KRÓTKOTERMINOWE PROGNOZOWANIE PRODUKCJI ENERGII ELEKTRYCZNEJ W SYSTEMACH FOTOWOLTAICZNYCH
|
|
- Oskar Sikorski
- 7 lat temu
- Przeglądów:
Transkrypt
1 KRÓTKOTERMINOWE PROGNOZOWANIE PRODUKJI ENERGII ELEKTRYZNEJ W SYSTEMAH FOTOWOLTAIZNYH Autorzy: Jacek Wasilewski, Dariusz Baczyński ( Rynek Energii październik 2) Słowa kluczowe: prognozowanie produkcji energii elektrycznej, system fotowoltaiczny, sieć neuronowa Streszczenie. Przedstawiono problematykę krótkoterminowego prognozowania produkcji energii elektrycznej w systemach fotowoltaicznych. Omówiono dwa modele prognostyczne oparte na modelu matematycznym panelu fotowoltaicznego oraz sztucznej sieci neuronowej. Na podstawie danych pogodowych oraz danych pomiarowych z wybranego systemu fotowoltaicznego typu on-grid, wykonano testy omawianych modeli prognostycznych wraz ze stosownym komentarzem. WSTĘP Najbardziej rozpowszechnioną w Polsce technologią OZE w zakresie generacji energii elektrycznej są: biomasa, elektrownie wodne, elektrownie wiatrowe, a na ostatnim miejscu plasują się systemy fotowoltaiczne [2]. Te ostatnie, pomimo ich niewątpliwych zalet, tj.: brak emisji hałasu, wysoka estetyka i niezawodność, charakteryzują się wciąż wysokim kosztem wyprodukowania jednostki energii. Fakt ten wynika z aktualnych mechanizmów prawnych, w których nie faworyzuje się żadnej z technologii OZE, lecz tylko wolumen wyprodukowanej energii w postaci świadectw pochodzenia. Zatem, inwestycje w OZE czynione są w Polsce przede wszystkim w elektrownie wiatrowe, charakteryzujące się najniższym kosztem jednostkowym. Mimo, że Polityka Energetyczna Polski do 23r. nie przewiduje znaczącego wzrostu mocy zainstalowanej systemów fotowoltaicznych (2 MW w 22r., 6 MW w 22r., 32 MW w 23r.), to wprowadzenie systemu taryf feed-in, dofinansowania inwestycji, ulg podatkowych, kredytów preferencyjnych czy rozwój przemysłu fotowoltaicznego i ośrodków B+R w kraju wydają się właściwymi krokami w celu zwiększenia udziału fotowoltaiki w krajowym w bilansie energetycznym KSE. Rozwój OZE, w tym fotowoltaiki jest jednym z czynników zmieniających paradygmat sieci elektroenergetycznych w kierunku koncepcji sieci inteligentnych ( smart grid ), w których będzie miało miejsce sterowanie pracą i konfiguracją sieci, w taki sposób, aby zminimalizować koszty zmienne pracy sieci (przede wszystkim wynikające ze strat), przy zachowaniu szeregu wymagań technicznych. Tego typu sterowanie wymaga opracowywania krótkoterminowych prognoz (z kwantem -min lub -h) z wyprzedzeniem do 24 h zarówno zapotrzebowania na energię w węzłach odbiorczych, jak również produkcji energii przez OZE, których poziom generacji ściśle zależy od warunków pogodowych. W niniejszym artykule autorzy skupili się na omówieniu i przetestowaniu dwóch modeli prognostycznych dla produkcji energii w systemach fotowoltaicznych, a mianowicie modelu matematycznego panelu fotowoltaicznego (modelowanie zjawisk fizycznych w ogniwach fotowoltaicznych) oraz sztucznych sieci neuronowych. 2. MODELE PROGNOSTYZNE W celu otrzymania danych pogodowych na godzinę, na którą ma być wyznaczona prognoza generacji energii elektrycznej, korzysta się z modeli numerycznych, np. GFS (Global Forecasting System Globalny System Prognostyczny), amerykańskiej służby meteorologicznej. Prognoza pogody z tego typu modelu jest wyznaczana dla dowolnej lokalizacji geograficznej, co 6 godzin z wyprzedzeniem do 48 h.
2 Panel fotowoltaiczny (PF) jest to zintegrowany konstrukcyjnie zestaw (szeregowo i/lub równolegle połączonych) ogniw fotowoltaicznych (OF) przetwarzających energię promieniowania słonecznego na energię elektryczną. Moc generowaną przez PF składający się z N M szeregowo-równolegle połączonych OF można wyrazić wzorem [3] P PF = N = U M M I M = N M U I I t ln U G + O U + 3( ϑ + 2G ϑ ) + I SPV R I = gdzie U M napięcie PF, V, I M prąd PF, A, U napięcie pojedynczego OF, V, I prąd OF, A, G nasłonecznienie, W/m 2 t, U napięcie generacji termicznej, V, U O napięcie jałowe ogniwa (warunki standardowe), V, ϑ temperatura otoczenia (powietrza),, ϑ temperatura ogniwa (warunki standardowe),, R SPV rezystancja szeregowa modelu OF, Ω, 2, 2, 3, stałe., () Poszczególne wielkości wyrażenia () oparte są na uproszczonym modelu OF (rys. ) i wyznacza się je na podstawie danych producenta PF, tj.: moc maksymalna panelu P M MAX, maksymalny prąd zwarcia I M S, napięcie jałowe baterii U M O. Notacja oznacza parametry PF podawane dla warunków standardowych, tj.: nasłonecznienie: G = W/m2, temperatura ogniwa: ϑ = 2. Rys. 2. Uproszczony schemat zastępczy ogniwa fotowoltaicznego W obecnych rozwiązaniach układy sterujące pracą PF utrzymują optymalny punkt pracy (U, I ), przy którym moc generowana przez pojedyncze ogniwa jest maksymalna (technologia MPPT). Ponieważ napięcie ogniwa jest funkcją prądu ogniwa, problem sprowadza się do znalezienia optymalnej wartości I opt, dla której I S { P : I I } max. (2)
3 Funkcja opisana w formułą () jest różniczkowalna w zakresie I I S, zatem zadanie optymalizacji sprowadza się do rozwiązania równania względem pochodnej wyrażenia (). Zatem, model prognostyczny opisany w wyrażeniu () można w ogólności przedstawić jako następującą zależność: A * * ( ϑ ) * t g G t, t =, (3) gdzie: A * t prognoza produkcji energii w przedziale czasowym < t-, t > (w tym przypadku przyjmuje się przedział godzinowy), G * t prognoza napromieniowania słonecznego w tym samym przedziale czasu, ϑ * t prognoza średniej temperatury powietrza w rozważanym przedziale czasu. Rozpatrywany model prognostyczny (przy zakładanym modelu pogodowym) może być używany zarówno do prognoz godzinę naprzód h+, jak również na dzień naprzód d+ ( h+k, gdzie k =,, 24). Kolejnym rozważanym modelem prognostycznym jest sztuczna sieć neuronowa (SSN) typu perceptron wielowarstwowy, w której wyjścia poprzedniej warstwy łączą się z wejściami kolejnej. Przykładową SSN typu perceptron dwuwarstwowy (jedna warstwa ukryta) pokazano na rysunku 2. x x2 w' w' w ' 2 w ' j w' N v v2 w'' w'' w'' 2 w '' i w'' K y y k xj vi x N w 'KN w'k vk w''mk w '' M y M Rys. 2. Sztuczna sieć neuronowa typu perceptron dwuwarstwowy Sygnały wyjściowe w poszczególnych warstwach wynoszą odpowiednio: y k f K N v i = f w' ij x j (4) j= N w' ' ki f w' ij x j, () j = i= = gdzie: v i i-ty sygnał w warstwie ukrytej, y k k-ty sygnał w warstwie wyjściowej, x j j-ty sygnał wejściowy, f funkcja aktywacji neuronu, w ij waga j-tego wejścia w i-tym neuronie w warstwie ukrytej, w ki waga i-tego wejścia w k-tym neuronie w warstwie wyjściowej, N liczba neuronów w warstwie ukrytej, K liczba neuronów w warstwie wyjściowej.
