Biologicznie inspirowane modele empiryczne w eksploatacji instalacji energetycznych

Świrski, K.

Artykuł - szczegóły

Tytuł artykułu

Biologicznie inspirowane modele empiryczne w eksploatacji instalacji energetycznych

Autorzy

Świrski K.

Identyfikatory

Warianty tytułu

Biologically inspired empirical models in power plant operation

Języki publikacji

Abstrakty

Praca prezentuje ocenę możliwości modelowania empirycznego i eksploracji danych w problemach badawczych energetyki. Rozprawa obejmuje: analizę, porównanie, uogólnienie i ocenę różnorodnych technik modelowania, zarówno klas modeli, jak również metod eksploracji danych, wraz z identyfikacją możliwości wykorzystania właściwego typu modeli do konkretnego problemu badawczego. W części aplikacyjnej zaprezentowano rezultaty rozwiązań problemów technicznych, osiągniętych za pomocą badań naukowych, aplikacje stworzone do projektu przez testowanie systemów pilotowych, aż po nowe rozwiązania wdrożeniowe na dużych instalacjach energetycznych. Praca koncentruje się wokół problemów modelowania empirycznego: wykorzystania modeli liniowych, hybrydowych, inspirowanych biologicznie sieci neuronowych i systemów immunologicznych w energetyce. Zagadnienia aplikacyjne obejmują wiele projektów z obszaru regulacji i optymalizacji pracy bloku energetycznego, prognozowania i eksploracji danych w energetyce. Prace badawcze nad zagadnieniem modelowania empirycznego są kontynuacją i rozszerzeniem prac Zakładu Muie Instytutu Techniki Cieplnej PW, które obejmują kwestie modelowania matematycznego instalacji energetycznych i ich wykorzystania w problemach: projektowania, symulacji i optymalizacji pracy bloków energetycznych i ich elementów. Poza obszarem badań fizykalnych, prace podjęte w ITC PW - jako pierwsze w kraju i jedne z pierwszych w Europie - dotyczyły możliwości wykorzystania sieci neuronowych w optymalizacji pracy kotłów energetycznych. W rozprawie szerzej przedstawiono zagadnienie inspirowanej biologicznie optymalizacji procesu spalania, a szczególnie zastosowania metod immunologicznych - między innymi dlatego, że jest to pierwsze udokumentowane, światowe zastosowanie tych algorytmów w energetyce, także w budowie rozwiązania nie tylko badawczo-pilotażowego, ale i sprawdzonego komercyjnie. Wyniki prezentowane w rozprawie stanowią podsumowanie prac realizowanych przez autora kierującego kilkoma zespołami badawczymi w latach 2000-2007. Badania zaowocowały wdrożeniami w kilkunastu elektrowniach polskich oraz ponad kilkudziesięciu obiektach w USA, Europie, a także Tajwanie, Chinach, Indiach i Korei.

The dissertation presents applications of biologically inspired (bio-inspired) models in research topics of power plant operation. A wide description, analysis and comparison of different model classes and data mining methods are complemented with examples of industrial application of research results. The paper is focused on empirical modeling: linear models, neural networks, immunological system, hybrid models. Industrial problems of power plant operation cover a wide spectrum from control and optimization of large coal fired boilers, desulphurization systems, forecasting (electricity and heat demand) up to data exploration in plant performance evaluation and electricity trading contract analysis. Bio-inspired immunological optimization system of combustion in pulverized coal power boiler is the first application of immunological systems in process control and power plant operation. Boiler operation and its main performance parameters (efficiency, pollutant emission) are treated as status of biological system with health indicator (optimized). All disturbances deteriorating performance may be represented as pathogens and optimal reaction of control systems as lymphocytes. Such bio-inspiration gives a chance to introduce new mathematical description of the whole process and then apply an optimization control strategy based on immunological approach. Positive results from operation on a large industrial installation proved the advantages of such optimization system. Theoretical analysis and comparison, together with results from application of industrial solutions, enable to identify the best approach for each research case - the appropriate model type, possible range of improvement and also constrains and limitation of methodology.

Słowa kluczowe

energetyka modelowanie eksploracja danych optymalizacja modele empiryczne sieci neuronowe systemy immunologiczne prognozowanie

power modeling data mining optimization empirical models neural networks (NN) immunological systems forecasting

Wydawca

Oficyna Wydawnicza Politechniki Warszawskiej

Czasopismo

Prace Naukowe Politechniki Warszawskiej. Mechanika

Rocznik

2008

Tom

z. 221

Strony

1--141

Opis fizyczny

Bibliogr. 330 poz., rys., tabl.

Twórcy

autor

Świrski K.

