Using artificial neural networks to determine the location of wind farms. Miedzna district case study

• Autorzy: Pokonieczny K.

Identyfikatory

DOI

10.1515/jwld-2016-0026

Warianty tytułu

PL

Wykorzystanie sztucznych sieci neuronowych do wyznaczania lokalizacji elektrowni wiatrowych na przykładzie gminy Miedzna

• Języki publikacji: EN

Abstrakty

EN

The article concerns issues pertaining to of selecting suitable areas for wind farms. The basic assumption of the study was to take into account both criteria related to the profitability of this type of power plant, as well as public interest, which means the harmonious and not burdensome functioning of these installations for local communities. The problem of wind farm localization may be solved by the application of artificial neural networks (ANN), which are a computational intelligence element. In the conducted analysis, the possibility of wind farm localization was considered for the primary grid field with dimensions of 100 by 100 m. To prepare the training set, topographic vector data from the VMap L2 and SRTM (Shuttle Radar Topography Mission) digital terrain model were used. For each 100-meter x 100-meter grid, the input data was prepared, consisting of the factors which are important from the point of view of wind farm localization (forests, rivers, built-up areas etc.). Studies show that a properly trained neural network (using a representative number of samples and for the appropriate architecture), allows to process automation area classification in terms of placement on the wind turbines.

PL

Zgodnie z obowiązującymi w Polsce regulacjami prawnymi użytkowanie elektrowni wiatrowych podlega odpowiednim uwarunkowaniom. Obostrzenia te dotyczą zarówno parametrów technicznych tych urządzeń, które związane są z bezpieczeństwem ich eksploatacji, jak i uwarunkowaniami przestrzennymi, związanymi z lokalizacją tych elektrowni oraz ich odległości od takich elementów pokrycia terenu, jak zabudowa czy lasy. Problematyka ta jest szczególnie istotna w kontekście częstych protestów mieszkańców, w sąsiedztwie których takie elektrownie mają być budowane. W celu wyznaczenia obszarów optymalnych dla lokalizacji elektrowni wiatrowych wykorzystano jedną z metod uczenia maszynowego, którą są sztuczne sieci neuronowe. Ich istotą, a jednocześnie przewagą nad metodami bazującymi na zadanym algorytmie, jest zdolność do uogólnienia otrzymywanych wyników, gdy algorytm rozwiązania danego problemu nie jest prosty (jak w przypadku wyznaczania obszarów szczególnie predestynowanych do lokalizacji elektrowni wiatrowych). W artykule przedstawiono metodykę zastosowania jednego rodzaju sieci neuronowych, którym jest perceptron wielowarstwowy. W zastosowanej sieci wykorzystano metodę nauczania nadzorowanego z nauczycielem, polegającą na wskazywaniu sieci neuronowej wzorcowego rozwiązania z określonymi danymi wejściowymi, którymi są parametry związane z pokryciem terenu i sąsiedztwem przestrzennym pola podstawowego, tj. kwadratu o wymiarach 100 × 100 m. Jako studium przypadku wybrana została gmina Miedzna, która znajduje się we wschodniej części województwa mazowieckiego i jest gminą wiejską o charakterze rolniczym. Obszar gminy leży na falistej wysoczyźnie morenowej, urozmaiconej morfologicznie. Otwarte pola uprawne oraz lekko pofałdowany teren to dwa główne czynniki sprzyjające możliwości rozmieszczenia farm wiatrowych na danym terenie. W zaprezentowanych w artykule przykładach wykorzystane zostały dane przestrzenne pochodzące z Vector Map Level 2 oraz dane wysokościowe Shuttle Radar Topography Mission (SRTM). W wyniku przeprowadzonych eksperymentów dowiedziono, że poprawnie nauczona sieć neuronowa (z wykorzystaniem reprezentatywnej liczby próbek i odpowiednią architekturą), umożliwia poprawne wyznaczenie obszarów predestynowanych do lokalizacji elektrowni wiatrowych nie tylko na terenie gminy Miedzna, ale również innych gmin, automatyzując proces wykonywania analiz tego typu.

Słowa kluczowe

EN

artificial neural networks; multilayer perceptron; wind farms localization

PL

elektrownia wiatrowa; perceptron wielowarstwowy; sztuczne sieci neuronowe

• Wydawca: Wydawnictwo ITP
• Czasopismo: Journal of Water and Land Development
• Rocznik: 2016
• Tom: no. 30
• Strony: 101--111
• Opis fizyczny: Bibliogr. 19 poz., rys., tab.

Twórcy

autor

Pokonieczny K.

