Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Journal of Water and Land Development

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: wind farms localization

Sortuj według:

Ogranicz wyniki do:

German support systems for onshore wind farms in the context of Polish acts limiting wind energy development

Dawid L.

Journal of Water and Land Development

2017

no. 34

109--115

European energy system is undergoing a deep transition to low-emission energy sources, mainly wind farms. This transition is caused mostly by energy politics of European Union (EU) and its goals in the topic of renewable energy. European wind energy is dominated by Germany that produces half of total wind energy in EU. The aim of this article is to present support systems for wind farms existing in Germany in the context of introducing in Poland the Act of 20 May 2016 on Wind Energy Investments limiting onshore wind farms localization and Act of 22 June 2016 introducing changes to the Act on Renewable Energy Sources (RES) and some other acts. It is postulated to make amendments of acts regulating RES while considering German solutions.

System energetyczny w Europie przechodzi głęboką transformację w kierunku niskoemisyjnych źródeł energii, głównie farm wiatrowych. Rozwój ten w dużej mierze spowodowany jest polityką energetyczną Unii Europejskiej (UE) i jej celami w zakresie energii odnawialnej. W kategorii energii wiatrowej prym wiodą Niemcy, których farmy wiatrowe produkują połowę całkowitej energii wiatrowej UE. Celem artykułu jest przedstawienie systemów wsparcia rozwoju farm wiatrowych na przykładzie Niemiec i w kontekście wprowadzenia w Polsce ustawy z dnia 20 maja 2016 r. o inwestycjach w zakresie elektrowni wiatrowych ograniczającej lokalizację farm wiatrowych na lądzie oraz ustawy z dnia 22 czerwca 2016 r. o zmianie ustawy o odnawialnych źródłach energii (OZE), a także niektórych innych ustaw. Postuluje się zmianę ustaw regulujących OZE i wprowadzenie w Polsce systemów wsparcia na wzór niemiecki.

Using artificial neural networks to determine the location of wind farms. Miedzna district case study

Pokonieczny K.

Journal of Water and Land Development

2016

no. 30

101--111

The article concerns issues pertaining to of selecting suitable areas for wind farms. The basic assumption of the study was to take into account both criteria related to the profitability of this type of power plant, as well as public interest, which means the harmonious and not burdensome functioning of these installations for local communities. The problem of wind farm localization may be solved by the application of artificial neural networks (ANN), which are a computational intelligence element. In the conducted analysis, the possibility of wind farm localization was considered for the primary grid field with dimensions of 100 by 100 m. To prepare the training set, topographic vector data from the VMap L2 and SRTM (Shuttle Radar Topography Mission) digital terrain model were used. For each 100-meter x 100-meter grid, the input data was prepared, consisting of the factors which are important from the point of view of wind farm localization (forests, rivers, built-up areas etc.). Studies show that a properly trained neural network (using a representative number of samples and for the appropriate architecture), allows to process automation area classification in terms of placement on the wind turbines.

Zgodnie z obowiązującymi w Polsce regulacjami prawnymi użytkowanie elektrowni wiatrowych podlega odpowiednim uwarunkowaniom. Obostrzenia te dotyczą zarówno parametrów technicznych tych urządzeń, które związane są z bezpieczeństwem ich eksploatacji, jak i uwarunkowaniami przestrzennymi, związanymi z lokalizacją tych elektrowni oraz ich odległości od takich elementów pokrycia terenu, jak zabudowa czy lasy. Problematyka ta jest szczególnie istotna w kontekście częstych protestów mieszkańców, w sąsiedztwie których takie elektrownie mają być budowane. W celu wyznaczenia obszarów optymalnych dla lokalizacji elektrowni wiatrowych wykorzystano jedną z metod uczenia maszynowego, którą są sztuczne sieci neuronowe. Ich istotą, a jednocześnie przewagą nad metodami bazującymi na zadanym algorytmie, jest zdolność do uogólnienia otrzymywanych wyników, gdy algorytm rozwiązania danego problemu nie jest prosty (jak w przypadku wyznaczania obszarów szczególnie predestynowanych do lokalizacji elektrowni wiatrowych). W artykule przedstawiono metodykę zastosowania jednego rodzaju sieci neuronowych, którym jest perceptron wielowarstwowy. W zastosowanej sieci wykorzystano metodę nauczania nadzorowanego z nauczycielem, polegającą na wskazywaniu sieci neuronowej wzorcowego rozwiązania z określonymi danymi wejściowymi, którymi są parametry związane z pokryciem terenu i sąsiedztwem przestrzennym pola podstawowego, tj. kwadratu o wymiarach 100 × 100 m. Jako studium przypadku wybrana została gmina Miedzna, która znajduje się we wschodniej części województwa mazowieckiego i jest gminą wiejską o charakterze rolniczym. Obszar gminy leży na falistej wysoczyźnie morenowej, urozmaiconej morfologicznie. Otwarte pola uprawne oraz lekko pofałdowany teren to dwa główne czynniki sprzyjające możliwości rozmieszczenia farm wiatrowych na danym terenie. W zaprezentowanych w artykule przykładach wykorzystane zostały dane przestrzenne pochodzące z Vector Map Level 2 oraz dane wysokościowe Shuttle Radar Topography Mission (SRTM). W wyniku przeprowadzonych eksperymentów dowiedziono, że poprawnie nauczona sieć neuronowa (z wykorzystaniem reprezentatywnej liczby próbek i odpowiednią architekturą), umożliwia poprawne wyznaczenie obszarów predestynowanych do lokalizacji elektrowni wiatrowych nie tylko na terenie gminy Miedzna, ale również innych gmin, automatyzując proces wykonywania analiz tego typu.