Instytut Techniki Cieplnej

Bibliografia

1. Adriaans P., Zantinge D.: Data Mining, Addison-Wesley Longman Publishing, Boston 1997
2. Adamczewski P.: Zintegrowane systemy informatyczne w praktyce; Wydawnictwo MIKOM, Warszawa 2003
3. Akay M: Handbook of Neural Engineering, IEEE Press Series on Biomedical Engineering, Wiley-IEEE, 2007
4. Akharov M., Millet P.: A Novel Approach to Predictive Condition Monitoring and Knowledge Management in Power System, Proceedings of the 17th Annual Joint ISA POWID Controls and Instrumentation Conference, vol. 5, ISA Volume 47, Pittsburgh 2007
5. Alippi C, Piuri V.: Neural methodology for prediction and identification of nonlineardynamics systems, Proceedings of the International Workshop on Neural Networks for Identification, Control, Robotics and Signal Image Processing, 1996, pp. 305-313
6. Allgöwer F., Zheng A. (editors): Nonlinear Model Predictive Control, Birkhäuser, 2000
7. Allgöwer F., Findeisen R., Nagy Z.: Nonlinear Model Predictive Control: From Theory to Application, Journal Chin. Institute Chemical Engineers, vol. 35, No 3, 2004, pp. 299-315
8. Alwan L., Roberts H.: Time-Series Modeling for Statistical Process Control, Journal of Business & Economic Statistics, vol. 6, No 1, pp. 87-95, 1988
9. Anttonen K., Leppakoski J., Jaronen T.: Model Predictive Main Controls for a once through CFB Unit, Power System, Proceedings of the 17th Annual Joint ISA POWID Controls and Instrumentation Conference, vol. 5, ISA Volume 47, Pittsburgh 2007
10. Antsaklis P.J.: Neural networks for control systems, IEEE Transactions on Neural Networks, vol. 1, 1990. pp. 242-244
11. Arabas J. Mościcki M., Świrski K.: Rozszerzenie zadania ekonomicznego rozdziału obciążeń w warunkach rynku energii, Materiały IV Kraj. Konferencji Optymalizacja w Energetyce (OPE'0l), Jachranka, 2001, s. 81-89
12. Arabas J., Białobrzeski L., Chomiak T., Domański P.D., Świrski K.: Optymalizacja kotła pyłowego i zmniejszenie emisji NOx przy wykorzystaniu sieci neuronowych — techniki soft- computing, ENERGETYKA, 1/1998
13. Arabas J., Białobrzeski L., Chomiak T., Domański P.D., Świrski K., Neelakantan R.: Pulverized Coal Fired Boiler Optimization and NOx Control using Neural Networks and Fuzzy Logic, AspenWorld'97, Boston 1997
14. Arabas J., Białobrzeski L., Domański P.D., Świrski K.: Advanced Boiler Control, MMAR'98, Międzyzdroje 1998
15. Arabas J., Białobrzeski L., Domański P. D., Świrski K.: Pulverized Boiler Optimization and NOx Reduction by Neural Networks, Pragoregula'98, Praha 1998, pp. 61-69
16. Arabas J., Domański P., Jarmoszewicz G., Świrski K.: Artificial Intelligence for Power Sector; Second International Conference on Contemporary Problems of Thermal Engineering, Gliwice 21-26.04.2004, s. 399-406
17. Arabas J., Domański P.D., Lewandowski J., Świrski K.: Optymalizacja kotłów pyłowych z wykorzystaniem sieci neuronowych, Zeszyty Naukowe Prace Badawcze Instytutu Techniki Cieplnej Politechnika Warszawska, vol. 3, Warszawa 1999, s. 9-24
18. Arabas J., Domański P.D., Świrski K.: Praktyczne aspekty modelowania i optymalizacji procesów przemysłowych, Pomiary-Automatyka-Kontrola, 6/1998, pp. 195-202
19. Arabas J., Domański P.D., Świrski K.: Soft Computing - zastosowanie w przemyśle energetycznym, Konferencja Niskoemisyjne Techniki Spalania '98, pp. 7-26, Ustroń-Zawodzie, 1998
20. Arabas J., Domański P. D., Świrski K.: Zastosowanie sieci neuronowych przy optymalizacji pracy kotła pyłowego dla celów obniżenia emisji NOx, Konferencja Niskoemisyjne Techniki Spalania'97, Ustroń-Zawodzie 1997, pp. 289-297
21. Aström, K. J., Hägglund T.: PID Control - Theory, Design and Tuning, Instrument Society of America, Research Triangle Park, NC, 1995
22. Babuska R., Sousa J.M., Verbruggen H.: Predictive control of nonlinear systems based on fuzzy and neural models, Proceedings of the European Control Conference ECC ’99 Karlshrue 1999
23. Badyda K.: Zagadnienia modelowania matematycznego instalacji energetycznych, rozprawa habilitacyjna, Oficyna Wydawnicza Politechniki Warszawskiej, Prace Naukowe PW, Mechanika, z. 189, Warszawa 2001
24. Badyda K., Lewandowski J., Miller A., Świrski K.: Symulator bloku energetycznego współpracujący z cyfrowym systemem sterowania (DCS), Wydawnictwa Politechniki Warszawskiej, Prace Naukowe PW, seria Konferencje, z. 15, Warszawa 1997
25. Badyda K., Świrski K.: Zastosowanie regulatorów predykcyjnych z modelem opartym o sieci neuronowe w kotle OP-650 — redukcja emisji tlenków azotu i poprawa sprawności, Materiały 6th Symposium „Integrated Air Quality Control for Industrial and Commercial Sectors”, Szczecin 1998
26. Baines C.H., Hayes R.L., Stabel J.L.: Predicting boiler emission with neural networks, Tappi Journal [TAPPI J.], vol. 80, May 1997
27. Bakirtzis A.G., Theocharis J.B., Kiartzis S., Satsios K.: Short term load forecasting using fuzzy neural networks, IEEE Transactions on Power Systems, vol. 10, 1995, pp. 1518-1524
28. Barron R.: Engineering Condition Monitoring Practice, Methods and Applications, Longman, 1996
29. Bartos F.J.: Artificial Intelligence: Smart Thinking for Complex Control, Control Engineering, July 1997
30. Baumann T., Germond A.J.: Application of the Kohonen network to short-term load forecasting, Proceedings of the Second International Forum on Applications of Neural Networks to Power Systems, Yokohama 1993
31. Bendtsten J., Stoustrup J., Trangbaek K.: Bumpless transfer between advanced controllers with applications to power plant control, 42nd IEEE Conference on Design and Control, vol. 3, 2003, pp. 2059-2064
32. Berry M.J.A., Linoff G.: Data mining techniques for marketing, sales, and customer support, John Wiley, NY 1997
33. Biglou J., Weckman C., Bennett G.W., Kerr H.W.: Methodology for development of welding procedures and empirical process models based on principal component analysis techniques, Science and Technology of Welding and Joining, vol. 6, No 1, 2001
34. Błasiak W., Boberg G., Grimbrandt J.: Redukcja tlenków azotu oraz optymalizacja spalania w komorach kotłów za pomocą asymetrycznego systemu podawania powietrza wtórnego, Prace Naukowe Politechniki Śląskiej, seria Konferencje, X Międzynarodowa Konferencja Kotłowa, t. 1, Szczyrk 2006, s. 77-98
35. Boe E., McGarel S.J., Spaits T., Guiliani T.: Predictive control and optimization applications in a modern cement plant, Conference Records - Cement Industry Conference, 2005, pp. 1-10
36. Bolstad W.M.: Introduction to Bayesian statistics, Willey-Interscience, NY 2004
37. Brzózka J.: Regulatory i układy automatyki, Wydawnictwo MIKOM, Warszawa 2003
38. Bubnicki Z.: Teoria i algorytmy sterowania, Wydawnictwo Naukowe PWN, Warszawa 2002
39. Bulanda H.: Optymalizacji procesu spalania z kontrolą zawartości tlenku węgla w spalinach oraz z regulacją i symetryzacją temperatury spalin za podgrzewaczami powietrza, Materiały konferencji naukowo-technicznej ,,Kontrola, sterowanie i automatyzacja procesu spalania w kotłach energetycznych", Zakopane 2005
40. Camacho E.F., Bordons C.: Model Predictive Control, Springer, 2004
41. Campa G., Fravol.ini M., Napolitano M., Seanor B.: Neural networks-based sensor validation for the flight control system of a B777 research model, Proceedings of the 2002 American Control Conference, vol. 1, 2002, pp. 412-417
42. Cannon M., Kouvariatakis B., Broons A.C., Lee Y.I.: Efficient Nonlinear Model Predictiv Control, Proceedings of the American Control Conference, June 2000
43. Chen H., Allgower F.: Quasi-infinite horizon nonlinear model predictive control scheme with guaranteed stability, Automatica 34, 1998, pp. 1205-1217
44. Chen H.: Stability and Robustness Considerations in Nonlinear Model Predictive Control Fortschr.-Ber. VDI Reihe 8 Nr 674, VDI Verlag, Dusseldorf 1997
