Συντάχθηκε 22-01-2021 13:24
Τόπος: Η παρουσίαση θα γίνει με τηλεδιάσκεψη
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 26/01/2021 10:00
Λήξη: 26/01/2021 11:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΘΕΟΔΩΡΟΣ ΜΠΟΥΝΤΟΥΚΟΣ
θέμα
Ανάπτυξη Συστήματος Μεγιστοποίησης της Παραγωγής Ισχύος Φωτοβολταϊκών Συστοιχιών Βασισμένου σε Ενισχυτική Μάθηση.
Development of a System for Maximizing the Power Production of Photovoltaic Arrays Based on Reinforcement Learning
Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Ευτύχιος Κουτρούλης (επιβλέπων)
Αναπληρωτής Καθηγητής Μιχαήλ Λαγουδάκης
Καθηγητής Κωνσταντίνος Καλαϊτζάκης
Περίληψη
Η παγκόσμια ζήτηση ενέργειας αυξάνεται ραγδαία και οι συμβατικές μέθοδοι παραγωγής ενέργειας προκαλούν σημαντικές επιπτώσεις στο περιβάλλον. Οι Ανανεώσιμες Πηγές Ενέργειας (ΑΠΕ) είναι σε θέση να συμβάλλουν στην επίλυση αυτών των προβλημάτων. Μεταξύ των εναλλακτικών τύπων ΑΠΕ, η εγκατάσταση φωτοβολταϊκών συστημάτων παραγωγής ηλεκτρικής ενέργειας έχει επεκταθεί σημαντικά τα τελευταία χρόνια. Όμως, η παραγωγή ενέργειας των φωτοβολταϊκών συστημάτων επηρεάζεται από την ανομοιόμορφη πρόσπτωση ηλιακής ακτινοβολίας στις φωτοβολταϊκές συστοιχίες (πχ. όταν ενσωματώνονται σε κτήρια). Σε αυτή τη διπλωματική εργασία αναπτύχθηκε ένα ηλεκτρονικό σύστημα για τη μεγιστοποίηση της παραγωγής ισχύος των φωτοβολταϊκών συστοιχιών, στο οποίο η διαδικασία της μεγιστοποίησης ισχύος (Maximum Power Point Tracking, MPPT) πραγματοποιείται με τεχνική μηχανικής μάθησης. Για την πειραματική αξιολόγηση, σε πραγματικές συνθήκες λειτουργίας, της μεθόδου MPPT που αναπτύχθηκε, κατασκευάστηκε πειραματικό πρωτότυπο φωτοβολταϊκό σύστημα αποτελούμενο από φωτοβολταϊκά πλαίσια, μετατροπέα ισχύος DC/DC και μικροηλεκτρονική μονάδα ελέγχου MPPT. Τα πειραματικά αποτελέσματα έδειξαν ότι ο αλγόριθμος MPPT βασισμένος σε μηχανική μάθηση ο οποίος υλοποιήθηκε σε αυτή τη διπλωματική εργασία, επιτυγχάνει ταχύτερη εύρεση του σημείου μέγιστης παραγωγής ισχύος της φωτοβολταϊκής συστοιχίας κατά 41-53% σε σύγκριση με συμβατικό αλγόριθμο MPPT.
Abstract
The global demand for energy is rising rapidly and conventional methods of producing energy contribute to global warming. Renewable energy sources are able to solve these problems. Solar energy produced by photovoltaic arrays is considered to be amongst the major renewable energy sources, abundantly available. The photovoltaic arrays however yield very low efficiency under non-uniform incident solar irradiance operating conditions. The subject of this thesis is the development of an electronic system for maximizing the power production of photovoltaic arrays. For that reason, a reinforcement learning-based global Maximum Power Point Tracking algorithm was developed. The PV system developed in this thesis consists of an MPPT control unit, a DC/DC Boost converter and two batteries as load. For the implementation of the MPPT control unit, a Q-learning algorithm, as well as a Particle Swarm Optimization (PSO) algorithm were developed. The Q-learning algorithm under study was used in multiple experiments for alternative shading patterns of the PV array and its performance was compared to that of the PSO algorithm. The experimental results demonstrated that the Q-learning MPPT algorithm converged faster and more accurately to the Global MPP than the PSO MPPT algorithm when an appropriate learning process was applied.
Meeting ID: 829 0714 7165
Password: 479379