4 Aby SSN była użyteczna dla celów predykcji, dla danej architektury SSN (zbioru wejść, liczby warstw oraz neuronów w każdej z nich) należy otrzymać jej optymalną konfigurację (dobór wartości wag). W tym celu proponuje się wykorzystanie algorytmu wstecznej propagacji błędu, jako podstawowego algorytmu uczenia wielowarstwowych jednokierunkowych SSN [6]. Dla wektora uczącego [x, d] = [x,,x i,,x N, d,,d k,,d M ] T, adaptacja wektora wag przebiega zgodnie z zależnościami: w ( k +) = w( k) = η E( w) w + w przy czym funkcję celu definiuje się w następujący sposób [6]: (6) M K N ( ) = = = E w = f w'' ki f w' ij x j dk (7) 2 k i j 2 Modele prognostyczne oparte na SSN należy rozważać oddzielnie dla prognoz h+ oraz d+. Aby określić zasadność stosowania zaawansowanych modeli prognostycznych, należy przyjąć pewien model odniesienia, który powinien być możliwie najprostszy. Takim modelem jest model naiwny, przy czym rozważa się jego dwie postacie, a mianowicie: * t = A t A (8) * t = A t 24 A. (9) 3. WERYFIKAJA MODELI PROGNOSTYZNYH Obiektem weryfikacji opisanych w poprzednim rozdziale modeli prognostycznych jest zestaw paneli fotowoltaicznych o mocy ok. 9, kw zainstalowanych na budynku Gmachu Inżynierii Środowiska Politechniki Warszawskiej. Badany system fotowoltaiczny jest podłączony do sieci spółki dystrybucyjnej. Jego szczegółowe dane podano w tabeli. Tabela Wybrane parametry badanego systemu fotowoltaicznego Moc, kw Typ OF Liczba PF Azymut Nachylenie 4,7 ASIOPAK 3-SG 26 9,288 ASIOPAK 3-SG 4 3,288 ASIOPAK 3-SG 4 3,288 ASIOPAK 3-SG 4 3,288 ASIOPAK 3-SG 4 3,932 ASIOPAK 3-SG 6 3,932 ASIOPAK 3-SG 6 3 3,2 K2GHT ,2 K2GHT Dostępne są dane pomiarowe odnośnie produkowanej przez system fotowoltaiczny godzinowej energii dla okresów styczeń-luty oraz lipiec-grudzień 2. Ponieważ rozpatruje się dane historyczne, możliwe było otrzymanie jedynie danych pogodowych estymowanych dla lokalizacji przestrzennej badanego zestawu PF. Tego typu dane autorzy postanowili po-
5 traktować jako prognozowane dane pogodowe. Zatem, dostępne są z kwantem godzinowym następujące dane pogodowe: temperatura powietrza, ciśnienie powietrza, zachmurzenie, nasłonecznienie, prędkość wiatru, kierunek wiatru, poziom opadów. Należy zaznaczyć, że prognozowane nasłonecznienie jest podawane dla płaszczyzny poziomej, przy czym badane pola (2-9) nachylone są pod kątem 3, a pole pod kątem 9. W celu oceny jakości modeli prognostycznych oraz ich porównania wyznacza się błąd nrmse (ang. normalized root mean square error), obliczany jako n * ( At At ) i= nrmse =, () P n r gdzie n liczba próbek pomiarowych, P r moc zainstalowana systemu fotowoltaicznego 2 Przebiegi produkcji energii (mocy średniej godzinowej) otrzymanych z modelu matematycznego PF i rzeczywiste oraz różnice tych przebiegów dla wybranych dni w miesiącach luty i lipiec przedstawiono na rys. 3. a) Moc [kw] prognoza pomiar b) e(t) [kw] Moc [kw] e(t) [kw] Rys. 3. Rzeczywista vs. prognozowana modelem matematycznym PF produkcja energii: a) luty, b) lipiec W obu przypadkach widać przeszacowanie produkcji prognozowanej przez model w stosunku do rzeczywistego przebiegu. W miesiącach letnich (np. lipiec), słońce jest bliżej pozycji zenitu i promieniowanie słoneczne padające na płaszczyznę horyzontalną jest większe niż dla płaszczyzny nachylonej pod kątem 3 i tym bardziej dla płaszczyzny usytuowanej pionowo. Zatem prognoza produkcji będzie z natury większa niż faktyczna generacja przez badany system fotowoltaiczny. Obserwując przebiegi dla wybranych dni w lutym, występuje podobna sytuacja, jak dla lipca, lecz przyczyna takiego faktu musi być inna. Można sądzić, że zalegający śnieg (zaobserwowano duże ilości opadów) i/lub zanieczyszcze-
6 nia (badany system fotowoltaiczny jest zlokalizowany w ścisłym centrum Warszawy) mogły spowodować mniejszą produkcję energii elektrycznej. Obliczony błąd nrmse dla otrzymanych prognoz wynosi 7,%. Ponieważ w godzinach między zachodem i wschodem słońca można stwierdzić, że generacja jest zerowa, jakość modelu prognostycznego należy jednocześnie rozważać przy uwzględnieniu godzin dziennych (między wschodem i zachodem słońca). W tym przypadku błąd nrmse wynosi,2%. Przetestowano 42 różne struktury (architektury) SSN, zarówno dla modeli h+, jak również d+. Badano wpływ rodzaju wejść sieci, liczbę warstw oraz neuronów w każdej z nich. Zbiór danych historycznych podzielono odpowiednio na zbiór danych uczących i testowych w proporcji odpowiednio ok. 73% i 27%. Podział ten dotyczy każdego z rozważanych miesięcy, przy czym dane testujące podawane są po danych uczących. Uczenie (dobór wag) przeprowadzono dla różnych punktów startowych generatora liczb losowych przy następujących wartościach parametrów uczenia: początkowy współczynnik uczenia:,, współczynnik momentum:,8, liczba epok: 3, próg czułości adaptacyjnego mechanizmu doboru współczynnika uczenia:,, ograniczenie dolne adaptacyjnego mechanizmu doboru współczynnika uczenia:,7, ograniczenie górne adaptacyjnego mechanizmu doboru współczynnika uczenia:,, tasowanie faktów co epok, pierwsze zakłócenie wag po 7 epokach, następne po 3 epokach. W celu uniknięcia okresowości podawania danych uczących, jak również osiągnięcia przedwczesnej zbieżności w procesie uczenia SSN (utknięcia w minimum lokalnym funkcji celu), stosuje się odpowiednio tasowanie faktów oraz zakłócanie wag. Uzyskane struktury sieci przedstawiono w tabeli 2. Symbol w tabeli 2 oznacza daną z momentu, na który wykonywana jest prognoza, Symbol - oznacza daną wziętą z godziny przed momentem, na który wykonywana jest prognoza, itd. Otrzymane struktury SSN są sieciami trójwarstwowymi, w których dla prognozy h+ wektor wejściowy x zawiera dziewięć elementów, z kolei dla prognozy d+, wektor x jest dwunastoelementowy. Wektor wyjściowy y (wektor uczący d) jest w obu przypadkach jednoelementowy i oznacza produkcję energii w momencie. Tabela 2 Struktury i wyniki uczenia najlepszych SSN Parametry Rodzaj prognozy h+ d+ Energia Nasłonecznienie -, -24, Temperatura -24, Zachmurzenie -24, Wiatr Opady, - Długość dnia Wejścia SSN