45. Cherkassky V.: Learning from Data: Concepts, Theory and Methods, Willey-IEEE Press 2007
46. Chmielniak T.: Technologic energetyczne, Wydawnictwo Politechniki Śląskiej, 2004
47. Chmielniak T., Kosman W.: Moduł diagnostyczny do oceny procesów cieplnych w turbinach gazowych, Inżynieria Chemiczna i Procesowa z. 26, 2005, s. 859-873
48. Chmielniak T., Kosman W., Kosman G.: Simulation module of thermal processes for performance control of CHP plant with a gas turbine unit, Applied Thermal Engineering, vol. 27, 2007, pp. 2181-2187
49. Chmielniak T., Łukowicz H.: Modele przepływów stosowane w obliczeniach turbin cieplnych i ich zastosowanie w zadaniach analizy I syntezy, Oficyna Wydawnicza Politechniki Warszawskiej, seria Konferencje, z. 6, Warszawa 1995
50. Chomiak T.: Jarmoszewicz G., Świrski K., Wojdan K.: Sztuczny system immunologiczny jako optymalizator procesu spalania, Zeszyty Naukowe PW, seria Konferencje, Konferencja PBEC, Warszawa 2005
51. Cichosz P.: Systemy uczące się, WNT, Warszawa 2000
52. Clarke D.W., Mahtadi C., Tuffts P.S.: Generalized predictive control, part 1, Automatica, vol. 23, No 2, 1987, pp. 137-148
53. Cojbasic Z., Stephan V., Gross H-M., Wenstedt J.: Intelligent control of complex combustion processes, Mechanical Engineering, vol. 1, No 10, 2003, pp. 1393-1406
54. Cutler C.R., Ramaker B.L.: Dynamic Matrix Control - a computer control algorithm. Proc. Joint Automatic Control Conference, San Francisco 1980
55. DasGupta D.: Artifficial Immune Systems and Their Applications, Springer-Verlag, NY 1998
56. Dash J.: Life support of traditional coal-fired power plants, World Coal 2003
57. Dąbrowski S.: Immune system: your personal doctor, Sanmedia, Warsaw 1994
58. Desborough L., Miller R.: Increasing customer value of industrial control performance monitoring — Honeywell's experience, AlCh Symposium series, 2002
59. de Castro N., von Zuben F.J.: Artificial Immune Systems: Part I - Basic Theory and Applications, Technical Report - RT DC A 01/99
60. de Castro N., von Zuben F.J.: Artificial Immune Systems: Part II - A Survey of Applications, Technical Report - RT DCA 01/99
61. de Cstro N., Timmis J.I.: Artificial Immune Systems as Novel Soft Computing Paradigm, Soft Computing Journal, vol. 7, July 2003
62. Diez L.I., Cortes C., Campo A.: Modeling of pulverized coal boilers; review and validation of on-line simulation techniques, Applied Thermal Engineering, vol. 25, 2005, pp. 1516-1533
63. Dobrzańska L, Dąsal K., Łyp J., Popławski T., Sowiński J.: Prognozowanie w elektroenergetyce. Zagadnienia wybrane, Wydawnictwo Politechniki Częstochowskiej, Częstochowa 2002
64. Dolanc G., Strmcnik S., Petrovic J.: NOx selective catalytic reduction control based on simple models, Journal of Process Control, vol. 11, 2000?, pp. 35-51
65. Dong H-K., Jae Hoon J., Lee H.: Robust power plant control using clonal selection of immune algorithm based multiobjective, Fourth International Conference on Hybrid Intelligent Systems HIS'2004, Korea 2004, pp. 450-455
66. Domański P., Świrski K., Lewandowski J.: Wykorzystanie sieci neuronowych i optymalizacji w energetyce: porównanie doświadczeń Polska i USA, Prace IMiUE Politechniki Śląskiej, IX Konferencja Kotłowa, tom 1, 2002, s. 143-164
67. Domański P.D., Lewandowski J., Świrski K.: Optymalizacja pracy kotła przy wykorzystaniu sztucznych sieci neuronowych, VIII Konferencja Kotłowa, vol. 2, Politechnika Śląska, 1998, pp. 157-164
68. Domański P.D., Misiurek D., Świrski K.: Superheater Steam Temperature Control — fuzzy and neural approach, Proceedings of EUFIT'98, Aachen, Germany, August 1998
69. Domański P.D., Świrski K., Williams J.J.: Application of Advanced Control Technologies to the Emission Control and Optimization, Conference on Power Plant Emission Control and Monitoring Technologies, London 01/2000
70. Draeger A., Engell S., Ranke H.: Model predictive control using neural networks, IEEE Control System Magazine, vol. 15, 1995, pp. 61-66
71. Driankov D., Hallendoorn H., Reinfrank M.: Wprowadzenie do sterowania rozmytego, Wydawnictwa Naukowo-Techniczne, Warszawa 1996
72. Dukelow S.: The Control of Boilers, Instrument Society of America, Research Triangle Park, 1986
73. Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R.: Sieci neuronowe, Wydawnictwo Exit, Warszawa 2000
74. Duda J.T.: Modele matematyczne, struktury i algorytmy nadrzędnego sterowania komputerowego. Uczelniane Wydawnictwa Naukowo-Dydaktyczne, Kraków 2003.
75. Emerson Process Management: APC - Advanced Process Control Toolkit for OVATION, technical documentation, Pittsburgh 2006
76. Eykhoff P.: Identyfikacja w układach dynamicznych, PWN, Warszawa 1980
77. Farmer D., Packard N.H.: The Immune System, adaptation, and Machine Learning, Physica 22D, Amsterdam 1986
78. Fayyad U.M., Piatesky-Shapiro G., Smyth P.: From Data Mining to Knowledge Discover in Databases, American Association for Artificial Intelligence, MIT, 1996
79. Fayyad U.M., Piatesky-Shapiro G., Smyth P.: KDD process for extracting useful knowledge from volumes of data, Communications of the ACM, vol. 39, 1996, pp. 27-34
80. Fayyad U.M., Piatesky-Shapiro G., Smyth P., Uthurusamy R.: Advances in knowledge discovery and data mining, American Association for Artificial Intelligence, Menlo Part 1996
81. Fayyad U., Grinstein G.G., Wierse A.: Information, Visualization in Data Mining and Knowledge Discovery, Morgan Kaufman Publishers, San Francisco 2001
82. Filipkowski K.: Optymalizacja pracy kotłów z paleniskami niskoemisyjnymi z wykorzystaniem ciągłego pomiaru rozpływu pyłu, Prace IMiUE Politechniki Śląskiej, seria Konferencje, IX Konferencja Kotłowa, Szczyrk 2002
83. Findensein W.: Wielopoziomowe układy sterowania, PWN, Warszawa 1974
84. Findensein R., Allgower F.: An Introduction to Nonlinear Model Predictive Control 21st Benelux Meeting on Systems and Control, Veldhoven 2002
85. Foerter D., Jozewicz W.: Cost of Selective Catalytic Reduction (SCR) Application for NOx Control on Coal-fired Boilers, US EPA Report EPA/600/R-01/087, Washington 2001
86. Fogel D.B., Robinson C.J.: Computational Intelligence: The Experts Speak, Wiley-IEEE Pres, 2003
87. Fukuda T., Mori M., Tsukiama M.: Parallel Search for Multi-Modal Function Optimization with Diversity and Learning of Immune Alghorithm, in: DasGupta D. (ed.), Artificial Immune Systems and Their Applications, Springer-Verlag, pp. 210-22
88. Gabor J., Pakulski D., Domański P.D., Świrski K.: Closed loop NOx control and optimization using neural networks, IFAC Symposium On Power Plants and Power Systems Control 2000, Brussels, April, 2000, pp. 188-196
89. Ganczarek A.: Analiza ryzyka kontraktów terminowych Giełdy Energii S.A., Konferencja Naukowa Modelowanie Preferencji a Ryzyko, MPaR'04, 2004
90. Garcia C.E., Morshedi A.M.: Quadratic programming solution of Dynamic Matrix Control (QDMC). Chemical Engineering Communications, vol. 46, 1986, pp. 73-87
91. Garcia C.E., Prett D.M., Marari M.: Model predictive control: Theory and Practice - A survey, Automatica, vol. 23, No 2, 1989
92. Gibbs B.P. Weber D.S. Porter D.W: Application of nonlinear model-based predictive control to fossil power plants; Proceedings of the 30th IEEE Conference on Decision and Control, 1991, pp. 1850-1856
93. Gil P., Henriques J., Carvalho P., Duarte-Ramos H., Dourado A.: Adaptative neural model-based predictive control of a solar powerplant, Proceedings of IJCNN'2002 International Joint Conference on Neural Networks 2002, vol. 2, pp. 2098-2013
94. Gładyś H., Malta R.: Praca elektrowni w systemie elektroenergetycznym, Wydawnictwa Naukowo-Techniczne, Warszawa 1999
