@phdthesis{01J6VFZBVRWTVDM1HJ6K1YJYZC,
  abstract     = {{De transitie naar hernieuwbare energie brengt meer uitdagingen met zich mee dan 'enkel' voldoende productie capaciteit bouwen. Deze thesis onderzoekt hoe we deze uitdagingen kunnen aanpakken met behulp van artificiële intelligentie. Specifiek stellen we methoden voor om fouten in zonnepanelen op een kost-efficiënte manier te detecteren en identificeren. Fouten in zonnepanelen, zoals slijtage aan bedrading en kortsluitingen, leiden tot energieverlies en kunnen zelfs brand veroorzaken. Toch worden de meeste zonnepaneel systemen, zoals die op je dak, niet gemonitord, voornamelijk omdat bestaande monitoring methoden dure sensoren gebruiken. Wij stellen voor om zonnepanelen te monitoren door hun productie te vergelijken met weersschattingen of met de productie van nabijgelegen zonnepaneel systemen. Deze informatie wordt verwerkt met neurale netwerken om accuraat fouten te identificeren zonder dure sensoren. Een tweede uitdaging waarop we ons focussen is het voorspellen van energie tekorten of overschotten in het Belgisch elektriciteitsnet. Door de opkomst van hernieuwbare energie, elektrische voertuigen, warmtepompen, etc. is het steeds moeilijker om elektriciteit productie en consumptie te balanceren. Een grote onbalans kan leiden tot instabiliteiten van het net en zelfs stroomuitval. Om dit aan te pakken, ontwikkelen we een neuraal netwerk om zo nauwkeurig mogelijk de Belgische onbalans te voorspellen, zodat deze tijdig gecompenseerd kan worden.}},
  author       = {{Van Gompel, Jonas}},
  isbn         = {{9789463558655}},
  language     = {{eng}},
  pages        = {{XXIV, 111}},
  publisher    = {{Ghent University. Faculty of Engineering and Architecture}},
  school       = {{Ghent University}},
  title        = {{Monitoring of photovoltaic systems and forecasting of power system imbalance using neural networks}},
  year         = {{2024}},
}