Zastosowanie metod sztucznej inteligencji w energetyce

• Autorzy: Ściążko A.

Warianty tytułu

EN

The applications of artificial intelligence techniques in energy systems

• Języki publikacji: PL

Abstrakty

PL

Artykuł prezentuje możliwości wykorzystania metod sztucznej inteligencji w energetyce. Zastosowania te można podzielić na trzy grupy: modelowanie, przewidywanie i planowanie (optymalizacja) oraz kontrola procesów. W artykule pokazano typowe przykłady użycia sztucznej inteligencji, charakterystyczne dla każdej z grup. Przedstawiono także możliwe przyszłe wykorzystania tego typu metodologii, w szczególności w inteligentnych systemach elektroenergetycznych - Smart Grid. Druga część artykułu przedstawia i omawia przykład wykorzystania sztucznej inteligencji w modelowaniu systemu elektroenergetycznego, złożonego z następujących elementów: elektrociepłownia geotermalna, źródło geotermalne, miejska sieć ciepłownicza oraz zakład przemysłowy. Zadanie polegało na przygotowaniu modelu komputerowego rozważanego systemu oraz wielokryte-rialnej optymalizacji problemu. Jakość każdego z rozwiązań była oceniana na podstawie dwóch różnych funkcji dopasowania: obliczonej wartości kosztów inwestycyjnych oraz sprawności egzergetycznej systemu. Pokazano w jaki sposób można wykorzystać genetyczny algorytm optymalizacji wielokryterialnej oraz modelowanie zastępcze z wykorzystaniem sztucznej sieci neuronowej do analizy zadanego problemu. Rezultaty optymalizacji zostały zobrazowane na diagramie Pareto, na ich podstawie pokazano kilka typów możliwych rozwiązań projektowych (niewielkie koszty inwestycyjne i niska sprawność, wysokie koszty inwestycyjne ale wysoka sprawność oraz rozwiązanie pośrednie). Dla modelu zastępczego określono jego dokładność oraz dopasowanie do oczekiwanych rezultatów.

EN

Paper presents possible applications of artificial intelligence techniques in the energy science problems. Those applications can be divided into three groups: modeling, predictions and planning (optimization) and process control. Article shows typical examples of use artificial intelligence in each group. Moreover there are presented the future possibilities of application, for example in Smart Grid's problems. Second part of the article introduces the case study of using artificial intelligence techniques in real life problem of analysis of complicated energy system. Its main elements are geothermal power plant, district heating system, industrial plant and electrical grid. The task was to model the system and run the multi criteria optimization. The quality of each solution was graded by the different objective functions: investment cost and energy efficiency. The paper presents multi criteria genetic optimization algorithm and neural network surrogate modeling for given problem. The optimization's results can be found in the Pareto diagram - they show different possible solutions (with low investment cost and low efficiency, with high cost and high efficiency or with mediumvalues). The quality of surrogate model is presented on the regression graph for neural network.

Słowa kluczowe

PL

energetyka; sztuczna inteligencja; sieci neuronowe; algorytmy genetyczne; modelowanie; optymalizacja; odnawialne źródła energii

EN

energy science; artificial intelligence; neural network; genetic algorithm; modeling; optimization; renewable energy

• Wydawca: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów PIAP
• Czasopismo: Pomiary Automatyka Robotyka
• Rocznik: 2011
• Tom: R. 15, nr 7-8
• Strony: 53--59
• Opis fizyczny: Bibliogr. 11 poz., rys., tab., wykr.

Twórcy

autor

Ściążko A.

• AGH Akademia Górniczo-Hutnicza, Wydział Energetyki i Paliw,

Bibliografia

• 1. Beccali, M., Cellura, M., Lo Brano, V., & Marvuglia, A.: Forecasting daily urban electric load profiles using artificial neural networks. “Energy Conversion and Management” 45/2004, s. 2879-2900.
• 2. Goldberg, D.: Algorytmy genetyczne i ich zastosowania. WNT, Warszawa 1995.
• 3. Hahn, H., Meyer-Nieberg,S., Pickl, S.: Electric load forecasting methods: Tools for decision making. “European Journal of Operational Research” Volume 199, Issue 3, 2009.
• 4. Jun, Z., Junfeng, L., & Ngan H.W. : A multi-agent solution to energy management in hybrid renewable energy generation system. “Renewable Energy” 36/2010, s. 1352-1363.
• 5. Kahraman, C., Kaya, I., & Cebi, S.: A comparative analysis for multi-attribute selection among renewable energy alternatives using fuzzy axiomatic design and fuzzy analytic hierarchy process.”Energy” 34/2009 , s. 1603-1616.
• 6. Kalogirou, S.: Artificial neural networks in renewable energy systems applications: a review. “Renewable and Sustainable Energy Reviews” 5/2001, s. 373-401.
• 7. Khadir, M., Fay, D., & Boughrira, A.: Day Type Identification for Algerian Electricity Load using Kohonen Maps. “International Journal of Mathematical and Computer Sciences” 1:2 2005.
• 8. Ściążko, A., & Kurcz, L.: Modelowanie i optymalizacja złożonego systemu energetycznego. „Zeszyty STN” 22/2011.
• 9. Świrski, K., & Wojdan K.: Immune Inspired Optimizer of Combustion Process in Power Boiler. Proceedings of 20th International Conference on Industrial, Engineering and Other Applications of Applied Intelligent Systems, IEA/AIE 2007, New Trend in Applied Artificial Intelligence, Springer Verlag, Kyoto 2007, Japan.
• 10. Sreekanth, J., & Datta, B.: Multi-objective management of saltwater intrusion in coastal aquifers using genetic programming and modular neural network based surrogate models. „Journal of Hydrology” 393/2010, 245-256.
• 11. Tadeusiewicz, R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza RM, Warszawa 1993.