95. Goldberg D.E.: Algorytmy genetyczne i ich zastosowania, WNT, Warszawa 1995
96. Gordon A.D.: Classification, Chapman & Hall, London-New York-Washington 1999
97. Gupta M., Jin L., Homma N.: Static and Dynamic Neural Networks: From Fundamentals to Advanced Theory, Wiley-IEEE Press, April 2003
98. Halinka A., Szewczyk M., Witek B.: ANN-Based Fault Type and Location Identification System for Autonomus Preventive-Restoration Control of Complex Electrical Power System Plants, Proceedings of the International Conference 6th Fuzzy Days Dortmund, Computational Intelligence Theory and Applications, Springer Verlag, Germany 1999, pp. 682-684
99. Han J., Kamber M.: Data Mining: Concepts and Techniques, Morgan Kaufman, 2006
100. Hand D., Mannila H., Smyth P.: Principles of Data Mining, Adaptative Computation and Machine Learning series, Bradford Book, MIT Press, Cambridge, 2001
101. Hastie T., Tibshirani R., Friedman J.H.: The Elements of Statistical Learning: Data Mining, inference and Prediction, Springer-Verlag, NY 2001
102. Hartigan J.A.: Clustering algorithms, John Wiley, NY 1975
103. Haichen Yu, Zhijun Z.: Predictive Control Based on Neural Networks of The Chemical Process, Chinese Control Conference, 2006, pp. 1143-1147
104. Havlena V., Findejs J., Pachner D.: Combustion Optimizer with Inferential Sensing, Proceedings of the American Control Conference, Anchorage 2002
105. Havlena V., Findejs J.: Application of MPC to Advanced Combustion Control, IFAC Symposium on Power Plants & Power System Control, Brussels 2000, pp. 167-173
106. Harris T.J., Seppala C.T., Desborough L.D.: A review of performance monitoring and assessment techniques for univariate and multivariate control system, Journal of Process Control, vol. 9, 1999, pp. 1-17
107. Hertz J., Krogh R., Palmer A. Introduction to the theory of neural computing, Addison Wesley, 1992
108. Hippert H.S., Pedreira C.E., Souza R.C.: Neural networks for short-term load forecasting: a review and evaluation, IEEE Transactions on Power Systems, vol. 16, 2001, pp. 44-55
109. Hocking R., Johnson R.D., Flowers P.T.: Application of Advanced Process Control with Neural Networks to Control Power Plant Emission, Pavillion Technologies, project report and product presentation, 2000
110. Holland J.H.: Adaptation in Natural and Artificial Systems, MIT Press, 1992
111. Horikawa S.: A study on Fuzzy Modeling using Fuzzy Neural Networks, IFES'91, 1991, pp. 562-572
112. Ho-Sung P., Kyung-Won J., Sung-Kwun O., Tae-Chon A.: Evolutionary design of Self-Organizing Fuzzy Polynomial Neural Networks for modeling and prediction of NOx emission process, International Conference SICE-ICASE, Busan 2006, pp. 3796-3799
113. Huang S.R.: Short-term load forecasting using threshold autoregressive models, IEEE Proceedings - Generation, Transmission and Distribution, vol. 144, pp. 477-481
114. Hui L., Zhang D., Jun L., Wen-Xue L.: Application Based on Neural Network of the Boiler Optimal Control in power Station, Proceedings of 2005 International Conference on Machine Learning and Cybernetics, 2005, pp. 1192-1195
115. Ibarguengoytia P.H., Sucar L., Vadera S.: Real time intelligent sensor validation, IEEE Transactions on Power Systems, vol. 16, 2001, pp. 770-775
116. Ikonen E., Najim K.: Advanced Process Identification and Control, CRC Press, NY 2002
117. Jaipradidtham C.: Next Day Load Demand Forecasting of Future in Electrical Power Generation on Distribution Networks using Adaptive Neuro-Fuzzy Inference; PECon'06, IEEE International Power and Energy Conference, 2006, pp. 64-67
118. Janeway C., Medzhitov R.: Innate Immune Recognition, Annual Reviews Immunology, vol. 20, 2002, pp. 197-216
119. Janiczek R.: Eksploatacja elektrowni parowych, WNT, Warszawa 1992
120. Janiszewski K.: Identyfikacja modeli parametrycznych w przykładach, Exit, Warszawa 2002
121. Jankowski R., Domański P., Świrski K.: Optimization of a Coal Mill Using a MPC Type Controller; Proceedings of IMECE'03, 203 ASME International Mechanical Engineering Congress, Washington D.C., Nov. 15-21 2003
122. Jankowski R., Domański P., Świrski K.: Optymalizacja pracy młyna węglowego, Prace Naukowe Politechniki Warszawskiej, seria Konferencje, VI Konferencja PBEC, 9-12 grudnia 2003, Warszawa
123. Jankowski R., Jarmoszewicz G., Świrski K., Arabas J.: Optymalizacja pracy elektrociepłowni - typowe zagadnienia wdrożeniowe - ZE Ostrołęka A; Prace Naukowe PW, seria Mechanika, z. 190, 2001, s. 127-132
124. Jarmoszewicz G., Plamowski S., Świrski K.: Zaawansowane algorytmy optymalizacji i regulacji jako integralna część cyfrowego systemu automatyki (DCS) - stan obecny i przykład implementacji, materiały na Konferencje. Naukowo-Techniczną. ,,Kontrola Sterowanie i Automatyzacja Procesu Spalania w Kotłach Energetycznych", 23-25 maja 2005, Zakopane
125. Jiang Zhang H., Lin J., Li W. Xi: Application Based on Neural Network of the Boiler Optimal Control in Power Station, Proceedings of 2005 International Conference on Machine Learning and Cybernetics, pp. 1192-1195
126. Jian-Mei X., Xi-Huai W.: Nonlinear Neural Network Predictive Control for Power Unit using Particle Swarm Optimization, 2006 International Conference on Machine Learning and Cybernetics, Shanghai 2006
127. Jun J.H., Lee D.W., Sim K.B.: Realization of cooperative strategies and swarm behavior in distributed autonomous robotic systems using artificial immune systems, IEEE SMC, vol. 6, 1999, pp. 614-619
128. Kacprzyk J.: Wieloetapowe sterowanie rozmyte, WNT, Warszawa 2001
129. Kaczmarek J., Świrski K.: Mariaż rynku energii elektrycznej z rynkami finansowymi, XIII Konferencja Naukowo-Techniczna ,,Rynek Energii Elektrycznej", Kazimierz Dolny 2007, s. 221-229
130. Kalbarczyk P., Jankowski R., Świrski K., Piłat A.: Optymalizacja pracy elektrociepłowni w warunkach rynku energii - analiza zagadnienia, materiały X Konferencji Naukowo-Technicznej ,,Rynek Energii Elektrycznej", Kazimierz Dolny 6-9 maja 2003
131. Kantardzic M.: Data Mining, Wiley-IEEE, 2002
132. Kartalopoulos S.V., Understanding Neural Networks and Fuzzy Logic: Basic Concepts and Applications, Wiley-IEEE Press, IEEE Press Understanding Science & Technology Series, 1995
133. Kerschen G., De Boe P., Golinval J-C., Worden K.: Sensor Validation using principal component analysis, Smart Materials and Structures, vol. 14, 2005, pp. 36-42
134. Khotanzad A., Enwang Z., Elragal H.: A neuron-fuzzy approach to short-term load forecasting in a price-sensitive environment, IEEE Transactions on Power Systems, vol. 17, 2002, pp. 1273-1282
135. Kohonen T.: Self-Organization Map, Springer-Verlag, 1995
136. Komisja Europejska, Instytut Perspektywicznych Studiów Technologicznych, Zintegrowane Zapobieganie Zanieczyszczeniom i ich Kontrola (ICCP), Dokument referencyjny na temat najlepszych dostępnych technik dla dużych obiektów energetycznego spalania, www.mos.gov.pl, 2005
137. Korbicz J., Kościelny J.M., Kowalczuk Z., Cholewa W.: Diagnostyka procesów. Metody sztucznej inteligencji. Zastosowania, Wydawnictwa Naukowo-Techniczne, seria Monografie, tom 3, Warszawa 2002
138. Korbicz J., Obuchowicz A., Uciński D.: Sztuczne sieci neuronowe. Podstawy i Zastosowania, Akademicka Oficyna Wydawnicza PLJ, Warszawa 1994
139. Koronacki J.: Statystyczne systemy uczące się, Wydawnictwa Naukowo-Techniczne, Warszawa 2005
140. Kosman G., Łukowicz H., Kosman W.: Analiza strat bloku energetycznego wyznaczonych poprzez bezpośrednie obliczenia bilansowe, Międzynarodowa X Konferencja Kotłowa 2006 ,,Aktualne problemy budowy i eksploatacji kotłów", Szczyrk 2006, s. 165-181
141. Kortmann M., Unbehauen H.: Structure detection in the identification of nonlinear systems, RAIRO, Automation Production Information Industry, vol. 5, 1988, pp. 5-25
