Μέθοδος εντοπισμού σημείου μέγιστης ισχύος φωτοβολταϊκού, με ενισχυτική μάθηση και βελτιστοποιημένη με τον αλγόριθμο Big Bang – Big Crunch
| dc.contributor.advisor | Ντούνης, Αναστάσιος | |
| dc.contributor.author | Μπαβαρίνος, Κωνσταντίνος | |
| dc.date.accessioned | 2020-10-27T10:39:55Z | |
| dc.date.available | 2020-10-27T10:39:55Z | |
| dc.date.issued | 2020-10-23 | |
| dc.identifier.uri | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/5451 | |
| dc.description.abstract | Το περιεχόμενο αυτής της πτυχιακής εργασίας επικεντρώνεται στη βέλτιστη λειτουργία ενός φωτοβολταϊκού συστήματος και στην υλοποίηση ενός ελεγκτή ανίχνευσης του σημείου μέγιστης ισχύος (MPPT controller) στο πρόγραμμα Matlab. Αρχικά, γίνεται σύντομη αναφορά στα είδη ανανεώσιμων πηγών ενέργειας και στο λόγο για τον οποίο, η εκμετάλλευση τους είναι απαραίτητη για τη μακροβιότητα του πλανήτη. Εν συνεχεία, δίνεται βαρύτητα στο τρόπο λειτουργίας των φωτοβολταϊκών και στους παράγοντες οι οποίοι καθορίζουν την απόδοση τους. Μέσα από την αρχή λειτουργίας τους, επεξηγείται γιατί είναι αναγκαία η υλοποίηση ενός ελεγκτή MPPT. Στα κεφάλαια 3 και 4 αναλύονται τρία βασικά είδη μετατροπέων ισχύος και οι μέθοδοι ανίχνευσης του σημείου μέγιστης ισχύος, αντίστοιχα. Το κεφάλαιο 5, το οποίο είναι και το σημαντικότερο μέλος αυτής της πτυχιακής εργασίας, αφορά την υλοποίηση της μεθόδου MPPT στο Matlab. Πιο συγκεκριμένα, δύο αλγόριθμοι ενισχυτικής μάθησης χρησιμοποιούνται για τη δημιουργία του ελεγκτή MPPT και συγκρίνονται τα αποτελέσματα τους. | el |
| dc.format.extent | 80 | el |
| dc.language.iso | el | el |
| dc.publisher | Α.Ε.Ι. Πειραιά Τ.Τ. | el |
| dc.rights | Αναφορά Δημιουργού 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by/3.0/gr/ | * |
| dc.subject | TPSH::Περιβάλλον::Ανανεώσιμες Πηγές Ενέργειας | el |
| dc.title | Μέθοδος εντοπισμού σημείου μέγιστης ισχύος φωτοβολταϊκού, με ενισχυτική μάθηση και βελτιστοποιημένη με τον αλγόριθμο Big Bang – Big Crunch | el |
| dc.title.alternative | Maximum power point tracking based on reinforcement learning using Big Bang – Big Crunch optimization algorithm | el |
| dc.type | Πτυχιακή εργασία | el |
| dc.contributor.committee | Βασιλειάδου, Σουλτάνα | |
| dc.contributor.committee | Ντούνης, Αναστάσιος | |
| dc.contributor.committee | Πατερμαράκης, Γεώργιος | |
| dc.contributor.department | Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. | el |
| dc.contributor.faculty | Σχολή Τεχνολογικών Εφαρμογών | el |
| dc.subject.keyword | Ενισχυτική μάθηση | el |
| dc.subject.keyword | Big-Bang Big-Crunch | el |
| dc.subject.keyword | Βελτιστοποίηση | el |
| dc.subject.keyword | MPPT | el |
| dc.subject.keyword | MATLAB | el |
| dc.subject.keyword | Φωτοβολταϊκά | el |
| dc.description.abstracttranslated | The content of this thesis focuses on the optimal performance of a photovoltaic (PV) system and the implementation of a maximum power point tracking (MPPT) controller in Matlab. To begin with, renewable energy sources and the necessity of their exploitation are briefly discussed. Moreover, the principles of PVs and the factors that affect their performance are being explained. Through their operation principles, the need for the design of MPPT controllers arises. In chapters 3 and 4, three basic kinds of power converters and various MPPT methods are presented, respectively. Chapter 5, which constitutes the most important part of this thesis, is about the implementation of the MPPT method in Matlab. More specifically, two reinforcement learning methods are considered for the solution of the MPPT problem and their results are compared. | el |
Files in this item
This item appears in the following Collection(s)
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού 3.0 Ελλάδα
Αναφορά Δημιουργού 3.0 Ελλάδα