Συντάχθηκε 13-02-2025 07:36
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 14/02/2025 09:00
Λήξη: 14/02/2025 10:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Χρήστου Παυλόπουλου
με θέμα
Μοντελοποίηση και Πρόβλεψη Απόδοσης Φωτοβολταϊκού Συστήματος με χρήση Τεχνολογίας Ψηφιακών Διδύμων
Modeling and Prediction of Photovoltaic System Performance using Digital Twin Technology
Εξεταστική Επιτροπή
Καθηγητής Ευτύχιος Κουτρούλης (επιβλέπων)
Αναπληρωτής Καθηγητής Κωνσταντίνος Γυφτάκης
Καθηγητής Γεώργιος Σταυρουλάκης (Π.Κ., Σχολή ΜΠΔ)
Περίληψη
Η αξιοποίηση της ηλιακής ενέργειας αναδεικνύεται ως η πιο διαδεδομένη από τις μορφές των Ανανεώσιμων Πηγών Ενέργειας (ΑΠΕ) και τα φωτοβολταϊκά συστήματα αναμένεται να γίνουν η κυριότερη μορφή παραγωγής σε χώρες με υψηλό ηλιακό δυναμικό, όπως η Ελλάδα. Η απλότητα αυτών των συστημάτων οφείλεται κυρίως στην εύκολη πρόβλεψη των περιβαλλοντικών συνθηκών κατά τη διάρκεια του έτους, στην υψηλή αξιοπιστία και στις ελάχιστες ανάγκες συντήρησης του εξοπλισμού. Αυτή η απλότητα αποτελεί και την πηγή έμπνευσης της παρούσας διπλωματικής εργασίας. Χρησιμοποιώντας την αναδυόμενη τεχνολογία των ψηφιακών διδύμων, δηλαδή τη δημιουργία ενός ψηφιακού κλώνου για την παρακολούθηση και τον έλεγχο ενός πραγματικού συστήματος, σκοπός της εργασίας είναι η ανάπτυξη ενός απλού, εύκολα προσαρμόσιμου μοντέλου, το οποίο θα μπορεί να γίνει πηγή έμπνευσης για άλλα μοντέλα. Στην παρούσα εργασία παρουσιάζεται η ανάλυση των δεδομένων παραγωγής και καιρικών συνθηκών από ένα λειτουργικό φωτοβολταϊκό πάρκο, η διαδικασία εκπαίδευσης του Αυτοπαλινδρομικού Μοντέλου Κινούμενου Μέσου Όρου με Εξωγενείς Μεταβλητές (ARMAX) σε πραγματικά δεδομένα του πάρκου, χρησιμοποιώντας μεθόδους μηχανικής μάθησης, όπως τα δέντρα αποφάσεων (decision trees), και η προσομοίωσή του στο περιβάλλον MATLAB. Ακολουθεί μια λεπτομερής σύγκριση των προβλέψεων του μοντέλου για δεδομένα που προέρχονται από διαφορετικές χρονικές περιόδους. Η ανάλυση περιλαμβάνει τόσο δεδομένα που έχουν χρησιμοποιηθεί για την εκπαίδευση του μοντέλου όσο και δεδομένα που δεν έχουν εισαχθεί σε αυτό. Οι προβλέψεις συγκρίνονται με πραγματικές μετρήσεις, με στόχο την αξιολόγηση της ακρίβειας και της αποτελεσματικότητας του μοντέλου. Τέλος, αναφέρονται πιθανές μελλοντικές επεκτάσεις και χρήσεις του μοντέλου.
Abstract
Solar energy is emerging as the simplest of the forms of Renewable Energy Sources (RES) and photovoltaic (PV) systems are expected to become the main form of production in countries with abundant solar irradiation potential, such as Greece. The simplicity of these systems is due to the easy prediction of environmental conditions during the year, high reliability, and minimal maintenance needs of the equipment. This simplicity is the source of inspiration for this thesis. Using the emerging technology of digital twins, i.e., the creation of a digital clone to monitor and control a real system, the focus of the thesis is to create a simple, easily adaptable model that can serve as base for other models. This paper shows the analysis of electricity generation and weather data from an operating photovoltaic park, the process of training the Autoregressive Moving Average Model with Exogenous Variables (ARMAX) using machine learning methods such as decision trees, and its simulation in the MATLAB environment. A detailed comparison of the model predictions is presented for data from different time periods. The analysis includes both data used for training the model and data not previously introduced to it. The predictions are compared with actual measurements to evaluate the model accuracy and effectiveness. Finally, future extensions and usage of the model are discussed.
Meeting ID: 967 8767 2714
Password: 259569
