Computational intelligence based modeling of uav-integrated pv module in icing condition

Saeedinia, Mohammad Hosein (2025). Computational intelligence based modeling of uav-integrated pv module in icing condition. Thèse. Gatineau, Université du Québec en Outaouais, Département d'informatique et d'ingénierie, 178 p.

Prévisualisation

PDF Télécharger (6MB) | Prévisualisation

Résumé

L'intégration des systèmes photovoltaïques (PV) dans les véhicules aériens sans pilote (UAV) offre des avantages prometteurs, tels qu'une endurance de vol accrue et une meilleure efficacité énergétique. Cependant, les complexités dynamiques et environnementales liées au mouvement des UAV et aux conditions défavorables, comme le givrage en vol, nécessitent des approches avancées de modélisation et d'optimisation pour étudier le comportement des modules PV intégrés aux UAV et optimiser leurs performances.
Cette étude développe un cadre global qui répond à ces défis en intégrant un ensemble de méthodes analytiques, mathématiques, d'optimisation et basées sur l'intelligence computationnelle. En utilisant les concepts de matrices de rotation, les angles d'inclinaison et d'azimut du module PV sont calculés en fonction des angles de lacet, de tangage et de roulis de l'UAV, tandis que l'algorithme d'optimisation Grey Wolf est utilisé pour ajuster de manière adaptative le facteur d'idéalité du module PV. Cela permet une prédiction précise du point de puissance maximale (MPP) dans des conditions opérationnelles en temps réel.
De plus, des modèles d'apprentissage automatique multi-entrées multi-sorties (MIMO) et multi-entrées une sortie (MISO) sont introduits et entraînés sur des ensembles de données représentant les conditions environnementales et de vol historiques. Ces ensembles de données sont traités à l'aide de méthodes d'optimisation avancées, telles que l'algorithme d'optimisation des baleines (WOA) et l'algorithme Dogleg Trust Region (DTRA), afin d'affiner l'extraction des paramètres du système PV et d'améliorer la précision prédictive des modèles dans des scénarios de vol dynamiques.
L'étude examine également le problème critique du givrage atmosphérique en vol, qui obstrue la lumière du soleil et affecte les performances du module PV. En segmentant la courbe de fonctionnement du module PV en zones couvertes de glace et zones normales, un cadre computationnel est développé pour modéliser l'impact du givrage, en intégrant ses effets dans les calculs d'irradiance. Des méthodes avancées d'intelligence computationnelle sont utilisées pour prédire les performances du module PV dans des conditions telles que l'ombrage partiel et les variations de lumière dues au mouvement de l'UAV.
Cette approche intégrée fournit des méthodologies robustes pour modéliser et optimiser les systèmes PV intégrés aux UAV, en relevant les défis du mouvement dynamique et des conditions environnementales défavorables, y compris le givrage. Les résultats offrent des perspectives précieuses pour faire progresser les technologies des UAV alimentés par l'énergie solaire et garantir leurs performances fiables dans divers scénarios d'exploitation.

The integration of photovoltaic (PV) systems into unmanned aerial vehicles (UAVs) offers promising advantages, such as enhanced flight endurance and energy efficiency. However, the dynamic and environmental complexities introduced by UAV motion and adverse conditions, such as in-flight icing, necessitate advanced modeling and optimization approaches to investigate the behavior of the UAV-integrated PV module and its optimal performance. This thesis develops a comprehensive framework that addresses these challenges by incorporating a set of analytical, mathematical, optimization, and computational intelligence-based methods.
Using rotational matrix concepts, the tilt and azimuth angles of the PV module are calculated based on the UAV's yaw, pitch, and roll angles, while the Grey Wolf Optimization algorithm is employed to adaptively adjust the PV module's ideality factor. This enables accurate prediction of the maximum power point (MPP) under real-time operational conditions. Additionally, multi-input multi-output (MIMO) and multi-input single-output (MISO) ML models are introduced, trained on datasets representing historical environmental and flight-condition data. These datasets are processed using advanced optimization methods, such as the Whale Optimization Algorithm (WOA) and Dogleg Trust Region Algorithm (DTRA), to extract moving PV system parameters for various conditions.
The thesis further examines the critical issue of atmospheric in-flight icing, which obstructs sunlight and affects the UAV-integrated PV module's performance. By segmenting the operational curve of the PV module into ice-covered and normal zones, a computational framework is developed to model the impact of icing, incorporating its effects into irradiance calculations. Advanced computational intelligence methods are used to predict PV performance under conditions such as partial shading and sunlight variations induced by UAV movement. This integrated approach provides robust methodologies for modeling and optimizing UAV-integrated PV systems, addressing the challenges of dynamic movement and icing condition simultaneously. The results offer valuable insights for advancing solar-powered UAV technologies and ensuring their reliable performance in diverse operating scenarios.

Type de document:	Thèse, mémoire ou essai de 2e et 3e cycle (Thèse)
Directeur de mémoire/thèse:	Taheri, Shamsodin
Co-directeurs de mémoire/thèse:	Cretu, Ana-Maria
Départements et école, unités de recherche et services:	Informatique et ingénierie
Date de dépôt:	23 oct. 2026 14:06
Dernière modification:	23 oct. 2026 14:06
URI:	https://di.uqo.ca/id/eprint/2031

Gestion Actions (Identification requise)

Éditer la notice