{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3331950"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3331950","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Study and Implementation of Image Processing Algorithms for Applications in Photovoltaic Parks using CNNs","abstract":"Η θέση και η διάταξη των νεφών στον ουρανό έχουν σημαντική επίδραση στην ενεργειακή απόδοση των φωτοβολταϊκών πάρκων. Για να βελτιώσουμε τη διανομή της ηλεκτρικής ενέργειας και να διατηρήσουμε την σταθερότητα του δικτύου, χρησιμοποιούμε κάμερες που είναι τοποθετημένες στο έδαφος και λαμβάνουν εικόνες του ουρανού. Αυτές οι εικόνες στη συνέχεια επεξεργάζονται, με σκοπό να προβλέψουμε την επερχόμενη νεφοκάλυψη. Από την τιμή της νεφοκάλυψης μπορούμε να εκτιμήσουμε την αντίστοιχη τιμή της λαμβανόμενης ηλιακής ακτινοβολίας και να υπολογίσουμε την μέγιστη δυνατή ενεργειακή παραγωγή. Αυτή η μελέτη προτείνει μια νέα προσέγγιση για τη βραχυπρόθεσμη πρόβλεψη ηλιακής ακτινοβολίας χρησιμοποιώντας νευρωνικά δίκτυα βάθους (DNNs). Προτείνεται το Depthwise Separable Inception Module (DWSIM), ένα μοντέλο που βασίζεται σε Inception Modules (IMs) και Depthwise Separable Convolutions (DWSCs). Τα αποτελέσματα δείχνουν ότι η προτεινόμενη προσέγγιση επιτυγχάνει υψηλή αποτελεσματικότητα και ταυτόχρονα ελαχιστοποιεί την πολυπλοκότητα του μοντέλου.","abstract_html":"Η θέση και η διάταξη των νεφών στον ουρανό έχουν σημαντική επίδραση στην ενεργειακή απόδοση των φωτοβολταϊκών πάρκων. Για να βελτιώσουμε τη διανομή της ηλεκτρικής ενέργειας και να διατηρήσουμε την σταθερότητα του δικτύου, χρησιμοποιούμε κάμερες που είναι τοποθετημένες στο έδαφος και λαμβάνουν εικόνες του ουρανού. Αυτές οι εικόνες στη συνέχεια επεξεργάζονται, με σκοπό να προβλέψουμε την επερχόμενη νεφοκάλυψη. Από την τιμή της νεφοκάλυψης μπορούμε να εκτιμήσουμε την αντίστοιχη τιμή της λαμβανόμενης ηλιακής ακτινοβολίας και να υπολογίσουμε την μέγιστη δυνατή ενεργειακή παραγωγή. Αυτή η μελέτη προτείνει μια νέα προσέγγιση για τη βραχυπρόθεσμη πρόβλεψη ηλιακής ακτινοβολίας χρησιμοποιώντας νευρωνικά δίκτυα βάθους (DNNs). Προτείνεται το Depthwise Separable Inception Module (DWSIM), ένα μοντέλο που βασίζεται σε Inception Modules (IMs) και Depthwise Separable Convolutions (DWSCs). Τα αποτελέσματα δείχνουν ότι η προτεινόμενη προσέγγιση επιτυγχάνει υψηλή αποτελεσματικότητα και ταυτόχρονα ελαχιστοποιεί την πολυπλοκότητα του μοντέλου.","abstract_has_math":false,"creators":["Βασιλάκης Χριστόφορος","Vasilakis Christoforos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:22:43Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3331950"],"render_values":[{"text":"uoadl:3331950","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3331950","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3331950","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3331950","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Βασιλάκης Χριστόφορος","Vasilakis Christoforos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3331950","https://pergamos.lib.uoa.gr/uoa/dl/object/3331950"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η θέση και η διάταξη των νεφών στον ουρανό έχουν σημαντική επίδραση στην ενεργειακή απόδοση των φωτοβολταϊκών πάρκων. Για να βελτιώσουμε τη διανομή της ηλεκτρικής ενέργειας και να διατηρήσουμε την σταθερότητα του δικτύου, χρησιμοποιούμε κάμερες που είναι τοποθετημένες στο έδαφος και λαμβάνουν εικόνες του ουρανού. Αυτές οι εικόνες στη συνέχεια επεξεργάζονται, με σκοπό να προβλέψουμε την επερχόμενη νεφοκάλυψη. Από την τιμή της νεφοκάλυψης μπορούμε να εκτιμήσουμε την αντίστοιχη τιμή της λαμβανόμενης ηλιακής ακτινοβολίας και να υπολογίσουμε την μέγιστη δυνατή ενεργειακή παραγωγή. Αυτή η μελέτη προτείνει μια νέα προσέγγιση για τη βραχυπρόθεσμη πρόβλεψη