142. Krawiec K., Stefanowaki J.: Uczenie maszynowe i sieci neuronowe, Wydawnictwo Politechniki Poznańskiej, Poznań 2003
143. Kresta J.V., McGregor J.F., Marlin T.E.: Multivariate Statistical Monitoring of Process Operating Performance, Candian journal of chemical engineering, vol. 69, 1991, pp. 35-47
144. Krishnakumar K., Neidhoefer J.: An Immune System Framework for Integrating Computational Intelligence Paradigms with Applications to Adaptive Control, in: Computational Intelligence A Dynamic System Perspective, M. Palaniswami, Y. Attikiouzel, R.J. Marks II, D. Fogel and T. Fukuda, IEEE Press, pp. 32-45
145. Krishnakumar K., Neidhoefer J.: Immunized Adaptive Critics for Level 2 Intelligent Control, Proc. Of the IEEE SMC' 97, pp. 856-860
146. Krishnakumar K., Neidhoefer J.: Immunized Neurocontrol, Expert Systems with Applications, 2002, pp. 201-214
147. Kruczek S.: Kotły, Oficyna Wydawnicza Politechniki Wrocławskiej, 2001
148. Kucowski J., Laudyn D., Przekwas M.: Energetyka a ochrona środowiska, WNT, Warszawa 1993
149. Kusiak A., Burns A., Milster F.: Optimizing combustion efficiency of a circulating fluidized boiler: A data mining approach, International Journal of Knowledge Based and Intelligent Engineering Systems, vol. 9, 2004, pp. 263-274
150. Kuźnik J.: Regulatory i układy regulacji, Wydawnictwo Politechniki Śląskiej, Gliwice 2002
151. Kyung-Bin S., Seong-Kwan H., Jung-Wook P.: Hybrid load forecasting method with analysis of temperature sensitivities, IEEE Transaction on Power Systems, vol. 21, 2006, pp. 869-876
152. Lau H.Y., Wong V.W.: A Strategic Behavioral-based Intelligent Transport System with Artificial Immune System, IEEE International Conference on Systems, Man and Cybernetics, 2004
153. Laudyn D., Pawlik M., Strzelczyk F.: Elektrownie. Wydawnictwa Naukowo-Techniczne, Warszawa 2000
154. Lichota J., Przygodzki P.: Identyfikacja emisji tlenków azotu i węgla w kotle OP-650 za pomocą. sztucznych sieci neuronowych, Rynek Energii, nr 5, 2005, s. 58-66
155. Lee K.Y.: Intelligent techniques applied to power plant, IEEE Power Engineering Society General Meeting, June 2006
156. Lee K.Y., Heo J., Hoffman J., Kim A., Jung W.: Modified Predictive Optimal Control Using Neural Network-based Combined Model for Large-Scale Power Plants, Power Engineering Society General Meeting, Tampa 2007
157. Lewandowski J.: Zagadnienia identyfikacji turbin parowych, Politechnika Warszawska, rozprawa habilitacyjna, Warszawa 1989
158. Lewandowski J., Miller A., Świrski K.: Symulacja nieustalonych procesów cieplno-przepływowych w maszynach cieplnych. VIII Ogólnopolski Sympozjon Symulacja Procesów Dynamicznych, Zakopane 1994
159. Lewandowski J., Miller A., Świrski K.: Zadania obliczeniowe kompleksowego nadzoru eksploatacji bloków energetycznych, Prace Naukowe Politechniki Warszawskiej, seria Konferencje, z. 6, Warszawa 1995
160. Li W.: Risk Assessment of Power Systems, IEEE Press Series on Power Engineering Willey-IEEE, 2004
161. Liang R.H., Ching-Chi C.: Short-term load forecasting by a neuron-fuzzy based approach International Journal of Electrical Power & Energy Systems, vol. 24, 2002, pp. 103-111
162. Liang R.H., Leong F.H., Lam H. K., Tarn P.: Short-term electric load forecasting based on a neural fuzzy network, IEEE Transactions on Industrial Electronics, vol. 50, 2003 pp. 1305-1316
163. Lindsley D.: Boiler Control Systems, McGraw-Hill 1991
164. Liptak B. (ed.): Instrument Engineers' Handbook — Process Control
165. Little R., Rubin A.: Statistical analysis with missing data, John Wiley & Sons, NY 1986
166. Liu X.J., Chan C.W.: Neuro-Fuzzy Generalized Predictive Control of Boiler Steam Temperature, IEEE Transaction on Energy Conversion, vol. 21, pp. 900-908, 2006
167. Liu X.J., Guan P., Liu J.Z.: Power plant coordinated predictive control using neurofuzzy model, American Control Conference, June 2006
168. Looney C.: Pattern recognition using neural networks, Oxford Univeristy Press, 1997
169. Lu P-J., Hsu T-C.: Application of autoassociative neural network on gas-path sensor data validation, Journal of Propulsion and Power, vol. 18, 2002, pp. 879-888
170. Lu S., Hogg B.: Dynamic Nonlinear Modeling of Power Plant by Physical Principles and Neural Networks, International Journal of Electrical Power and Energy Systems, vol. 22, 2000, pp. 67-78
171. Lydyard P.M., Whelan A., Fanger M.V.: Instant Notes in Immunology, BIOS Scientific Publishers Limited, 2000
172. Łyp J.: Problematyka krótkoterminowego prognozowania obciążeń elektroenergetycznych dla potrzeb uczestnictwa w rynku energii. Polityka Energetyczna, t. 9, Polska Akademia Nauk, Instytut Gospodarki Surowcami Mineralnymi i Energią, s. 157-170, materiały konferencyjne: XX Konferencja z cyklu Zagadnienia Surowców Energetycznych i Energii w Gospodarce Krajowej, 8-11 października 2006, Zakopane
173. Ma J., Zhang J., Yan Y.: Wavelet transform based sensor validation, IEE Colloquium on Intelligent and Self-Validating Sensors, Oxford 1999, pp. 10/1-10/4
174. Maciejowski J.M.: Predictive Control with constrains, Prentice Hall, 2002
175. Magni L., Bastin G., Wertz V.: Multivariable Nonlinear Predictive Control of cement mills, IEEE Tran. Control Systems Technology, vol. 7, No 4, 1999, pp. 502-508
176. Mamdani E.H., Assilian S.: An Experiment in Linguistic Synthesis with a Fuzzy Logic Controller, Int. J. Man-Machine Studies, 7, 197?, s. 1-13
177. Martin E.B., Morris A. J., Zhang J.: Process performance monitoring using multivariable statistical process control, IEEE Proceedings - Control Theory and Applications, vol. 143, 1996
178. Marusak P., Tatjewski P., Stable, effective fuzzy DMC algorithms with on-line quadratic optimization, Proc. of the American Control Conference 2003, 4-6 June 2003, pp. 3513-3518
179. Marusak P.M.: Regulacja predykcyjna obiektów nieliniowych z zastosowaniem techniki DMC i modelowania rozmytego, rozprawa doktorska, Politechnika Warszawska, Warszawa 2002
180. Masters T.: Sieci neuronowe w praktyce, WNT, Warszawa 1996
181. Matsumoto H., Ohsawa Y.: An autonomous, adaptive optimization control system with cooperative fuzzy reasoning and a neural network for large scale process operations, Proceedings of the IEEE International Conference on Neural Networks, vol. 2, Perth 1995, pp. 755-759
182. Mattern D., Jaw L., Guo T-H., Graham R., McCoy W.: Using Neural Networks for Sensor Validation, NASA/TM-1998-208488, 34th Joint Propulsion Conference, Cleveland 1998
183. Mayne D.Q.: Nonlinear predictive control: An Assessment, Fifth International Conference on Chemical Process Control, AICHE and CACHE, 1997, pp. 217-231
184. Meadows E., Rawlings J.: Model Predictive Control, chapter 5 in Nonlinear Process Control - Michael Henson and Dale Seborg editors, Prentice Hall, 1997, pp. 233-310
185. Merritt R.: Process simulators - from design to startup and beyond, Control for the Process Industries, April 2006
186. Mielczarski W.: Rynki energii elektrycznej, Agencja Rynku Energii SA, Warszawa 2000
187. Mielczarski W.: Elektroenergetyka w Unii Europejskiej - o miejsce dla Polski, Wydawca Rynek Energii - Konsulting spółka z o.o., Łódź 2002
188. Mikulczyński T., Samsonowicz Z.: Automatyzacja dyskretnych procesów produkcyjnych, WNT, Warszawa 1997
189. Miller A.: Modelowanie pracy turbin parowych i sprężarek wirnikowych dla celów sterowania procesami technologicznymi, rozprawa habilitacyjna, Wydawnictwa Politechniki Warszawskiej, 1976
190. Miller A., Lewandowski J., Badyda K., Świrski K.: Gas turbines - modeling and simulation; IMECHE Conference Transactions, vol. 1B, 1999, p. 1099-1108
