000			04427namaa22004211i 4500
003			OSt
005			20250831132045.0
008			250803s2024 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a623.043
092			_a623.043 _221
097			_aPh.D
099			_aCai01.13.08.Ph.D.2024.Gh.F
100	0		_aGhada Shaban Mohamed Ahmed, _epreparation.
245	1	0	_aFault diagnosis in pv systems using optimized deep learning techniques / _cby Ghada Shaban Mohamed Ahmed ; Supervisors Prof. Dr. Hanan Kamal, Dr. Mohamed A. Moustafa Hassan.
246	1	5	_aتشخيص الأعطال في أنظمة الطاقة الشمسية الضوئية باستخدام تقنيات التعلم العميق المحسنة
264		0	_c2024.
300			_a99 pages : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (Ph.D)-Cairo University, 2024.
504			_aBibliography: pages 92-99.
520		3	_aThe fast expansion of the solar photovoltaic (PV) sector over the past decade has contributed significantly to the significance of solar PV systems. Solar PV systems can be made more reliable, efficient, and safe by regularly monitoring the system and quickly identifying any faults. As a result, determining the kind of defect that happens in a solar PV system and its location are imperative. Once a fault has been identified and located, it must be fixed using the proper diagnosis technique. In this work, novel fault diagnosis and detection techniques were proposed. Deep Learning techniques were applied for correctly diagnosing the fault type achieving high accuracy of prediction. Specifically, supervised machine learning techniques such as KNN, LR, NB, and DT were applied. Back Propagation Neural Network (BPNN) was also applied for fault diagnosis. BPNN-PSO was introduced and applied for fault diagnosis showing high accuracy of prediction. Correction techniques for faults and maintenance of PV panels were presented to correct the diagnosed faults practically.
520		3	_aلقد ساهم التوسع السريع لقطاع الطاقة الشمسية الضوئية (PV) على مدار العقد الماضي بشكل كبير في أهمية أنظمة الطاقة الشمسية الضوئية. يمكن زيادة موثوقية وكفاءة وسلامة أنظمة الطاقة الشمسية الضوئية من خلال مراقبة النظام بانتظام وتحديد أي أعطال بسرعة. نتيجة لذلك، فإن تحديد نوع العطل الذي يحدث في نظام الطاقة الشمسية الضوئية وموقعه أمر بالغ الأهمية. بمجرد تحديد وتحديد العطل، يجب إصلاحه باستخدام تقنية التشخيص المناسبة. في هذا العمل، تم اقتراح تقنيات جديدة لتشخيص وتحديد الأعطال. تم تطبيق تقنيات التعلم العميق لتشخيص نوع العطل بشكل صحيح وتحقيق دقة عالية في التنبؤ. على وجه التحديد، تم تطبيق تقنيات التعلم الآلي الخاضعة للإشراف مثل KNN و LR و NB و DT. كما تم تطبيق شبكة عصبية ذات انتشار خلفي (BPNN) لتشخيص الأعطال. تم تقديم وتطبيق BPNN-PSO لتشخيص الأعطال مع إظهار دقة عالية في التنبؤ. تم تقديم تقنيات تصحيح الأعطال وصيانة الألواح الشمسية لتصحيح الأعطال التي تم تشخيصها عمليًا.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aElectronics engineering
653		1	_aDeep Learning _aPSO _aNaïve Bayes _aBack Propagation Neural Network _aDecision Tree
700	0		_aHanan Kamal _ethesis advisor.
700	0		_aMohamed A. Moustafa Hassan _ethesis advisor.
900			_b01-01-2024 _cHanan Kamal _cMohamed A. Moustafa Hassan _dEssam El-Din M.Aboul Zahab _dAhmad Mohamed Elgarhy _UCairo University _FFaculty of Engineering _DDepartment of Electronics and Communications Engineering
905			_aShimaa _eEman Ghareb
942			_2ddc _cTH _e21 _n0
999			_c173292