ηλιακής ακτινοβολίας χρησιμοποιώντας νευρωνικά δίκτυα βάθους (DNNs). Προτείνεται το Depthwise Separable Inception Module (DWSIM), ένα μοντέλο που βασίζεται σε Inception Modules (IMs) και Depthwise Separable Convolutions (DWSCs). Τα αποτελέσματα δείχνουν ότι η προτεινόμενη προσέγγιση επιτυγχάνει υψηλή αποτελεσματικότητα και ταυτόχρονα ελαχιστοποιεί την πολυπλοκότητα του μοντέλου.","The placement and formation of clouds in the sky play a crucial role in influencing the power generation of solar Photovoltaic (PV) installations. To enhance electricity distribution and maintain network's stability, terrestrial cameras capture sky imagery. These images are then processed to estimate the future cloud cover. Using the estimated cloud cover we can estimate the upcoming solar irradiance value and subsequently calculate the maximum potential energy yield. This study proposes a novel approach for short-term Solar Irradiance Forecasting (STSIF) using lightweight Deep Neural Networks (DNNs). A Depthwise Separable Inception Module (DWSIM) is proposed, a model based on Inception Modules (IMs) and Depthwise Separable Convolutions (DWSCs). The results show that the proposed approach achieves high accuracy while maintaining the complexity to a minimum."]},{"key":"dc:title","label":"Title","values":["Study and Implementation of Image Processing Algorithms for Applications in Photovoltaic Parks using CNNs"]}]}],"canonical_facts":{"dc:creator":["Βασιλάκης Χριστόφορος","Vasilakis Christoforos"],"dc:date":["2023"],"dc:description":["Η θέση και η διάταξη των νεφών στον ουρανό έχουν σημαντική επίδραση στην ενεργειακή απόδοση των φωτοβολταϊκών πάρκων. Για να βελτιώσουμε τη διανομή της ηλεκτρικής ενέργειας και να διατηρήσουμε την σταθερότητα του δικτύου, χρησιμοποιούμε κάμερες που είναι τοποθετημένες στο έδαφος και λαμβάνουν εικόνες του ουρανού. Αυτές οι εικόνες στη συνέχεια επεξεργάζονται, με σκοπό να προβλέψουμε την επερχόμενη νεφοκάλυψη. Από την τιμή της νεφοκάλυψης μπορούμε να εκτιμήσουμε την αντίστοιχη τιμή της λαμβανόμενης ηλιακής ακτινοβολίας και να υπολογίσουμε την μέγιστη δυνατή ενεργειακή παραγωγή. Αυτή η μελέτη προτείνει μια νέα προσέγγιση για τη βραχυπρόθεσμη πρόβλεψη ηλιακής ακτινοβολίας χρησιμοποιώντας νευρωνικά δίκτυα βάθους (DNNs). Προτείνεται το Depthwise Separable Inception Module (DWSIM), ένα μοντέλο που βασίζεται σε Inception Modules (IMs) και Depthwise Separable Convolutions (DWSCs). Τα αποτελέσματα δείχνουν ότι η προτεινόμενη προσέγγιση επιτυγχάνει υψηλή αποτελεσματικότητα και ταυτόχρονα ελαχιστοποιεί την πολυπλοκότητα του μοντέλου.","The placement and formation of clouds in the sky play a crucial role in influencing the power generation of solar Photovoltaic (PV) installations. To enhance electricity distribution and maintain network's stability, terrestrial cameras capture sky imagery. These images are then processed to estimate the future cloud cover. Using the estimated cloud cover we can estimate the upcoming solar irradiance value and subsequently calculate the maximum potential energy yield. This study proposes a novel approach for short-term Solar Irradiance Forecasting (STSIF) using lightweight Deep Neural Networks (DNNs). A Depthwise Separable Inception Module (DWSIM) is proposed, a model based on Inception Modules (IMs) and Depthwise Separable Convolutions (DWSCs). The results show that the proposed approach achieves high accuracy while maintaining the complexity to a minimum."],"dc:identifier":["uoadl:3331950","https://pergamos.lib.uoa.gr/uoa/dl/object/3331950"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Study and Implementation of Image Processing Algorithms for Applications in Photovoltaic Parks using CNNs"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:22:43Z"}