191. Misiorek A., Piesiewicz T.: Praktyczne wykorzystanie technik informatycznych w prognozowaniu zapotrzebowania na energię elektryczną, Mat. VIII Konferencji Rynek Energii Elektrycznej, Kazimierz Dolny 2001, s. 129-133
192. Misiorek A., Weron R.: Zastosowanie zmiennych zewnętrznych w celu zwiększenia dokładności prognoz zapotrzebowania na energie elektryczną, Konferencja ,,Aktualne Problemy w Elektroenergetyce", APE05, Jurata 2005
193. Morari M., Lee JH.: Model predictive control: past, present and future, Computers and chemical engineering, vol. 4, 1999, pp. 667-682
194. Mori H., Yuihara A.: Deterministic annealing clustering for ANN-based short -term load forecasting, IEEE Transaction Power Systems, vol. 17, 2001, pp. 545-555
195. Mrabet M., Fnaiech F., Chaari A., Al-Haddad K.: Nonlinear Predictive Control Based on NARX Models with Structure Identification, 28th Annual Conference of the Industrial Electronics Society, vol. 3, 2002, pp. 1757-1762
196. Mulawka J.: Systemy ekspertowe, WNT, Warszawa 1996
197. Na W., Song-Ming J., Dong-Feng W., Shou-Rong Q., Pu H.: Application of Fuzzy Predictive Control in Superheated Steam Temperature Control, International Conference on Machine Learning and Cybernetics, Dalian 2006
198. Najman K.: Data Mining w procesie wydobywania wiedzy ze zbiorów danych, Zeszyty Naukowe Uniwersytetu Gdańskiego, Prace i Materiały WZ UG, 2-2003, SOPOT 2003, s. 101-110
199. Najman K., Najman K.: Analityczne metody ustalania liczby skupień, Prace Naukowe AE we Wrocławiu, Nr 1076, 2005
200. Napolitano M., Windon D., Casanova J., Innocenti M, Silvestri G.: Kalman filters and neural-network schemes for sensor validation inflight control systems, IEEE Transactions on Control Systems Technology, vol. 6, 1998, pp. 596-611
201. Nawrocki W.: Rozproszone systemy pomiarowe, WKL, 2006
202. Neelakantan R., Domański P.D., Świrski K.: Hybrid Neural Network Model Based Control of a Coal Fired Boiler, PowerGEN International'98, Orlando 12/1998
203. Neuman P., Sulc B., Dlouhy T.: Nonlinear Model of a Coal Fired Boiler Applied to an Engineering Simulator, Proceedings of the IFAC Symposium on Power Plants and Power System Control, Brussels 2000
204. Norgaard M., Sorensen P.H., Poulsen N.K., Ravn O., Hansen L.K.: Intelligent predictive control of nonlinear processes using neural networks, Proceedings of the 1996 IEEE International Symposium on Intelligent Control, Wyd. Naukowe PWN, Warszawa 2002, pp. 301-306
205. Nowak A.J.: Advanced Numerical Techniques in Energy Transfer, Wydawnictwo Politechniki Śląskiej, Gliwice 2004
206. Nowak R.: Statystyka dla fizyków, Wyd. Naukowe PWN, Warszawa 2002
207. Ogilvie T., Swidenbank E., Hogg B.W.: Use of data mining techniques in the performance monitoring and optimization of a thermal power plant, IEE Colloquium on Knowledge Discovery and Data Mining, London 1998, pp. 7/1-7/4
208. Olsson G., Piani G.: Computer system for automation and control, Prentice Hall, New York 1992
209. Oluwande G.A.: Exploitation of advanced control techniques in power generation, Computing & Control Engineering Journal, vol. 12, 2001, pp. 63-67
210. Orłowski P., Dobrzański W.: Kotły parowe w energetyce przemysłowej, Wydawnictwa Naukowo-Techniczne, Warszawa 1991
211. Osowski S., Sieci neuronowe w ujęciu algorytmicznym, Wydawnictwa Naukowo-Techniczne, Warszawa 1996
212. Osowski S., Siwek K.: The selforganizing neural network approach to load forecasting in the power system, International Joint Conference on Neural Networks, Washington 1999
213. Ovaska S.J.: Computationally Intelligent Hybrid Systems: The Fusion of Soft Computing and Hard Computing, IEEE Press Series on Computational Intelligence, Wiley-IEEE Press, 2004
214. Owsianka B.: Kompleksowy system bilansowania i nadzoru eksploatacji elektrowni i elektrociepłowni metoda TKE, Energetyka 2002, nr 3, 2002, s. 147
215. Papalexopoulos A. D., Hesterberg T. C.: A regression-based approach to short-term system load forecasting, IEEE Transaction on Power System, vol. 5, 1990, pp. 1535-1547
216. Pappa N., Shanmugam J.: Neural network based predictor for control of cascaded thermal process, Proceedings of International Conference on Intelligent Sensing and Information Processing, 2004, pp. 289-294
217. Park D.C., El-Sharkawi M.A., Marks R.J., Atlas L., Damborg M.J.: Electric load forecasting using an artificial neural network, IEEE Transactions on Power Systems, vol. 6, 1991, pp. 442-449
218. Patterson P.D.: Obtaining Improved Efficiency and Reduced LOI Using Advanced Combustion Optimizer on a Boiler Optimization in Load-Following Mode, materiały Pegasus Corporation inc., (www.pegasus. corn)
219. Payne W.F., Thompson R.E.: Efficient Boiler Operation Sourcebook, The Fairmont Press, 1996
220. Pedrycz W., Czogała E.: Elementy i metody teorii zbiorów rozmytych, PWN, Warszawa 1985
221. Peng H., Nakano K., Shioya H.: Nonlinear Predictive Control Using Neural Nets-Based Local Linearization ARX Model - Stability and Industrial Application, IEEE Transaction on Control Systems Technology, vol. 15, 2007, pp. 130-143
222. Pevneva N., Piskov V., Zenkov A.: An integrated computer-based training simulator for the operative personnel of the 800 - MW power-generating unit at the Perm District Power Station, Journal Thermal Engineering, MAIK Nauka/Interperiodica, vol. 54, 2007, pp. 542-547
223. Pham D.T., Liu X.: Neural Networks for Identification, Prediction and Control, Springer-Verlag, 1995
224. Piche S., Sayyar-Rodsari B., Johnson D., Gerules M.: Nonlinear model predictive control using neural networks; Control Systems Magazine, IEEE 2000, pp. 53-62
225. Piegat A.: Modelowanie i sterowanie rozmyte. Akademicka Oficyna Wydawnicza Exit. Warszawa 1999
226. Pollak J., Giebułtowski J.: Regulacja rozmyta w zastosowaniu do dozowania sorbentu w instalacji odsiarczania spalin metodą suchą w kotle OP-650b, Energetyka, vol. 8, 2002
227. Pollak J., Woźniak A., Dynia Z., Lipnowicz T.: Zastosowanie metod sztucznej inteligencji do optymalizacji spalania w kotłach pyłowych na węgiel brunatny i do realizacji wybranych funkcji diagnostyki młynów wentylatorowych, Materiały Konferencji Naukowo-Technicznej ,,Kontrola, sterowanie i automatyzacja procesu spalania w kotłach energetycznych”, Zakopane 2005
228. Poulin E., Pomerleau A.: PID tuning for integrating and unstable processes, IEE Proceedings of Control and Applications, vol. 143, 1996, pp. 429-434
229. Popławski T.: Hybrydowy model prognozowania cen na towarowej giełdzie energii, Materiały Konferencyjne XIII Konferencji Naukowo-Technicznej ,,Rynek Energii Elektrycznej”, Kazimierz Dolny 2007, s. 229-236
230. Popławski T.: Zastosowanie logiki rozmytej w prognozowaniu obciążeń dobowych, Materiały VI Konferencji Naukowo-Technicznej ,,Prognozowanie w Elektroenergetyce”, Częstochowa 2004, s. 75-83
231. Prasad G., Swidenbank E., Hogg B.W.: A novel performance monitoring strategy for economical thermalpower plant operation, IEEE Transaction on Energy Conversion, vol. 14, 1999, pp. 802-809
232. Pronobis M.: Modernizacja kotłów energetycznych, WNT, Warszawa 2002
233. Pullum L.L., Taylor B.J., Darrah M.A.: Guidance for the Verification and Validation of Neural Networks, Wiley-IEEE Emerging Technologies, 2007
234. Pułaczewski J.: Skrypt do przedmiotu Cyfrowe Algorytmy Regulacji. Raport IAiIS PW, Warszawa 1990
235. Puttem J., Venneker B.: Numeryczne modelowanie spalania w kotle pyłowym: porównanie i ocena dokładności dwóch pakietów oprogramowania, Prace Naukowe Politechniki Śląskiej, seria Konferencje, X Międzynarodowa Konferencja Kotłowa, t. 4, Szczyrk 2006, s. 157-178
236. Qin S.J.: Statistical Process monitoring: basics and beyond, Journal of Chemometrics, vol. 17, 2003, pp. 460-502
237. Qin S.J., Borders G.: A Multiregion Fuzzy Logic Controller for Non-linear Process Control, IEEE Trans, on Fuzzy Systems, vol. 2, No 1, 1994, pp. 74-81
