PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Wykorzystanie dynamicznych sieci neuronowych do modelowania pracy bloku gazowo-parowego

Autorzy
Identyfikatory
Warianty tytułu
EN
Modelling of gas-and-steam energy block using dynamic neural networks
Konferencja
Problemy Badawcze Energetyki Cieplnej. PBEC/sympozjum (VII; 06-09 XII 2005; Warszawa, Polska)
Języki publikacji
PL
Abstrakty
PL
W artykule przedstawiono proces modelowania układu turbiny gazowej z generatorem energii elektrycznej przy użyciu sztucznych sieci neuronowych ze sprzężeniem zwrotnym. Przedstawiono struktury sieci neuronowych wykorzystanych do modelowania obiektu, dokonano analizy dokładności modeli na podstawie błędu średniokwadratowego (MSE) ze względu na ilość neuronów warstwy ukrytej oraz ilość próbek pamiętanych w pętli sprzężenia zwrotnego. Wyznaczono rodzinę funkcji MSE=f(n). Zaproponowano sposób wykorzystania budowanych modeli do optymalizacji pracy układu w warunkach zmiennego obciążenia.
EN
The paper deals with process of modelling a gas turbine with power generator. Different structures of neural networks used for modelling are shown. Accuracy analysis of neural network models using mean square error (MSE) and function MSE=f(n) has been estimated. The way of using investigated models for control and optimization in variable load conditions has been proposed.
Rocznik
Tom
Strony
107--113
Opis fizyczny
Bibliogr. 5 poz., rys., tab., wykr.
Twórcy
autor
  • Politechnika Lubelska
autor
  • Politechnika Lubelska
Bibliografia
  • [1] Klempka R.: Modelowanie i symulacja układów dynamicznych. Wydawnictwa Naukowo-Dydaktyczne AGH, Kraków 2004.
  • [2] Kotowicz J.: Analiza efektywności wybranych układów z turbiną gazową. Wydawnictwo Politechniki Śląskiej, Gliwice 2003.
  • [3] Kotowicz J., Kotowicz R.: Analiza efektywności elektrowni gazowo-parowych. Rynek Energii 2004, nr 3.
  • [4] Bujalski W., Lewandowski J.: Identyfikacja modelu matematycznego turbiny parowej z wykorzystaniem pomiarów z rozproszonego systemu sterowania (DCS). PBEC, Wa-wa 2001.
  • [5] Neural Network Toolbox User's Guide version 4.: The MathWorks Inc 2002.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-article-PWA5-0012-0012
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.