Artificial neural networks application to optimization of heat-only boiler control

• Autorzy: Lichota J.

Warianty tytułu

PL

Zastosowanie sztucznych sieci neuronowych do optymalizacji sterowania kotłem ciepłowniczym

• Języki publikacji: EN

Abstrakty

EN

This paper is presenting theorem about completeness of used data in learning set of artificial neural network at supervised learning. Paper proposes correlation functions as tool for recognition of basis vectors from logged data used next in learning set. Two examples of theorem and tool application are shown - one theoretical and one practical. First one is easy to analyze, because shows a method of learning data set construction in case of linear time invariant two-input two-output process described by transfer functions of first order differential equations. Second is important in heating systems. It shows, that application of a neural model to coal combustion process in grate boiler leads to lower coal consumption about 1%.

PL

W pracy wykazano, że sztuczna sieć neuronowa musi posiadać na wejściu wszystkie zmienne wpływające na modelowany proces, aby mogła prawidłowo odtwarzać własności dynamiczne lub statyczne obiektu. Pokazano zastosowanie funkcji korelacyjnych do rozpoznawania wektorów bazowych tworzących przestrzeń rozwiązań, w której można poszukiwać rozwiązań optymalnych na podstawie pomiarów. Pokazany przykład zastosowania modelu neuronowego do optymalizacji sterowania kotłem ciepłowniczym WR-46 (punkt 4) jest szczególnie użyteczny, ponieważ pozwala na zmniejszenie zużycia węgla o około 1%. Model taki wymaga zupełnego zbioru danych tj. takiego, który zawiera wszystkie zmienne wpływające na proces i tylko takie zmienne. Stąd Twierdzenie 1 Jednokierunkowa sztuczna sieć neuronowa z sigmoidalnymi funkcjami aktywacji w warstwie ukrytej aproksymuje zadaną funkcję w dziedzinie D wtedy i tylko wtedy, gdy wektor wejściowy do sieci jest zbiorem zupełnym [x, u]. Wektory bazowe można rozpoznać korzystając z wiedzy eksperta lub na podstawie danych pomiarowych obliczając funkcje korelacyjne Ruij=Rxij=Ruixj=Ruiyj=0 (z wyjątkiem chwili =0, dla którego występuje impuls) dla szczególnych sygnałów wejściowych ui - nieskorelowanego szumu białego lub sygnału pseudo-losowego PRBS oraz wyjściowych yj lub zmiennych stanu xj.

Słowa kluczowe

EN

coal combustion optimization; heat-only boiler; artificial neural networks

PL

optymalizacja spalania węgla; kocioł ciepłowniczy; sztuczne sieci neuronowe

• Wydawca: KAPRINT
• Czasopismo: Rynek Energii
• Rocznik: 2009
• Tom: nr 4
• Strony: 61--67
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Lichota J.

• Politechnika Wrocławska,

Bibliografia

• [1] Bolek W., Wiśniewski T.: Linearyzacja przez sprzężenie zwrotne w syntezie algorytmów regulacji dla obiektów termoenergetycznych. Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław 2006.
• [2] Cybenko G.: Approximation by Superpositions of a Sigmoidal Function. Mathematics of Control, Signals and Systems. Springer Verlag 1989.
• [3] Findeisen W.: Technika regulacji automatycznej. PWN, Warszawa 1978 .
• [4] Górecki H., Optymalizacja systemów dynamicznych. Biblioteka Naukowa Inżyniera, Warszawa 1993.
• [5] Krzyżak W., Choiński A.: Badania własności dynamicznych kotłów fluidalnych. Praca niepublikowana, Politechnika Wrocławska, raport serii sprawozdania SPR 69/93, Wrocław 1993.
• [6] Lichota J.: A Controller Based on Artificial Neural Networks. Rynek Energii 2008, nr 4.
• [7] Mostowski A., Stark M.: Algebra liniowa. wydanie szóste, PWN, Warszawa 1977.
• [8] Respondek W.; Geometry of Static and Dynamic feedback. Lectures Given at the Summer School on Mathematical Control Theory Bedlewo-Warsaw, Poland, 2002, materiały niepublikowane.
• [9] Södeström T., Stoica P.: Identyfikacja systemów. Wydawnictwo Naukowe PWN, Warszawa 1997.
• [10] Pod red. Bolka W., Ślifirskiej E.: Ćwiczenia laboratoryjne z podstaw automatyki. Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław 2001.