238. Qin S.J. Badgwell A.: An Overview of Nonlinear Model Predictive Control Application, in Nonlinear Predictive Control (ed. Allgöwer F. and Zheng A.), 2000, pp. 369-392
239. Rakowski J.: Automatyka cieplnych urządzeń siłowni, WNT, Warszawa 1980
240. Rataj Z.: Zaawansowane systemy I&C i nowe koncepcje automatyzacji procesów dla optymalizacji pracy elektrowni, Materiały Konferencji Naukowo-Technicznej ,,Kontrola, sterowanie i automatyzacja procesu spalania w kotłach energetycznych", Zakopane 2005
241. Rataj Z., Walewski A., Mroczek K., Wojnar W.: Optymalizacja spalania w kotle z paleniskiem pyłowym z pośrednim zasobnikiem pyłu, Prace IMUiUE Politechniki Śląskiej, seria Konferencje, IX Konferencja Kotłowa ,,Aktualne problemy budowy i eksploatacji kotłów", 2002
242. Rawlings J.B.: Tutorial overview of model predictive control, IEEE Control System Magazine, 20(3), 2000, pp. 38-52
243. Richalet J.: Industrial Applications of Model Based Predictive Control, Automatica vol. 29, 1993, pp. 1251-1274
244. Rolicz P. (red.): Metody i systemy komputerowe w automatyce i elektrotechnice, Wydawnictwa Politechniki Częstochowskiej, Częstochowa 2005
245. Rusinowski H., Szega M., Majchrzak H., Witos T., Szyszka P., Trojniar W.: System kontroli pracy bloku energetycznego z zastosowaniem rachunku wyrównawczego do uwiarygodnienia wynikow pomiaru, Energetyka, 2002
246. Rutkowska D., Piliński M., Rutkowski L.: Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, PWN, Warszawa-Łódź 1999
247. Rutkowski L.: Metody i techniki sztucznej inteligencji, Wydawnictwo Naukowe PWN, Warszawa 2006
248. Salez D., Cipriano A., Ordys A.W.: Optimization of industrial processes at supervisory level, Springer, London 2002.
249. Sathyanath S., Sahin F.: AISIMAM - An Artificial Immune System Based Intelligent Multi Agent and Its Application to a Mine Detection Problem, ICARIS 2002, Session I, pp. 22-31
250. Schnell U.: Numerical modeling of solid fuel combustion processes using advanced CFD-based simulation tools, Journal of Progress in Computational Fluid Dynamics, vol. 1, 2001, pp. 208-218
251. Schultz P., Golenia Z., Grott J., Domański P. D., Świrski K.: Advanced Emission Control, PowerGEN Europe 2000, Helsinki 2000
252. Senyard A., Kazmierczak E., Sterling L.: Software engineering methods for neural networks, 10th Asia Pacific Software Engineering Conference, 2003, pp. 468-477
253. Sfetsos A., Siriopoulos C.: Time Series Forecasting of Averaged Data With Efficient Use of Information, IEEE Transactions on System, Man and Cybernetics, vol. 35, 2005, pp. 738-735
254. Shinners S.: Modern Control System. Theory and Design, Wiley-Interscience Publication, Wiley & Sons, NY 1998
255. Shyh-Jier H., Kuang-Rong S.: Short-term load forecasting via ARMA model identification including non-Gaussian process consideration, vol. 18, 2003, 2003, pp. 673-679
256. Simoglou A., Martin E.B., Morris A.J.: Statistical performance monitoring of dynamic multivariate processes using state space modeling, Computers and Chemical Engineering, vol. 25, 2002, pp. 909-920
257. Sistu P., Bequette B.: Nonlinear Model Predictive Control. Closed-loop Stability Analysis, Journal of Artificial Intelligence in Chemical Engineering, vol. 42, 1996, pp. 3388-3402
258. Smith D.J.: Plant performance monitoring leads the way to higher efficiency, Power Engineering, vol. 91, 1987
259. Sobota J.: Rozwój algorytmów obliczeń sprawności w normach kotłowych, Prace Naukowe Politechniki Śląskiej, seria Konferencje, X Międzynarodowa Konferencja Kotłowa, t. 3, Szczyrk 2006, s. 347-356
260. Solomon E.P, Berg L.P., Martin D.M., Villee C.A.: Biology, Saunders College Publishing, 1993
261. Spalding D.: Thomson C., Hesselman G., King L., Achieving 2016 Nox Targets without Selective Cataytic Reduction Methods, Prace Naukowe Politechniki Śląskiej, seria Konferencje, X Międzynarodowa Konferencja Kotłowa, t. 3, Szczyrk 2006, s. 358-373
262. Stanek W., Rusinowski H.: Zastosowanie modelowanie neuronowego w modelu teoretyczno-empirycznym kotła, Prace Naukowe Politechniki Śląskiej, seria Konferencje, X Międzynarodowa Konferencja Kotłowa, t. 3, Szczyrk 2006, s. 386-396
263. Stetsos A., Siriopoulos C.: Time series forecasting with a hybrid clustering scheme and pattern recognition, IEEE Transactions on Systems, man and Cybernetics, part A, vol. 3, 2004, pp. 399-405
264. Strzelczyk M., Świrski K.: Sootblowing Optimization Algorithms for Maintaining Boiler Cleanliness, The ISASTED Conference on Power and Energy Systems - EuroPES 2003, 9.03-9.05.2003, Marbella
265. Suarez-Cerda D.A.: Neural-network-based approximate predictive control for the start-up of a steam generator, Proceedings of the 2004 IEEE Joint Conference on Neural Networks, 2004
266. Swanekamp R.: Boiler and combustion system monitoring zeros in on real-world targets, Power Journal, vol. 139, 1995, pp. 15-22
267. Swidenbank E., Garcia J.A., Flynn D., Rapun J.: On-line optimization and monitoring of power plant performance through machine learning techniques, UKACC International conference on Control, vol. 1, Swansea 1998, pp. 257-262
268. Szargut J.: Analiza termodynamiczna I ekonomiczna w energetyce przemysłowej, WNT, Warszawa 1983
269. Szewczyk M., Halinka A.: Wspomaganie podejmowania decyzji w układach i systemach elektroenergetycznych z wykorzystaniem sztucznych sieci neuronowych część 2, Elektro-info 6/2005, Dom Wydawniczy MEDIUM, Warszawa 2005, s. 44-50
270. Szwarc W., Kuta J.: Cyfrowy symulator kotła z obiegiem naturalnym, Wydawnictwa Politechniki Śląskiej, seria Konferencje, XIV Konferencja Kotłowa, Szczyrk 2002, s. 77-89
271. Świrski K.: Cyfrowe Systemy Sterowania, serwis internetowy dla wykładu i ćwiczeń, http://enertetyka.itc.pw.edu.pl/dcs, 2002-2007
272. Świrski K., Lewandowski J., Jakuczun W.: Metoda TKE kontroli eksploatacji bloków energetycznych - problemy i propozycje modyfikacji, Przegląd Energetyczny Nr 2, lipiec 2006
273. Świrski K., Warchoł M., Wojdan K.: Optymalizator spalania w kotle wykorzystujący algorytmy immunologiczne; materiały II Konferencji Naukowo-Technicznej ,,Kontrola, Sterowanie i Automatyzacja Procesu Spalania w Kotlach Energetycznych", Szczyrk, 4-6 czerwca 2007
274. Swirski K., Williams J.: Statistical Analysis for Performance Calculation, Proceedings of The 50th ISA Power Industry Division Symposium, 17th Annual Joint ISA POWID/EPRI Controls & Instrumentation Conference, June 10-15 2007, Pittsburgh
275. Swirski 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, Kyoto, June 2007, New Trend in Applied Artificial Intelligence, Springer-Verlag
276. Swirski K., Miller A.: Mathematical modeling of the gas turbine transient performance: Aerothermodynamics of internal flows III, Proceedings of the 3rd International Symposium on Experimental and Computational Aerothermodynamics of Internal Flows, Beijing, 1-6 Sept. 1996, pp. 747-751
277. Świrski K., Domański P., Lewandowski J.: Modele empiryczne procesów w zastosowaniach dla instalacji energetycznych, Prace Naukowe PW, seria Konferencje, IX Zjazd Termodynamików, z. 22, tom 4, 2002, s. 1229-1238
278. Świrski K., Domański P.D., Arabas J., Białobrzeski L., Chomiak T.: Optymalna regulacja kotła pyłowego dla celów obniżenia emisji i podwyższenia sprawności, Seminarium ENERGOPOMIAR'97, Szczyrk, listopad 1997, pp. 187-198
279. Świrski K., Lewandowski J.: Nowa koncepcja systemu informatycznego elektrowni, Prace Naukowe PW, seria Konferencje z. 21, Warszawa 2001, s. 255-260
280. Szargut J., Ziebik A.: Podstawy energetyki cieplnej, Wydawnictwa Naukowo-Techniczne, Warszawa 2000
281. Tadeusiewicz R., Sieci neuronowe, Akademicka Oficyna Wydawnicza, Warszawa 1993