7 Numer godziny Liczba neuronów w warstwie 4 7 Liczba neuronów w warstwie 2 4 Liczba neuronów w warstwie Błąd uczenia 8,8%,2% Błąd testowania 8,2% 8,7% Na rysunku 4 przedstawiono otrzymane z modelu SSN h+ oraz rzeczywiste przebiegi mocy generowanej przez system fotowoltaiczny. a) Moc [kw] prognoza pomiar e(t) [kw] b) Moc [kw] e(t) [kw] Rys. 4. Rzeczywista vs. prognozowana siecią neuronową produkcja energii: a) luty, b) lipiec Porównując przebiegi z rysunków 3 i 4 można zaobserwować lepsze zachowanie SSN w stosunku do modelu matematycznego PF. Wartości obliczonych błędów nrmse przedstawiono w tabeli 3. Rodzaj prognozy Tabela 3 Wartości błędów dla modelu SSN nrmse doba) (cała h+ 3,69% 4,48% d+ 4,7% 4,96% nrmse (bez godzin nocnych)
8 Dla przedstawionych modeli naiwnych (8, 9) obliczono błędy nrmse, których wartości przedstawiono w tabeli 4. Rodzaj prognozy Tabela 4 Wartości błędów dla modelu naiwnego nrmse doba) (cała h+ 6,79% 9,62% d+,8% 6,72% nrmse (bez godzin nocnych) Należy zwrócić szczególną uwagę na mniejszą wartość błędu nrmse dla prognoz typu h+ modelu naiwnego w porównaniu z modelem matematycznym PF. Model naiwny (8) opiera się na modelu Markowa, który dość dobrze opisuje wielkość produkowanej energii z systemów fotowoltaicznych []. 4. PODSUMOWANIE Przeanalizowano dwa najpopularniejsze modele do wykonywania krótkoterminowych prognoz produkcji energii w systemach fotowoltaicznych [4, 8] w odniesieniu do modelu referencyjnego (modelu naiwnego). Widoczna jest przede wszystkim niedostateczna jakość prognozowania modelu matematycznego PF w stosunku do SSN, czy nawet do modelu naiwnego. W dalszych pracach, autorzy zamierzają się skupić na testowaniu różnych modeli prognostycznych w oparciu o faktyczne prognozy pogody GFS, weryfikując je jednocześnie z danymi pomiarowymi pochodzącymi z miejscowej stacji meteorologicznej. LITERATURA [] Directive 29/28/E of the European Parlament and of the ouncil of 23 April 29 on the promotion of electricity produced from renewable energy sources and amending and subsequently repealing Directives 2/77/E and 23/3/E. Official Journal of the European Union, L 4/ [2] Główny Urząd Statystyczny, Energia ze źródeł odnawialnych w 29 R., Informacje i Opracowania Statystyczne, Warszawa 2. [3] Hansen A.D., Sørensen P., Hansen L.H., Binder H.: Models for a Stand-Alone PV System. Risø National Laboratory (2), Roskilde. [4] Huang Y., Lu J., Liu ; Xu X., Wang W., Zhou X.: omparative Study of Power Forecasting Methods for PV Stations. 2 International onference on Power System Technology, Oct. 2, Hangzhou, hina. [] Li Y., Niu J.: Forecast of Power Generation for Grid-onnected Photovoltaic System Based on Markow hain. 29 Asia-Pacific Power and Energy Engineering onference APPEE, 27-3 March 29, Wuhan, hina.
9 [6] Osowski S.: Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej (2), Warszawa. [7] Risser V. V., Fuentes M. K.: Linear regression analysis of flat-plate photovoltaic system performance data. Proceedings of the th EPV Solar Energy onference (984), Athens, Greece, [8] Yona A., Senjyu T., Saber A.Y., Funabashi T., Sekine H., Kim.-H.: Application of neural network to 24-hour-ahead generating power forecasting for PV system. PES General Meeting 28, 2-24 July 28, Pittsburgh, U.S. Autorzy dziękują entrum Fotowoltaiki Wydziału EiTI Politechniki Warszawskiej za udostępnienie danych pomiarowych badanego systemu fotowoltaicznego. SHORT-TERM FOREASTING OF ELETRI ENERGY PRODUTION FOR PHOTOVOLTAI SYSTEMS Keywords: forecasting of electric energy, photovoltaic system, artificial neural network Sumamry. Selected issues of short-term electric energy production forecasting for photovoltaic systems have been presented. Two prediction models based on a mathematical model of photovoltaic module as well as artificial neural network have been tested. Using both numerical weather data and measurement data obtained for the specific on-grid PV system the considered prediction models have been tested. The obtained results have been discussed. Jacek Wasilewski, mgr inż., Politechnika Warszawska, Instytut Elektroenergetyki, ul. Koszykowa 7, -662 Warszawa, jacek.wasilewski@ien.pw.edu.pl Dariusz Baczyński, dr inż., Politechnika Warszawska, Instytut Elektroenergetyki, ul. Koszykowa 7, -662 Warszawa, dariusz.baczynski@ien.pw.edu.pl
KRÓTKOTERMINOWE PROGNOZOWANIE PRODUKCJI ENERGII ELEKTRYCZNEJ W SYSTEMACH FOTOWOLTAICZNYCH
Nr (96) - 2 Rynek Energii Str. 47 KRÓTKOTERNOWE PROGNOZOWANE PRODUKJ ENERG ELEKTRYZNEJ W SYSTEAH FOTOWOLTAZNYH Jacek Wasilewski, Dariusz Baczyński Słowa kluczowe: prognozowanie produkcji energii elektrycznej,
Bardziej szczegółowoSztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Bardziej szczegółowoBADANIA MODELOWE OGNIW SŁONECZNYCH
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 70 Electrical Engineering 2012 Bartosz CERAN* BADANIA MODELOWE OGNIW SŁONECZNYCH W artykule przedstawiono model matematyczny modułu fotowoltaicznego.
