Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: predykcja obciążenia

Sortuj według:

Ogranicz wyniki do:

Badanie jakości predykcji obciążeń elektroenergetycznych za pomocą sieci neuronowych SVM, RBF i MLP

Ciechulski T., Osowski S.

Przegląd Elektrotechniczny

2014

R. 90, nr 8

148-151

W pracy porównane zostały metody predykcji obciążeń w małym systemie elektroenergetycznym w Polsce, bazujące na wykorzystaniu jako modeli predykcyjnych sieci neuronowych SVM, RBF i MLP. Symulacje sieci neuronowych zostały przeprowadzone w środowisku MATLAB z uwzględnieniem dwóch zadań prognozy: z wyprzedzeniem jedno i 24–godzinnym.

This paper compares three methods of load forecasting in a small power system in Poland. The solution is based on application of the SVM, RBF and MLP neural networks. The simulations of neural networks performed in MATLAB were conducted for two tasks of prognosis: one hour ahead and 24–hour ahead. The results have been compared to the naïve prognoses.

Sterowanie turbiną gazową na rynku energii elektrycznej z wykorzystaniem sztucznych sieci neuronowych

Lichota J.

Rynek Energii

2008

nr 2

39-45

Celem artykułu jest pokazanie, że można maksymalizować sprzedaż energii elektrycznej generowanej przez turbinę gazową do sieci elektroenergetycznej wykorzystując sztuczne sieci neuronowe do modelowania własności dynamicznych turbiny. Z obliczeń wynika, że można zwiększyć moc elektryczną turbiny o 0,1-2,5% po optymalizacji pracy układów regulacji. Wykazano również, że uzyskanie neuronowego modelu zmiany ceny rozliczeń w oparciu jedynie o ceny CRO znane z przeszłości nie jest możliwe. Przedstawiono aspekty ekonomiczne i techniczne procesu dostawy energii elektrycznej do systemu elektroenergetycznego.

This paper shows application of artificial neural networks (feed-forward, 3-layer input:hidden:output = 4:5:1 neurons) to identification of gas turbine dynamic properties. Obtained mathematical model is used to find answers on few questions. Is it possible to get higher electrical power P from turbine changing e.g. gas flow mg or flue gas temperature behind second turbine stage ts2? Another variables in model like air temperature Tp, internal power demand pw, atmospheric pressure patm were constant during optimization. Figures 18, 19 are showing results. Increasing gas flow or decreasing flue gas temperature higher electrical power is obtained (0.1-2.5%). In-vestigations shows that energy price prediction utilizing only prices from past to learning artificial neural network is risky.