przewidywania zapotrzebowania na moc elektryczn

Transkrypt

1 do Wykorzystanie do na moc elektryczn Instytut Techniki Cieplnej Politechnika Warszawska Slide 1 of 20

2 do Coraz bardziej popularne staj si zagadnienia zwi zane z prac ¹ródªa energii elektrycznej (i cieplnej) w rozproszonym systemie dystrybucji (ang. Distributed Generation). ródªo pracuj ce w rozproszonym systemie dystrybucji energii elektrycznej musz speªnia kilka wymaga«: wysoka sprawno± wytwarzania energii elektrycznej oraz zapewnienie wi kszo±ci potrzeb energetycznych obiektu przy dostarczeniu mo»liwie maªej ilo±ci mediów (np. wyª cznie paliwa) praca w szerokim zakresie obci»e«, du»a szybko± zmian obci»enia, szybki proces rozruchu/odstawienia Slide 2 of 20

3 do prosta obsªuga (najlepszym rozwi zaniem byªaby tzw. bezobsªugowo± ), wysoka trwaªo±. Slide 3 of 20

4 do Nie wszystkie ¹ródªa które s przewidywane do pracy w energetyce rozproszonej s w stanie elastycznie pod»a za zmieniaj cym si obci»eniem. 1. Jedn z bardziej kluczowych kwestii staje si zatem mo»liwo± przewidzenia obci»enia w celu wyeliminowania niepotrzebnych wª cze«urz dzenia. 2. Sztuczne sieci neuronowe mog by bardzo skuteczne jako narz dzia obliczeniowe w rozwi zywaniu takich zada«, z którymi typowe komputery i typowe programy sobie nie radz. 3. W sztucznych sieciach neuronowych obliczenia s wykonywane równolegle, w zwi zku z czym szybko± pracy sieci neuronowych mo»e znacznie przewy»sza szybko± oblicze«sekwencyjnych. Slide 4 of 20

5 do Wykorzystania sztucznych sieci neuronowych (SSN) do na energi elektryczn : 1. przewidywanie prolu obci»enia (caªego systemu energetycznego) dla nast pnych 24 h, dla nast pnej godziny 2. onlinowe przewidywanie obci»enia systemu 3. krótkoterminowe przewidywanie obci»enia elektrycznego oraz na gaz 4. przewidywanie szczytowego na moc elektryczn 5. przewidywanie zu»ycia energii elektrycznej Slide 5 of 20

6 do Mo»liwe dane wej±ciowe: 1. dane pogodowe temperatura wilgotno± wzgl dna caªkowite promieniowanie sªoneczne 2. wska¹niki ekonomiczne produkt narodowy brutto import i eksport stosunek importu do eksportu 3. populacja 4. czas 5. dane historyczne Slide 6 of 20

7 do Rysunek: Slide 7 of 20

8 do nucleus dendrites axon w k, i,1 x k,1 w k, i,2 x k,2 w k, i,3 x k,3 x k, j w k, i, j x = k,0 1 w k, i,0 f y k, i a) synapses b) x k, N k 1 w k, i, N k 1 Rysunek: Schemat neuronu (a) wraz z jego m odpowiednikiem (b) [1] Slide 8 of 20

9 do Rysunek: (25224) w programie MATLAB oparty o sie neuronow jest modelem czarnej skrzynki, który generuje odpowied¹ natychmiast po podaniu odpowiedniej konguracji danych wej±ciowych. Jako podstawowy algorytm uczenia zostaªa przyj ta metoda wstecznej propagacji bª dów (ang. back-propagation) Slide 9 of 20

10 do W przypadku wykorzystywania sztucznych sieci neuronowych uczonych na danych do±wiadczalnych wyst puje niebezpiecze«stwo tzw. przetrenowania sieci (ang. overtting). Oznacza to, i» sie si nauczyªa danych do±wiadczalnych z ponadprzeci tn dokªadno±ci, tak»e staªa si wra»liwa na zakªócenia i bª dy pomiaru. W celu unikni cia tego zjawiska zastosowano mo»liwie prost struktur sieci, tak aby ilo± zastosowanych warstw i neuronów nie pozwalaªa sieci na przetrenowanie. Ilo± neuronów w warstwie ukrytej zostaªa wyznaczona metod prób i bª dów. Przetestowano sieci zawieraj ce od 1 do 25 neuronów w warstwie ukrytej. Slide 10 of 20

11 do przy pomocy Moc[kW] symulacja rzeczywistość Rysunek: Wyniki symulacji dla danych u»ytych do nauki sieci w ukªadzie dla cz ±ci budynku Instytutu Techniki Cieplnej i Stoªówki Centralnej Politechniki Warszawskiej czas Slide 11 of 20

12 do Moc[kW] symulacja rzeczywistość Rysunek: Wyniki symulacji dla danych z innego przedziaªu czasowego ni» dane u»yte do nauki sieci w ukªadzie czas Slide 12 of 20

13 do Moc[kW] symulacja rzeczywistość Rysunek: Wyniki symulacji dla danych u»ytych do nauki sieci w ukªadzie czas Slide 13 of 20

14 do Moc[kW] symulacja rzeczywistość Rysunek: Wyniki symulacji dla danych z innego przedziaªu czasowego ni» dane u»yte do nauki sieci w ukªadzie czas Slide 14 of 20

15 do Moc[kW] symulacja rzeczywistość Figure: Symulacja w porównaniu do jej rzeczywistych warto±ci (ukªad ) czas Slide 15 of 20

16 do Zaproponowano model sªu» cy do na moc elektryczn. Opracowana zostaªa odpowiednia architektura tej sieci pod wzgl dem ilo±ci warstw jak równie» ilo±ci neuronów w poszczególnych warstwach. Dane wej±ciowe do modelu stanowiªy: obci»enie dobowe z dokªadno±ci do 1 h oraz dzie«tygodnia, którego to obci»enie dotyczyªo. Natomiast na wyj±ciach sieci otrzymano przewidywane zapotrzebowanie dla dnia nast pnego. Slide 16 of 20

17 do Sie zostaªa nauczona na danych dotycz cych obci»enia cz ±ci Instytutu Techniki Cieplnej i Stoªówki Centralnej Politechniki Warszawskiej z przedziaªu czasowego od do a przetestowana na danych z przedziaªu od do Najlepsz konguracj okazaªa si , poniewa» daªa ona rozs dne wyniki przy mo»liwie maªej liczbie zastosowanych neuronów. SSN caªkiem dobrze odwzorowuje zapotrzebowanie na moc elektryczn, jednak»e sie nie jest w stanie przewidzie nagªych, chwilowych skoków obci»enia, które jak wiadomo zale»ne s w gªównej mierze od czynnika ludzkiego. Slide 17 of 20

18 do Sztuczna sie neuronowa dobrze sprawdza si w odwzorowywaniu procesów, które cechuj si jak kolwiek logik, bez konieczno±ci znajomo±ci praw rz dz cych tymi procesami. Slide 18 of 20

19 do Literatura H. Demuth, M. Beale, and M. Hagan, Neural network toolbox TM 6 user's guide matlab R, tech. rep. Slide 19 of 20

20 do Wykorzystanie do na moc elektryczn Dzi kuj Slide 20 of 20