282. Takagi T., Sugeno M.: Fuzzy identification of systems and its application to modeling and control, IEEE Transactions on Systems, Man and Cybernetics, vol. 15, 1985, pp. 116-132
283. Taler J.: Teoria i praktyka identyfikacji procesów przepływu ciepła, Wyd. Ossolineum, Wrocław 1995
284. Tan C.: Optymalizacja rozpływów powietrza wtórnego z wykorzystaniem metod sztucznej inteligencji na przykładzie kotła OP-650 w celu minimalizacji emisji NOx, CO oraz niedopału, Materiały Konferencji Naukowo-Technicznej ,,Kontrola, sterowanie i automatyzacja procesu spalania w kotłach energetycznych", Zakopane 2005
285. Tan W., Chen T., Marquez H.: Boiler Firing Control Design Using Model Predictive Techniques, IF AC 15th Triennal World Congress, Barcelona 2002
286. Tarnowski W., Barkiewicz S.: Modelowanie matematyczne i symulacja komputerowa dynamicznych procesów ciągłych, Wydawnictwo Politechniki Koszalińskiej, Koszalin 1998
287. Taylor J.W., Buizza R.: Neural network load forecasting with weather ensemble predictions, IEEE Transactions on Power Systems, vol. 17, 2002, pp. 626-632
288. Tatjewski P.: Sterowanie zaawansowane obiektów przemysłowych. Struktury i algorytmy, Akademicka Oficyna Wydawnicza Exit, Warszawa 2002.
289. Transition Technologies S.A., http://www.tt.com.pl, materiały wewnętrzne — instrukcje produktów
290. Trybus L.: Stacje procesowe systemów sterowania w energetyce, VII Konferencja Automatyków, Rytro 13-14 maja, 2003, s. 1-32
291. Tucker W., van der Wiel S.: Algorithmic Statistical Process Control: An Elaboration. Technometrics Journal of ASA, vol. 35, No 4, 1993
292. Turnau A.: Sterowanie docelowe układami nieliniowymi w czasie rzeczywistym – algorytmy inteligentne i optymalnoczasowe, Wydawnictwo AGH, Kraków 2002
293. Vapnik V.: The nature of statistical learning theory, Springer-Velrlag, 1995
294. Venneker B., Korevaar C.: CFD Predictions of the Effect of Co-firing Pulverized Coal Power Plants with Biomass, Prace Naukowe Politechniki Śląskiej, seria Konferencje, X Międzynarodowa Konferencja Kotłowa, t. 4, s. 157-178, Szczyrk 2006
295. Wang Q., Luo Z., Li X., Fang M.: A Mathematical Model for Circulated Fluidized Bed (CFB) Boiler, Energy 24, 1999, pp. 633-653
296. Wang L., Cluett T.: Tuning PID controllers for integrating processes, IEE Proceedings Control and Applications, vol. 144, 1997, pp. 385-392
297. Wawelski J., Latos J.: Regulacja nadmiaru powietrza w paleniskach kotłów niskoemisyjnych, Energetyka nr 6, 1998, s. 229-232
298. Weighell M., Martin E.B., Morris A.J.: The statistical monitoring of a complex manufacturing process, Journal of Applied Statistics, vol. 28, 2001, pp. 409-425
299. Wen T., Tongwen C., Marguea H.: Boiler Control Design using Model Predictive Techniques, Proceeeding of the 15th IFAC Tiennial Wold Congress, Barcelona 2002
300. Wenging C., Jianzhong Z., Hongbin W.: Compensatory Controller Based on Artificia Immune System, Proceedings of yje 2006 IEEE International Conference Mechatronics and Automation, Luoyang 2006, pp. 1608-1613
301. Weron A.: Prognozowanie cen w warunkach rynku energii elektrycznej, referat na warsztatach ,,Prognozowanie mocy i zapotrzebowania na energię elektryczną jako jedna z dróg redukcji kosztów", ID WE, Warszawa 2002
302. Wierzchoń S.: Immune algorithms in action: Optimization of nonstationary functions, SzI-16'2001: XII Ogólnopolskie Konwersatorium nt. Sztuczna Inteligencja - nowe wyzwania (badania — zastosowania — rozwój), Warszawa 2001
303. Wierzchoń S.: Sztuczne Systemy Immunologiczne - teoria i zastosowanie, Wyd. Exit Warszawa 2001
304. Wigbels M., Althaus W., Lucht M.: Nonlinear Optimisation in CHP-Applications, Repor No 1, Fraunhofer Institut fur Umwelt-, Sicherheist- und Energietechnik UMSICHT, Germany 2002
305. Wilk R.: Low-emission combustion, Wydawnictwo Politechniki Śląskiej, Gliwice 2002
306. Williams J., Świrski K.: Closed Loop Nox Control and Optimization using Neural Networks, POWID Vth Instrumentation, Controls, and Automation in Power Industry Conference, vol. 41, Scottsdale, 1998, pp. 111-121
307. Williams J.J.: Optimization software for NOx reductions, World Coal, January 2002
308. Witten I.H., Frank E.: Data Mining. Practical Machine Learning Tools and Technique; with Java Implementations, Morgan Kaufmann, 2000
309. Winiecki W.: Organizacja komputerowych systemów pomiarowych, Oficyna Wydawnicz; Politechniki Warszawskiej, Warszawa 2006
310. Wojdan K., Świrski K.: Stochastic Immune Layer Optimizer: efficient tool for optimization of combustion process in a boiler, Proceedings of The 1st International Conference on Bio Inspired mOdels of NEtwork, Information and Computing Systems – BIONETICS 2006, Cavalese, December 2006
311. Wolfram S.: Approaches to complexity engineering, Physica 22D, 1986, pp. 385-399
312. Xiang-Jie L., Ting-Ting Y., Ji-Zhen L.: Power Plant Coordinated Predictive Control Using Neurofuzzy Model, The Sixth World Congress on Intelligent Control and Automation, 2006
313. Yanger R.R., Filev D.P.: Podstawy modelowania i sterowania rozmytego, WNT, Warszawa 1995
314. Yanjun L., Hill D.J., Tiejun W.: Nonlinear model predictive control with immune optimization for voltage security control, Proceedings of The fifth World Congress on Intelligent Control and Automation, WCICA 2004, vol. 6, pp. 5189-5193
315. Yen G., Wei F.: Winner take all experts network for sensor validation, Proceedings of the 2000 IEEE International Conference on Control Applications, Anchorage 2000, pp. 92-97
316. Youping F., Yunping C., Shangsheng L., Yongguang C.: Complex System Monitoring through Neural Network based Bidirectional Reduce Feature Data, The Sixth World Congress on Intelligent Control and Automation, vol. 2, 2006, pp. 5702-5707
317. Zadeh L.: Fuzzy Sets and Systems, Proceedings of the Symposium System Theory, Polytech Institute Brooklyn, 1965, pp. 29-37
318. Zawada M.: Modelowanie i prognozowanie zapotrzebowania na energię elektryczną w aspekcie rozwoju rynku energii elektrycznej w Polsce, Wydawnictwo Humanitas, 2005
319. Zerka M.: Strategie na rynkach energii elektrycznej, Instytut Doskonalenia Wiedzy o Rynku Energii, Warszawa 2003
320. Zerka M.: Mechanizmy rynkowe w elektroenergetyce, Instytut Doskonalenia Wiedzy o Rynku Energii, Warszawa 2001
321. Zhang Z., Zhang C.: Control Strategy Analysis of Superheated Temperature System for Large-scale Thermal Power Generation, Chinese Control Conference, Harbin 2006, pp. 1679-1683
322. Zhao Z.Y., Tomizuka M., Isaka S.: Fuzzy Gain Scheduling of PID Controllers, IEEE Trans. Systems, Man and Cybernetics, vol. 23, No 5, 1993, pp. 1392-1398
323. Zhou H., Cen K., Mao J.: Combining Neural Network and Genetic Algorithms to Optimize Low NOx Pulverized Coal Combustion, Fuel, vol. 80, 2001, pp. 2163-2169
324. Zimmermann H.-J.: Fuzzy Set Theory and Its Application, Kluwer Academic Publishers, Boston 1991
325. Zieliński J.: Inteligentne systemy w zarządzaniu. Teoria i praktyka, WNT, Warszawa 2000
326. Ziębik A.: Systemy energetyczne, Wydawnictwo Politechniki Śląskiej, Gliwice 1989
327. Ziębik A., Rusinowski H., Szega M., Kita M., Pawłowska J.: Ocena energetyczna bloku ciepłowniczego z zastosowaniem procedury zaawansowanej walidacji danych pomiarowych, Energetyka, 2005, s. 673-682
328. Ziebik A., Szega M.: Ocena energetyczna bloku ciepłowniczego z turbina upustowo-kondensacyjna, w systemie kontroli eksploatacji, materiały na XVIII Zjazd Termodynamików, Muszyna 2002
329. Zeigler B.P.: Teoria modelowania i symulacji, WNT, Warszawa 1984
330. Żurada J., Barski M., Jędruch W.: Sztuczne sieci neuronowe, PWN, Warszawa 1996

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-article-PWA4-0002-0001