• Military University of Technology, Faculty of Civil Engineering and Geodesy, gen. Sylwestra Kaliskiego 2, 00-908 Warszawa

Bibliografia

• ARE 2014. Statystyka Elektroenergetyki Polskiej [Polish electric power statistics]. ISSN 1232-2415.
• BAGHERI BODAGHABADI M., MARTINEZ-CASASNOVAS J.A., SALEHI M.H., MOHAMMADI J., ESFANDIARPOOR BORUJENI I., TOOMANIAN N., GANDOMKAR A. 2015. Digital soil mapping using artificial neural networks and terrain-related attributes. Pedosphere. Vol. 25. Iss. 4 p. 580–591. DOI: 10.1016/S1002-0160(15)30038-2.
• ĆWIK J., MIELIŃCZUK J. 2009. Statystyczne systemy uczące się. Ćwiczenia w oparciu o pakiet R. Warszawa. Oficyna Wydaw. PW. ISBN 978-83-7207-838-4 pp. 192.
• DODGE Y. (ed.) 2003. A dictionary of statistics. Oxford. Oxford University Press. ISBN 0-19-850994-4 pp. 506.
• Energetyka Cieplna i Zawodowa 2009–2010. Vol. 12/2009, 1/2010. ISSN 1734-7823.
• GWEC 2014 Global wind statistics [online]. [Access 05.05.2016]. Available at: http://www.gwec.net/wpcontent/uploads/2015/02/GWEC_GlobalWindStats2014_FINAL_10.2.2015.pdf
• JING L., JI-HANG C., JING-YUAN S., FEI H. 2012. Brief introduction of Back Propagation (BP) neural network algorithm and its improvement. In: Advances in Computer Science and Information Engineering. Eds D. Jin, S. Lin. T. 2. Vol. 169. Berlin Heidelberg. Springer p. 553–558.
• LEE S., SONG K.-Y., KIM Y., PARK I. 2012. Regional groundwater productivity potential mapping using a geographic information system (GIS) based artificial neural network model. Hydrogeology Journal. Vol. 20. Iss. 8 p. 1511–1527. DOI: 10.1007/s10040-012-0894-7.
• LORENC H. (ed.) 2005. Atlas klimatu Polski [Atlas of the climate of Poland]. Warszawa. IMGW. ISBN 83-88897-43-8 pp. 116.
• MONTUSIEWICZ J., GRYNIEWICZ-JAWORSKA M., PIJARSKI P. 2015. Looking for the optimal location for wind farms. Advances in Science and Technology-Research Journal. Vol. 9. Iss. 27 p. 135–142. DOI: 10.12913/22998624/59095.
• NAZRI M.N., MEGHANA R.R., RAJESH S. 2006. Ransing an improved learning algorithm based on the Broyden-Fletcher-Goldfarb-Shanno (BFGS) method for back propagation neural networks. Sixth International Conference on Intelligent Systems Design and Applications. Vol. 1 p. 152–157. DOI: 10.1109/ISDA.2006.95. Publisher: IEEE.
• NOOROLLAHI Y., JOKAR M.A., KALHOR A. 2016. Using artificial neural networks for temporal and spatial wind speed forecasting in Iran. Energy Conversion and Management. Vol. 115 p. 17–25. DOI: 10.1016/j.enconman.2016.02.041.
• OpenStreetMap undated. OpenStreetMap wiki page for Miedzna (gmina) [online]. [Access 05.05.2016]. Available at: https://commons.wikimedia.org/w/index.php?curid=36071206
• SUZUKI K. 2013. Artificial neural networks – architectures and applications [online]. InTech. ISBN 978-953-51-0935-8 pp. 264. DOI: 10.5772/3409. [Access 05.05.2016]. Available at: http://www.intechopen.com/books/artificial-neural-networks-architectures-andapplications
• SZALENIEC M. 2008. Sieci neuronowe i regresja wieloraka czyli jak okiełznać złożoność w badaniach naukowych? [Neural networks and multiple regression. How to tame the complexity of scientific research?] [online]. StatSoft. [Access 02.10.2016]. Available at: http://www.statsoft.pl/Portals/0/Downloads/Sieci%20neuronowe.pdf
• TAURON Ekoenergia undated. Farma wiatrowa Marszewo [Marszewo wind farm] [online]. [Access 05.05.2016]. Available at: http://www.tauron-ekoenergia.pl/elektrownie/energia-z-wiatru/farma-wiatrowa-marszewo
• URE undated. Mapa odnawialnych źródeł energii [Map of renewable energy sources] [online]. [Access 05.05.2016]. Available at: https://www.ure.gov.pl/uremapoze/mapa.html
• Vestas undated. V90-2,0 MW platform [online]. [Access 02.10.2016]. Available at: https://www.vestas.com/en/system/links/media-links/product-media/brochures/uk/2mw-product-brochure
• WIDROW B., LEHR M.. 1990. 30 years of adaptive neural networks – perceptron, madaline, and backpropagation. Proceedings of the IEEE. Vol. 78. Iss. 9 p. 1415–1442. DOI: 10.1109/5.58323.