Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Neuronowy model prognozowania smogu

Makar Kamila, Kajewska-Szkudlarek Joanna

Ciepłownictwo, Ogrzewnictwo, Wentylacja

2022

T. 53, nr 1

28--33

W dzisiejszych czasach zanieczyszczenie powietrza jest jednym z głównych, globalnych zagrożeń dla człowieka i środowiska. Prognozowanie zanieczyszczeń powietrza możliwe jest dzięki modelom sztucznej inteligencji, w tym sztucznym sieciom neuronowym. W artykule przedstawiono model prognozowania smogu z wykorzystaniem sztucznych sieci neuronowych stworzony na podstawie wielkości stężenia pyłów PM10 w Nowej Rudzie w okresie 2019-2020 oraz danych meteorologicznych. Do prognozowania wykorzystano sieć neuronową typu perceptron wielowarstwowy. Aby poprawić jakość modelu wykorzystano analizę skupień, dzięki której otrzymano dokładniejszą prognozę. Przeprowadzone badania wskazują, że wykorzystanie analizy skupień do grupowania wielkości PM10 w zależności od aktualnej temperatury minimalnej znacząco wpływa na jakość prognozy. Wynika to z korelacji niskiej temperatury powietrza, która wymusza ogrzewanie mieszkań, ze wzrostem wielkości niskiej emisji. Zastosowanie zaproponowanej metodyki prognozowania umożliwiło otrzymanie neuronowego modelu predykcji PM10, w którym zależność danych rzeczywistych i prognozowanych wynosiła r = 0.99, a średniokwadratowy błąd MSE od 0.021 do 0.159. Tak dokładne prognozowanie zanieczyszczenia powietrza może się przyczynić do poprawy jakości życia i ochrony społeczeństwa przed smogiem.

Nowadays, air pollution is one of the main global threat to the environment and human. Air pollution forecasting is possible thanks to artificial intelligence models, including artificial neural networks. The article presents a smog forecast model with the use of neural artificial networks based on the volume of PM10 in Nowa Ruda in the period 2019-2020 and meteorological data. A multilayer perceptron neural network type was used for prediction. To improve the quality of the model, a cluster analysis was used, thanks to which a more accurate forecast was obtained. The conducted research shows that the use of cluster analysis to group PM10 values depending on the actual minimum temperature significantly improves the quality of the forecast. This is due to the correlation of low air temperature, which causes home heating, with an increase in low emissions. Using the proposed methodology, the PM10 neural prediction models were obtained, for which the relationship between the observed and predicted data was r = 0.99 and the mean square error MSE from 0.021 to 0.159. Such accurate forecasting of air pollution may contribute to the improvement of the quality of life and protection of the society against smog.

Model neuronowy predykcji temperatury wewnętrznej w lokalach mieszkalnych budynku wielorodzinnego

Bylicki Jan, Kajewska-Szkudlarek Joanna, Stańczyk Justyna, Łomotowski Janusz, Licznar Paweł

Instal

2019

nr 9

31--35

Stosowane obecnie w ciepłownictwie Inteligentne Systemy Grzewcze, których obsługa odbywa się za pomocą platform SCADA (ang. Supervisory Control and Data Acquisition), są źródłem wielkiej ilości danych pomiarowych. Bardzo często informacje w nich zawarte są tracone, ponieważ ich analiza stwarza problemy natury metodologicznej. W niniejszym artykule przedstawiono wyniki badań nad wykorzystaniem jednej z metod eksploracji danych (ang. Data Mining) do predykcji temperatury powietrza w 31 lokalach mieszkalnych budynku wielorodzinnego. W tym celu za pomocą Sztucznych Sieci Neuronowych (ang. Artificial Neural Networks - ANN) analizowano szeregi czasowe temperatury wewnętrznej oraz dobowych sum temperatury wewnętrznej w trakcie jednego sezonu grzewczego (październik-maj). Jakość utworzonych neuronowych modeli predykcji oceniano na podstawie wartości współczynników korelacji liniowej oraz ilorazu odchyleń standardowych pomiędzy danymi rzeczywistymi i prognozowanymi. Wykazano, że zaproponowana metoda może być stosowana jako narzędzie wspomagające naliczanie opłat za użytkowanie sieci grzewczej w przypadku krótkotrwałych awarii systemu monitoringu.

Intelligent Heating Systems, operated by SCADA (Supervisory Control and Data Acquisition) that are used today in heating systems are a source of great amount of measurement data. Very often information contained therein is lost because data analysis creates problems of a methodological nature. This paper presents the results of research on the use of data mining methods to predict air temperature in 31 premises of a multi-family building. For this purpose, the time series of indoor temperature and daily sums of indoor temperature during one heating season (October-May) were analyzed using Artificial Neural Networks (ANN). The quality of neuron prediction models was assessed on the basis of values of linear correlation coefficients and the quotient of standard deviations between actual and predicted data. It has been shown that the proposed method can be used as a tool to support the calculation of heating fees in the case of short-term failures of the monitoring system.