Bardziej szczegółowoInteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe
Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe Trening jednokierunkowych sieci neuronowych wykład 2. dr inż. PawełŻwan Katedra Systemów Multimedialnych Politechnika Gdańska
Bardziej szczegółowoRegionalny Program Operacyjny Województwa Podlaskiego na lata Oś Priorytetowa V. Gospodarka niskoemisyjna
Regionalny Program Operacyjny Województwa Podlaskiego na lata 2014-2020 Oś Priorytetowa V. Gospodarka niskoemisyjna Działanie 5.1 Energetyka oparta na odnawialnych źródłach energii Możliwość skorzystania
Bardziej szczegółowoAnaliza doboru zmiennych w zadaniu prognozowania ultrakrótkoterminowego produkcji energii elektrycznej w systemach fotowoltaicznych
Paweł PIOTROWSKI Politechnika Warszawska, Instytut Elektroenergetyki Analiza doboru zmiennych w zadaniu prognozowania ultrakrótkoterminowego produkcji energii elektrycznej w systemach fotowoltaicznych
Bardziej szczegółowoBadanie baterii słonecznych w zależności od natężenia światła
POLITECHNIKA WARSZAWSKA Instytut Elektroenergetyki, Zakład Elektrowni i Gospodarki Elektroenergetycznej Przemiany energii laboratorium Ćwiczenie Badanie baterii słonecznych w zależności od natężenia światła
Bardziej szczegółowoInstalacja fotowoltaiczna o mocy 36,6 kw na dachu oficyny ratusza w Żywcu.
Przedsiębiorstwo VOTRE Projekt Sp. z o.o. Henryka Pobożnego 1/16 Strzelce Opolskie Polska Osoba kontaktowa: Kamil Brudny Telefon: 533-161-381 E-mail: k.brudny@votreprojekt.pl Klient Urząd Miast Żywiec
Bardziej szczegółowoWpływ czynników atmosferycznych na zmienność zużycia energii elektrycznej Influence of Weather on the Variability of the Electricity Consumption
Wpływ czynników atmosferycznych na zmienność zużycia energii elektrycznej Influence of Weather on the Variability of the Electricity Consumption Wojciech Zalewski Politechnika Białostocka, Wydział Zarządzania,
Bardziej szczegółowoDEKOMPOZYCJA HIERARCHICZNEJ STRUKTURY SZTUCZNEJ SIECI NEURONOWEJ I ALGORYTM KOORDYNACJI
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 80 Electrical Engineering 2014 Stanisław PŁACZEK* DEKOMPOZYCJA HIERARCHICZNEJ STRUKTURY SZTUCZNEJ SIECI NEURONOWEJ I ALGORYTM KOORDYNACJI W artykule
Bardziej szczegółowoPrognozowanie produkcji energii elektrycznej w systemach fotowoltaicznych
ARTYKUŁY NAUKOWE ASO.A.9(1)/2017.285-296 Grzegorz DRAŁUS * Zbigniew GOMÓŁKA ** Prognozowanie produkcji energii elektrycznej w systemach fotowoltaicznych Forecasting electrical energy in photovoltaic systems
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoWYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII
WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII Autor: Katarzyna Halicka ( Rynek Energii nr 1/2010) Słowa kluczowe: giełda energii, prognozowanie cen energii elektrycznej,
Bardziej szczegółowoMODELOWANIE NEURONALNE ROZWOJU SYSTEMU ELEKTROENERGETYCZNEGO. CZĘŚĆ 2. MODELE SYSTEMU IEEE RTS
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 82 Electrical Engineering 2015 Jerzy TCHÓRZEWSKI* Maciej PYTEL ** MODELOWANIE NEURONALNE ROZWOJU SYSTEMU ELEKTROENERGETYCZNEGO. CZĘŚĆ 2. MODELE SYSTEMU
Bardziej szczegółowoZastosowania sieci neuronowych
Zastosowania sieci neuronowych aproksymacja LABORKA Piotr Ciskowski zadanie 1. aproksymacja funkcji odległość punktów źródło: Żurada i in. Sztuczne sieci neuronowe, przykład 4.4, str. 137 Naucz sieć taką
Bardziej szczegółowoInstalacje fotowoltaiczne
Instalacje fotowoltaiczne mgr inż. Janusz Niewiadomski Eurotherm Technika Grzewcza Energia słoneczna - parametry 1 parametr : Promieniowanie słoneczne całkowite W/m 2 1000 W/m 2 700 W/m 2 300 W/m 2 50
Bardziej szczegółowoWYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)
WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO Stanisław Kowalik (Poland, Gliwice) 1. Wprowadzenie Wstrząsy podziemne i tąpania występujące w kopalniach
Bardziej szczegółowoBudowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne
Bardziej szczegółowoTemat: Sztuczne Sieci Neuronowe. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Sztuczne Sieci Neuronowe Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sztuczne sieci neuronowe
Bardziej szczegółowoPROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH**
Górnictwo i Geoinżynieria Rok 31 Zeszyt 3 2007 Dorota Pawluś* PROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH** 1. Wstęp Eksploatacja górnicza złóż ma niekorzystny wpływ na powierzchnię
Bardziej szczegółowoSystem fotowoltaiczny Moc znamionowa równa 2 kwp nazwa projektu: Raport techniczny
System fotowoltaiczny Moc znamionowa równa 2 kwp nazwa projektu: Zlokalizowany w woj. podkarpackie Klient - () Raport techniczny Grupa O5 Sp. z o.o. Starzyńskiego 11 - Rzeszów () Data: Rzeszów, 2015-03-08
Bardziej szczegółowoMetody Sztucznej Inteligencji II
17 marca 2013 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką, która jest w stanie odbierać i przekazywać sygnały elektryczne. Neuron działanie Jeżeli wartość sygnału
Bardziej szczegółowoDOŚWIADCZENIA EKSPLOATACYJNE INSTALACJI Z OGNIWAMI PV
Budownictwo o Zoptymalizowanym Potencjale Energetycznym 2(20) 2017, s. 115-120 DOI: 10.17512/bozpe.2017.2.15 Arkadiusz GUŻDA, Norbert SZMOLKE Politechnika Opolska, Wydział Mechaniczny DOŚWIADCZENIA EKSPLOATACYJNE
Bardziej szczegółowoWypieranie CO 2 z obszaru energetyki WEK za pomocą technologii OZE/URE. Paweł Kucharczyk Pawel.Kucharczyk@polsl.pl. Gliwice, 28 czerwca 2011 r.
