Photovoltaic Power Plant power output prediction using fuzzy rules

• Autorzy: Prokop L. , Misak S. , Snášel V. , Krömer P. , Platoš J.

Warianty tytułu

PL

Przewidywana moc wyjściowa elektrowni fotowoltaicznej określona przy użyciu zasad rozmytych

• Języki publikacji: EN

Abstrakty

EN

Photovoltaic Power Plants (PVPP) are classified as power energy sources with non-stabile supply of electric energy. It is necessary to back up power energy from PVPP for stabile electric network operation. We can set an optimal value of back up power energy with using a variety of prediction models and methods for PVPP Power output prediction. Fuzzy classi?ers and fuzzy rules can be informally defined as tools that use fuzzy sets or fuzzy logic for their operations. In this paper, we use genetic programming to evolve a fuzzy classi?er in the form of a fuzzy search expression to predict PVPP Power output.

PL

Elektrownie fotowoltaiczne (EF) są klasyfikowane jako źródła prądu elektrycznego o niestabilnej dostawie energii elektrycznej. Dla stabilnej pracy sieci elektrycznej konieczne jest wspieranie dostawy prądu z EF. Możemy ustalić optymalną wartość wspierającej dostawy prądu, stosując różne modele przewidywania i metody dla predykcji mocy wyjściowej z EF. Możliwe jest nieformalne określenie rozmytych klasyfikatorów i zasad jako narzędzi do ich działania, opartych na zbiorach rozmytych i logice rozmytej. W tej pracy stosujemy genetyczne programowanie do opracowania klasyfikatora rozmytego wyrażenia poszukiwania mocy wyjściowej EF.

Słowa kluczowe

EN

photovoltaic power plant; fuzzy rules; prediction

PL

elektrownia fotowoltaiczna; zasady rozmyte; przewidywanie

• Wydawca: Sieć Badawcza Łukasiewicz - Instytut Elektrotechniki
• Czasopismo: Prace Instytutu Elektrotechniki
• Rocznik: 2012
• Tom: Z. 258
• Strony: 167--177
• Opis fizyczny: Bibliogr. 7 poz., rys.

Twórcy

autor

Prokop L.

autor

Misak S.

autor

Snášel V.

autor

Krömer P.

autor

Platoš J.

• Technical University of Ostrava,

Bibliografia

• 1. Koza J.: Genetic programming: A paradigm for genetically breeding populations of computer programs to solve problems, Technical Report STAN-CS-90-1314, Dept. of Computer Science, Stanford University, 1990.
• 2. Koza J.: Genetic Programming: On the Programming of Computers by Means of Natural Selection. Cambridge, MA, USA: MIT Press, 1992.
• 3. Affenzeller M., Winkler S., Wagner S., Beham A.: Genetic Algorithms and Genetic Programming: Modern Concepts and Practical Applications. Chapman & Hall/CRC, 2009.
• 4. Snásel V., Krömer P., Platos J., Abraham A.: The evolution of fuzzy classifier for data mining with applications, in SEAL (K. Deb, A. Bhattacharya, N. Chakraborti, P. Chakroborty, S. Das, J. Dutta, S.K. Gupta, A. Jain, V. Aggarwal, J. Branke, S.J. Louis, K.C. Tan, eds.), vol. 6457 of Lecture Notes in Computer Science, pp. 349-358, Springer, 2010.
• 5. Prokop L., Misak S., Sikora T., Dasal K., Popławski T., Rusek B.: Optimizing Electric Network Running with Wind Power Plant by using Production Prediction Mathematical Models, Rynek Energii, 2009, vol. II, no. 3, p. 313-318.
• 6. Misak S., Prokop L.: Prediction System for Energy Production from WPP, In proceedings of 11th International Scientific Conference Electric Power Engineering 2010 (IEEE EPE 2010), 2010, Brno: VUT Brno, pp. 301-305.
• 7. Bacher P., Madsen M., Nielsen H.A.: Online short-term solar energy forecasting, Solar Energy, vol. 83, pp. 1772-1783, 2009.