCal - Εκδηλώσεις μήνα iCal - Εκδηλώσεις μήνα
iCal - Εκδηλώσεις 6 μηνών iCal - Εκδηλώσεις 6 μηνών
RSS - Εκδηλώσεις μήνα RSS - Εκδηλώσεις μήνα
RSS - Εκδηλώσεις 6 μηνών RSS - Εκδηλώσεις 6 μηνών

15
Φεβ

Παρουσίαση Διπλωματικής Εργασίας κας Περράκη Μαρίας - Σχολή ΗΜΜΥ
Κατηγορία: Παρουσίαση Διπλωματικής Εργασίας   ΗΜΜΥ  
ΤοποθεσίαΗ παρουσίαση θα γίνει με τηλεδιάσκεψη
Ώρα15/02/2022 15:00 - 16:00

Περιγραφή:

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΠΕΡΡΑΚΗ ΜΑΡΙΑ

Θέμα
Μοντελοποίηση Φωτοβολταϊκών Στοιχείων με Τεχνικές Μηχανικής Μάθησης
Modeling of Photovoltaic Cells based on Machine Learning Techniques

Εξεταστική Επιτροπή
Αν. Καθηγητής Ευτύχιος Κουτρούλης (επιβλέπων)
Αν. Καθηγητής  Μιχαήλ Λαγουδάκης
Αν. Καθηγητής  Φώτιος Κανέλλος

Περίληψη

Η 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.

 

Προσθήκη στο ημερολόγιό μου
© Πολυτεχνείο Κρήτης 2012