Politechnika Śląska Instytut Elektroenergetyki i Sterowania Układów Wypieranie CO 2 z obszaru energetyki WEK za pomocą technologii OZE/URE Paweł Kucharczyk Pawel.Kucharczyk@polsl.pl Gliwice, 28 czerwca
Bardziej szczegółowoAlgorytmy sztucznej inteligencji
Algorytmy sztucznej inteligencji Dynamiczne sieci neuronowe 1 Zapis macierzowy sieci neuronowych Poniżej omówione zostaną części składowe sieci neuronowych i metoda ich zapisu za pomocą macierzy. Obliczenia
Bardziej szczegółowoPROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH
InŜynieria Rolnicza 14/2005 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH Streszczenie W
Bardziej szczegółowoĆwiczenie 2 WSPÓŁPRACA JEDNAKOWYCH OGNIW FOTOWOLTAICZNYCH W RÓŻNYCH KONFIGURACJACH POŁĄCZEŃ. Opis stanowiska pomiarowego. Przebieg ćwiczenia
Ćwiczenie WSPÓŁPRACA JEDNAKOWYCH OGNIW FOTOWOLTAICZNYCH W RÓŻNYCH KONFIGURACJACH POŁĄCZEŃ Opis stanowiska pomiarowego Stanowisko do analizy współpracy jednakowych ogniw fotowoltaicznych w różnych konfiguracjach
Bardziej szczegółowoZAŁĄCZNIK NR 10 Symulacja uzysku rocznego dla budynku stacji transformatorowej
ZAŁĄCZNIK NR 10 Symulacja uzysku rocznego dla budynku stacji transformatorowej Podłączona do sieci instalacja fotowoltaiczna (PV) Dane klimatyczne Warszawa, POL (1991-2010) Moc generatora PV 9,57 kwp Powierzchnia
Bardziej szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoPrzedsiębiorstwo. Klient. Projekt
Przedsiębiorstwo SIG Energia Ul.Przemyska 24 E 38-500 Sanok Polska Osoba kontaktowa: Adam Mazur Klient Projekt 3D, Instalacja PV podłączona do sieci - Pełne zasilanie Dane klimatyczne Moc generatora PV
Bardziej szczegółowoANALIZA EKSPLOATACJI INSTALACJI FOTOWOLTAICZNEJ Z MODUŁAMI STAŁYMI I NA TRACKERZE
ANALIZA EKSPLOATACJI INSTALACJI FOTOWOLTAICZNEJ Z MODUŁAMI STAŁYMI I NA TRACKERZE Wojciech Trzasko Wydział Elektryczny Politechnika Białostocka e-mail: w.trzasko@pb.edu.pl 09.11.2016 EPwWZR Plan Wprowadzenie
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład III. Modele sieci neuronowych.
Wstęp do teorii sztucznej inteligencji Wykład III Modele sieci neuronowych. 1 Perceptron model najprostzszy przypomnienie Schemat neuronu opracowany przez McCullocha i Pittsa w 1943 roku. Przykład funkcji
Bardziej szczegółowoPrzedsiębiorstwo. Projekt. Projekt instalacji fotowoltaicznej. R-Bud. Osoba kontaktowa: Anna Romaniuk
Przedsiębiorstwo R-Bud Osoba kontaktowa: Anna Romaniuk Projekt Adres: ul. Reymonta 3 21-500 Biała Podlaska Data wprowadzenia do eksploatacji: 2017-05-17 Opis projektu: 1 3D, Podłączona do sieci instalacja
Bardziej szczegółowoUczenie sieci typu MLP
Uczenie sieci typu MLP Przypomnienie budowa sieci typu MLP Przypomnienie budowy neuronu Neuron ze skokową funkcją aktywacji jest zły!!! Powszechnie stosuje -> modele z sigmoidalną funkcją aktywacji - współczynnik
Bardziej szczegółowoRegionalny Program Operacyjny Województwa Mazowieckiego na lata
Regionalny Program Operacyjny Województwa Mazowieckiego na lata 2014-2020 Działanie 4.1 Odnawialne źródła energii Typ projektów Infrastruktura do produkcji i dystrybucji energii ze źródeł odnawialnych.
Bardziej szczegółowoPrzedsiębiorstwo. Klient. Projekt. Laminer. Wprowadź w Opcje > Dane użytkownika. Laminer
Przedsiębiorstwo Wprowadź w Opcje > Dane użytkownika. Klient Projekt Adres: Data wprowadzenia do eksploatacji: 2017-02-01 Opis projektu: 1 3D, Podłączona do sieci instalacja fotowoltaiczna (PV) Dane klimatyczne
Bardziej szczegółowoPOLITECHNIKA WARSZAWSKA Wydział Elektryczny Instytut Elektroenergetyki Zakład Elektrowni i Gospodarki Elektroenergetycznej
POLITECHNIKA WARSZAWSKA Wydział Elektryczny Instytut Elektroenergetyki Zakład Elektrowni i Gospodarki Elektroenergetycznej INSTRUKCJA DO ĆWICZENIA: BADANIE BATERII SŁONECZNYCH W ZALEśNOŚCI OD NATĘśENIA
Bardziej szczegółowoDobieranie wielkości generatora fotowoltaicznego do mocy falownika.
Dobieranie wielkości generatora fotowoltaicznego do mocy falownika. 1. Cel dokumentu Celem niniejszego dokumentu jest wyjaśnienie, dlaczego konieczne jest przewymiarowanie zainstalowanej mocy części DC
Bardziej szczegółowoIMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ
IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ Celem ćwiczenia jest zapoznanie się ze sposobem działania sieci neuronowych typu MLP (multi-layer perceptron) uczonych nadzorowaną (z nauczycielem,
Bardziej szczegółowoAlgorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta
Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta www.michalbereta.pl Sieci radialne zawsze posiadają jedną warstwę ukrytą, która składa się z neuronów radialnych. Warstwa wyjściowa składa
Bardziej szczegółowoZAŁĄCZNIK NR 09 Symulacja uzysku rocznego dla budynku garażowo-magazynowego
ZAŁĄCZNIK NR 09 Symulacja uzysku rocznego dla budynku garażowo-magazynowego Podłączona do sieci instalacja fotowoltaiczna (PV) Dane klimatyczne Warszawa, POL (1991-2010) Moc generatora PV 18,48 kwp Powierzchnia
Bardziej szczegółowoFotowoltaiczne zestawy On-Grid dla domów prywatnych oraz firm
Fotowoltaiczne zestawy On-Grid dla domów prywatnych oraz firm Dofinansowanie z WFOŚ i GW w Katowicach dla instytucji posiadających osobowość prawną (firmy, urzędy, kościoły) Skorzystaj z częściowego lub
Bardziej szczegółowo8. Neuron z ciągłą funkcją aktywacji.
8. Neuron z ciągłą funkcją aktywacji. W tym ćwiczeniu zapoznamy się z modelem sztucznego neuronu oraz przykładem jego wykorzystania do rozwiązywanie prostego zadania klasyfikacji. Neuron biologiczny i
Bardziej szczegółowoModuł meteorologiczny w serwisie CRIS
Zintegrowana strategia zrównoważonego zarządzania wodami w zlewni Moduł meteorologiczny w serwisie CRIS Czesław Kliś Instytut Ekologii Terenów Uprzemysłowionych Projekt finansowany ze środków funduszy
Bardziej szczegółowoZarządzanie systemem rozproszonych źródeł i magazynów energii na przykładzie Centrum Energii Odnawialnej w Sulechowie
Zarządzanie systemem rozproszonych źródeł i magazynów energii na przykładzie Centrum Energii Odnawialnej w Sulechowie Przez to co robimy budujemy lepsze jutro, wierzymy w inne poszukiwanie rozwiązań.
Bardziej szczegółowoInteligentne systemy przeciw atakom sieciowym
Inteligentne systemy przeciw atakom sieciowym wykład Sztuczne sieci neuronowe (SSN) Joanna Kołodziejczyk 2016 Joanna Kołodziejczyk Inteligentne systemy przeciw atakom sieciowym 2016 1 / 36 Biologiczne
Bardziej szczegółowoZastosowania sieci neuronowych - automatyka identyfikacja sterowanie
Zastosowania sieci neuronowych - automatyka identyfikacja sterowanie LABORKA Piotr Ciskowski ZASTOSOWANIA SIECI NEURONOWYCH IDENTYFIKACJA zastosowania przegląd zastosowania sieci neuronowych: o identyfikacja
Bardziej szczegółowoAnaliza jakości prognoz produkcji energii w elektrowniach wiatrowych opracowanych na podstawie danych meteo z modeli UM i COAMPS
Dariusz BACZYŃSKI, Marcin KOPYT Politechnika Warszawska, Instytut Elektroenergetyki doi:10.15199/48.2017.11.35 Analiza jakości prognoz produkcji energii w elektrowniach wiatrowych opracowanych na podstawie
Bardziej szczegółowoPraktyczne aspekty statycznej estymacji stanu pracy elektroenergetycznych sieci dystrybucyjnych w warunkach krajowych
ZARZĄDZANIE ENERGIĄ I TELEINFORMATYKA, ZET 03 Praktyczne aspekty statycznej estymacji stanu pracy elektroenergetycznych sieci dystrybucyjnych w warunkach krajowych Jacek Wasilewski Politechnika Warszawska
Bardziej szczegółowoHYBRYDOWY SYSTEM ZASILANIA W ENERGIĘ ELEKTRYCZNĄ DOMKÓW REKREACYJNYCH
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 81 Electrical Engineering 2015 Grzegorz TWARDOSZ* Wojciech TWARDOSZ** HYBRYDOWY SYSTEM ZASILANIA W ENERGIĘ ELEKTRYCZNĄ DOMKÓW REKREACYJNYCH W pracy
Bardziej szczegółowoWYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN
Inżynieria Rolnicza 2(9)/7 WYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN Sławomir Francik Katedra Inżynierii Mechanicznej i Agrofizyki, Akademia
Bardziej szczegółowoSymulacja generowania energii z PV
FOTOWOLTAIKA Zasoby energetyczne Zasoby kopalne są ograniczone (50-350 lat) i powodują emisję CO 2, która jest szkodliwa dla środowiska. Fotowoltaika jest w stanie zapewnić energię 3,8 razy większą niż
Bardziej szczegółowoPrognozowanie zanieczyszczeń atmosferycznych przy użyciu sieci neuronowych
Prognozowanie zanieczyszczeń atmosferycznych przy użyciu sieci neuronowych prof. zw. dr hab. inż. Stanisław Osowski dr inż. Krzysztof Siwek Politechnika Warszawska Kontynuacja prac Prace prowadzone w roku
Bardziej szczegółowoPrzedsiębiorstwo. Projekt. Projekt instalacji fotowoltaicznej. P.H.U MARKUS-TEXI Sp.j. Osoba kontaktowa: Marek Drozdowski
Przedsiębiorstwo P.H.U MARKUS-TEXI Sp.j. Osoba kontaktowa: Marek Drozdowski Projekt Adres: ul. Przemysłowa 14 35-105 Rzeszów 3D, Podłączona do sieci instalacja fotowoltaiczna (PV) Dane klimatyczne RZESZOW/JASIONKA
Bardziej szczegółowoPrzedsiębiorstwo. Projekt. Projekt instalacji fotowoltaicznej. P.H.U MARKUS-TEXI Sp.j. Osoba kontaktowa: Marek Drozdowski
Przedsiębiorstwo P.H.U MARKUS-TEXI Sp.j. Osoba kontaktowa: Marek Drozdowski Projekt Adres: ul. Przemysłowa 14 35-105 Rzeszów 3D, Podłączona do sieci instalacja fotowoltaiczna (PV) Dane klimatyczne RZESZOW/JASIONKA
Bardziej szczegółowoMMB Drives 40 Elektrownie wiatrowe
Elektrownie wiatrowe MMB Drives Zbigniew Krzemiński, Prezes Zarządu Elektrownie wiatrowe produkowane przez MMB Drives zostały tak zaprojektowane, aby osiągać wysoki poziom produkcji energii elektrycznej
Bardziej szczegółowoInżynieria Rolnicza 5(114)/2009
Inżynieria Rolnicza 5(114)/2009 MODELE ROZMYTE ZAPOTRZEBOWANIA NA MOC DLA POTRZEB KRÓTKOTERMINOWEGO PROGNOZOWANIA ZUŻYCIA ENERGII ELEKTRYCZNEJ NA WSI CZĘŚĆ I. ALGORYTMY WYZNACZANIA MODELI ROZMYTYCH Jerzy
Bardziej szczegółowoWYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI
WYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskiego 8, 04-703 Warszawa tel. (0)
Bardziej szczegółowoPrognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych.
Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Autorzy: Robert Wojciechowski Michał Denkiewicz Mateusz Gągol Wstęp Celem projektu
Bardziej szczegółowoPodstawy sztucznej inteligencji
wykład 5 Sztuczne sieci neuronowe (SSN) 8 grudnia 2011 Plan wykładu 1 Biologiczne wzorce sztucznej sieci neuronowej 2 3 4 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką,
Bardziej szczegółowoModelowanie układów elektroenergetycznych ze źródłami rozproszonymi. 1. Siłownie wiatrowe 2. Generacja PV
Modelowanie układów elektroenergetycznych ze źródłami rozproszonymi 1. Siłownie wiatrowe 2. Generacja PV Generatory z turbinami wiatrowymi maszyna indukcyjna z wirnikiem klatkowym maszyna indukcyjna pierścieniowa
Bardziej szczegółowoTwój system fotowoltaiczny
Stowarzyszenie Ewangelizacji i Kultury Diecezji Siedleckiej ul. Piłsudskiego 62 08-110 Siedlce Osoba kontaktowa: mgr inż. Grzegorz Twardowski Nr klienta: 04/2019 Tytuł projektu: Mikroinstalacja fotowoltaiczna
Bardziej szczegółowoPrzedsiębiorstwo. Klient. Projekt
Przedsiębiorstwo MULTITECHNIKA 44-144 Nieborowice ul. Krywałdzka 1 Polska Osoba kontaktowa: Zbyszek Wierzbowki Telefon: 32 332-47-69 E-mail: info@woltaika.com Klient Państwowa Szkoła Muzyczna w Zabrzu
Bardziej szczegółowoSieci neuronowe jako sposób na optymalizacje podejmowanych decyzji. Tomasz Karczyoski Wydział W-08 IZ
optymalizacje podejmowanych decyzji Tomasz Karczyoski Wydział W-08 IZ Czym są sieci neuronowe Struktura matematycznych oraz programowy lub sprzętowy model, realizujących obliczenia lub przetwarzanie sygnałów
Bardziej szczegółowoProjekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej szczegółowoSopot, wrzesień 2014 r.
Sopot, wrzesień 2014 r. Fotowoltaika Stanowi jedno z odnawialnych źródeł energii (OZE), które pozwala na bezpośrednią zamianę energii promieniowania słonecznego na prąd elektryczny bez emisji szkodliwych
Bardziej szczegółowoIII Lubelskie Forum Energetyczne. Techniczne aspekty współpracy mikroinstalacji z siecią elektroenergetyczną
III Lubelskie Forum Energetyczne Techniczne aspekty współpracy mikroinstalacji z siecią elektroenergetyczną Grzegorz Klata Dyrektor Centralnej Dyspozycji Mocy Tel. 81 445 1521 e-mail: Grzegorz.Klata@pgedystrybucja.pl
Bardziej szczegółowoDRZEWA REGRESYJNE I LASY LOSOWE JAKO
DRZEWA REGRESYJNE I LASY LOSOWE JAKO NARZĘDZIA PREDYKCJI SZEREGÓW CZASOWYCH Z WAHANIAMI SEZONOWYMI Grzegorz Dudek Instytut Informatyki Wydział Elektryczny Politechnika Częstochowska www.gdudek.el.pcz.pl
Bardziej szczegółowoPrzedsiębiorstwo. Projekt. Projekt instalacji fotowoltaicznej. P.H.U MARKUS-TEXI Sp.j. Osoba kontaktowa: Marek Drozdowski
Przedsiębiorstwo P.H.U MARKUS-TEXI Sp.j. Osoba kontaktowa: Marek Drozdowski Projekt Adres: ul. Przemysłowa 14 35-105 Rzeszów 3D, Podłączona do sieci instalacja fotowoltaiczna (PV) Dane klimatyczne RZESZOW/JASIONKA
Bardziej szczegółowoHAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM
ZASTOSOWANIE SIECI NEURONOWYCH W SYSTEMACH AKTYWNEJ REDUKCJI HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM WPROWADZENIE Zwalczanie hałasu przy pomocy metod aktywnych redukcji hałasu polega
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)
Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia
Bardziej szczegółowoPrzedsiębiorstwo. Projekt. Projekt instalacji fotowoltaicznej. P.H.U MARKUS-TEXI Sp.j. Osoba kontaktowa: Marek Drozdowski
Przedsiębiorstwo P.H.U MARKUS-TEXI Sp.j. Osoba kontaktowa: Marek Drozdowski Projekt Adres: ul. Przemysłowa 14 35-105 Rzeszów 3D, Podłączona do sieci instalacja fotowoltaiczna (PV) Dane klimatyczne RZESZOW/JASIONKA
Bardziej szczegółowoElementy inteligencji obliczeniowej
Elementy inteligencji obliczeniowej Paweł Liskowski Institute of Computing Science, Poznań University of Technology 9 October 2018 1 / 19 Perceptron Perceptron (Rosenblatt, 1957) to najprostsza forma sztucznego
Bardziej szczegółowoPrzedsiębiorstwo. Projekt. Wyciąg z dokumentacji technicznej dla projektu Instalacja fotowoltaiczna w firmie Leszek Jargiło UNILECH Dzwola 82A UNILECH
Wyciąg z dokumentacji technicznej dla projektu Instalacja fotowoltaiczna w firmie Leszek Jargiło UNILECH Dzwola 82A Przedsiębiorstwo UNILECH Dzwola 82A, 23-304 Dzwola Projekt Adres: Dzwola 82A, 23-304
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Bardziej szczegółowoTemat: Sieci neuronowe oraz technologia CUDA
Elbląg, 27.03.2010 Temat: Sieci neuronowe oraz technologia CUDA Przygotował: Mateusz Górny VIII semestr ASiSK Wstęp Sieci neuronowe są to specyficzne struktury danych odzwierciedlające sieć neuronów w
Bardziej szczegółowoTEHACO Sp. z o.o. ul. Barniewicka 66A 80-299 Gdańsk. Ryszard Dawid
TEHACO Sp. z o.o. ul. Barniewicka 66A 80-299 Gdańsk Ryszard Dawid Olsztyn, Konferencja OZE, 23 maja 2012 Firma TEHACO Sp. z o.o. została założona w Gdańsku w 1989 roku -Gdańsk - Bielsko-Biała - Bydgoszcz
Bardziej szczegółowoMONITOROWANIE PARAMETRÓW PRACY HYBRYDOWEGO ODNAWIALNEGO ŹRÓDŁA ENERGII ELEKTRYCZNEJ
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 74 Electrical Engineering 2013 Marek PALUSZCZAK* Wojciech TWARDOSZ** Grzegorz TWARDOSZ*** MONITOROWANIE PARAMETRÓW PRACY HYBRYDOWEGO ODNAWIALNEGO
Bardziej szczegółowoUczenie sieci neuronowych i bayesowskich
Wstęp do metod sztucznej inteligencji www.mat.uni.torun.pl/~piersaj 2009-01-22 Co to jest neuron? Komputer, a mózg komputer mózg Jednostki obliczeniowe 1-4 CPU 10 11 neuronów Pojemność 10 9 b RAM, 10 10
Bardziej szczegółowoZastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym
Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW 17 XII 2013 Jan Karwowski
Bardziej szczegółowoPrognozowanie dobowej produkcji energii elektrycznej przez turbinę wiatrową z horyzontem 1 doby
Dariusz BACZYŃSKI, Paweł PIOTROWSKI Politechnika Warszawska, Instytut Elektroenergetyki Prognozowanie dobowej produkcji energii elektrycznej przez turbinę wiatrową z horyzontem 1 doby Streszczenie. W tekście
Bardziej szczegółowoStreszczenie. Słowa kluczowe: modele neuronowe, parametry ciągników rolniczych
InŜynieria Rolnicza 11/2006 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie METODA PROGNOZOWANIA WARTOŚCI PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH MASZYN ROLNICZYCH
Bardziej szczegółowoĆwiczenie 3 WPŁYW NASŁONECZNIENIA I TECHNOLOGII PRODUKCJI KRZEMOWYCH OGNIW FOTOWOLTAICZNYCH NA ICH WŁASNOŚCI EKSPLOATACYJNE
Ćwiczenie WPŁYW NASŁONECZNIENIA I TECHNOLOGII PRODUKCJI KRZEMOWYCH OGNIW FOTOWOLTAICZNYCH NA ICH WŁASNOŚCI EKSPLOATACYJNE Opis stanowiska pomiarowego Stanowisko do wyznaczania charakterystyk prądowo napięciowych
Bardziej szczegółowoWprowadzenie do Sieci Neuronowych Laboratorium 05 Algorytm wstecznej propagacji błędu
Wprowadzenie do Sieci Neuronowych Laboratorium Algorytm wstecznej propagacji błędu Maja Czoków, Jarosław Piersa --7. Powtórzenie Perceptron sigmoidalny Funkcja sigmoidalna: σ(x) = + exp( c (x p)) () Parametr
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowo3D, Podłączona do sieci instalacja fotowoltaiczna (PV) Dane klimatyczne RZESZOW/JASIONKA ( )
Projekt Adres: WOJSKA POLSKIEGO 3, 39-300 MIELEC Data wprowadzenia do eksploatacji: 2017-02-21 Opis projektu: -PROJEKT INSTALACJI FOTOFOLTAICZNEJ 199,8 KW 3D, Podłączona do sieci instalacja fotowoltaiczna
Bardziej szczegółowoMMB Drives 40 Elektrownie wiatrowe
Elektrownie wiatrowe MMB Drives Zbigniew Krzemiński, Prezes Zarządu Elektrownie wiatrowe produkowane przez MMB Drives zostały tak zaprojektowane, aby osiągać wysoki poziom produkcji energii elektrycznej
Bardziej szczegółowoPrzedszkole w Żywcu. Klient. Osoba kontaktowa: Dariusz ZAGÓL, Projekt
Klient Osoba kontaktowa: Dariusz ZAGÓL, Projekt 3D, Podłączona do sieci instalacja fotowoltaiczna (PV) z urządzeniami elektrycznymi Dane klimatyczne BIELSKO/BIALA ( - ) Moc generatora PV 65 kwp Powierzchnia
Bardziej szczegółowoAnaliza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych sieci neuronowych 4
Wojciech Sikora 1 AGH w Krakowie Grzegorz Wiązania 2 AGH w Krakowie Maksymilian Smolnik 3 AGH w Krakowie Analiza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych
Bardziej szczegółowoPomiary elektryczne modeli laboratoryjnych turbiny wiatrowej i ogniwa PV
Pomiary elektryczne modeli laboratoryjnych turbiny wiatrowej i ogniwa PV Tomasz Jarmuda, Grzegorz Trzmiel, Dorota Typańska 1. Wprowadzenie Odnawialne źródła energii, takie jak wiatr i Słońce, mają coraz
Bardziej szczegółowoEtapy Projektowania Instalacji Fotowoltaicznej. Analiza kosztów
Etapy Projektowania Instalacji Fotowoltaicznej Analiza kosztów Główne składniki systemu fotowoltaicznego 1 m 2 instalacji fotowoltaicznej może dostarczyć rocznie 90-110 kwh energii elektrycznej w warunkach
Bardziej szczegółowoFotowoltaika. Fotowoltaika. dr inż. Paweł Kowalski Viessmann Sp. z o.o. Vitovolt DrKos, Viessmann Sp. z o.o.
dr inż. Paweł Kowalski Viessmann Sp. z o.o. Portret firmy Początki pierwsze kotły stalowe od 1917 roku Johann Viessmann (1879 1956) otwiera w miejscowości Hof swój zakład ślusarski Johann Viessmann (1920r.)
Bardziej szczegółowoProgram BEST_RE. Pakiet zawiera następujące skoroszyty: BEST_RE.xls główny skoroszyt symulacji RES_VIEW.xls skoroszyt wizualizacji wyników obliczeń
Program BEST_RE jest wynikiem prac prowadzonych w ramach Etapu nr 15 strategicznego programu badawczego pt. Zintegrowany system zmniejszenia eksploatacyjnej energochłonności budynków. Zakres prac obejmował
Bardziej szczegółowoTestowanie modeli predykcyjnych
Testowanie modeli predykcyjnych Wstęp Podczas budowy modelu, którego celem jest przewidywanie pewnych wartości na podstawie zbioru danych uczących poważnym problemem jest ocena jakości uczenia i zdolności
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK
1 PROGNOZOWANIE I SYMULACJE 2 http://www.outcome-seo.pl/excel1.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodatek Solver jest dostępny w menu Narzędzia. Jeżeli Solver nie jest
Bardziej szczegółowowiedzy Sieci neuronowe
Metody detekcji uszkodzeń oparte na wiedzy Sieci neuronowe Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 7 Wprowadzenie Okres kształtowania się teorii sztucznych sieci
Bardziej szczegółowoINSTRUKCJA LABORATORYJNA NR 10-PV MODUŁ FOTOWOLTAICZNY
LABORATORIUM ODNAWIALNYCH ŹRÓDEŁ ENERGII Katedra Aparatury i Maszynoznawstwa Chemicznego Wydział Chemiczny Politechniki Gdańskiej INSTRUKCJA LABORATORYJNA NR 10-PV MODUŁ FOTOWOLTAICZNY 1. Cel i zakres
Bardziej szczegółowoSystemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład III 2016/2017
Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład III bogumil.konopka@pwr.edu.pl 2016/2017 Wykład III - plan Regresja logistyczna Ocena skuteczności klasyfikacji Macierze pomyłek Krzywe
Bardziej szczegółowoLiteratura. Sztuczne sieci neuronowe. Przepływ informacji w systemie nerwowym. Budowa i działanie mózgu
Literatura Wykład : Wprowadzenie do sztucznych sieci neuronowych Małgorzata Krętowska Wydział Informatyki Politechnika Białostocka Tadeusiewicz R: Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa
Bardziej szczegółowo