Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Przegląd Elektrotechniczny

2 2024

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Deep learning neural network for chaotic wind speed time series prediction

Ahuja Muskaan, Saini Sanju

Przegląd Elektrotechniczny

2024

R. 100, nr 9

106--110

Accurate wind speed forecasting is essential for wind energy systems, but it’s difficult due to the wind's uncertainty. In this study, shorttime wind speed prediction is done on the basis of phase space reconstruction and using neural network techniques. The BASEL (Switzerland) site wind speed data is collected. Firstly, the chaotic nature of the time series is ascertained to verify its short time predictability. Then training data is created by using the phase space reconstruction technique, i.e., using knowledge of embedding delay and embedding dimension. Using this data, two models of Artificial neural networks, i.e., Feedforward neural network (FFNN) and Convolution Neural Network (CNN) are trained to predict wind speed. The wind speed time series is categorized into seasons, respectively JUN-AUG (summer), SEP-NOV (autumn), DEC-FEB (winter), and MAR-MAY (spring), for both locations. Training accuracy of each model is compared on the basis of Mean Squared Error (MSE), Mean Absolute Error (MAE), Root Mean Squared Error (RMSE) & Symmetric Mean Absolute Percentage Error (SMAPE) metrics. Simulation results show the superiority of CNN over FFNN for the prediction of wind speed.

Dokładne prognozowanie prędkości wiatru jest niezbędne dla systemów energetyki wiatrowej, ale jest trudne ze względu na niepewność wiatru. W tym badaniu krótkoterminowe prognozowanie prędkości wiatru odbywa się na podstawie rekonstrukcji przestrzeni fazowej i przy użyciu technik sieci neuronowych. Gromadzone są dane dotyczące prędkości wiatru w BAZYLEI (Szwajcaria). Najpierw ustala się chaotyczną naturę szeregu czasowego, aby zweryfikować jego krótkoterminową przewidywalność. Następnie tworzone są dane treningowe przy użyciu techniki rekonstrukcji przestrzeni fazowej, tj. wykorzystując wiedzę na temat opóźnienia osadzania i wymiaru osadzania. Przy użyciu tych danych trenowane są dwa modele sztucznych sieci neuronowych, tj. sieć neuronowa Feedforward (FFNN) i sieć neuronowa splotowa (CNN), aby przewidywać prędkość wiatru. Szeregi czasowe prędkości wiatru są kategoryzowane według pór roku, odpowiednio JUN-AUG (lato), SEP-NOV (jesień), DECFEB (zima) i MAR-MAY (wiosna), dla obu lokalizacji. Dokładność treningu każdego modelu jest porównywana na podstawie metryk średniego błędu kwadratowego (MSE), średniego błędu bezwzględnego (MAE), pierwiastka średniego błędu kwadratowego (RMSE) i symetrycznego średniego błędu procentowego bezwzględnego (SMAPE). Wyniki symulacji pokazują wyższość CNN nad FFNN w przewidywaniu prędkości wiatru.

A hybrid approach for enhancing grid restoration

Minaxi Minaxi, Saini Sanju, Tiwari Garima

Przegląd Elektrotechniczny

2024

R. 100, nr 9

80--84

Blackout restoration is crucial to energy security and infrastructure resilience. Black-start procedures must be used to restore a power grid methodically. Grid recovery requires selecting the correct unit black-start optimization methods. Each Dijkstra shortest path approach determines a unit's optimum recovery route after a large power loss. A full indication includes unit capacity, climbing rate, beginning power, recovery time, and route recovery capacitance. An exhaustive index. This index facilitates unit startup. We end with a unit black-start strategy using the optimal recovery route, unit start sequence, and unit start limitations. This method works in the IEEE30 node system simulation. Research suggests the black-start method may boost unit recovery and success. Black-start strategy performance is assessed for two prominent graph-based algorithms, Dijkstra and A*. Unit black-start analysis is assessed for Dijkstra and A* algorithms. Priorities include start sequence and recovery path optimization. Grid recovery efficiency and efficacy depend on performance measures. Optimization, route length, and calculation time improve process dependability and efficiency. Dijkstra's simple, reliable approach works well in certain situations. The heuristic A* algorithm works well in certain cases. Both strategies are used in this paper to improve system performance. Explaining the power system's peculiarities comparatively allows for selecting an algorithm.

Przywracanie po awarii ma kluczowe znaczenie dla bezpieczeństwa energetycznego i odporności infrastruktury. Procedury czarnego startu muszą być stosowane w celu metodycznego przywracania sieci energetycznej. Przywracanie sieci wymaga wybrania prawidłowych metod optymalizacji czarnego startu jednostki. Każde podejście Dijkstry do najkrótszej ścieżki określa optymalną trasę odzyskiwania jednostki po dużej utracie mocy. Pełne wskazanie obejmuje pojemność jednostki, szybkość wznoszenia, moc początkową, czas odzyskiwania i pojemność odzyskiwania trasy. Wyczerpujący indeks. Ten indeks ułatwia uruchamianie jednostki. Kończymy strategią czarnego startu jednostki, wykorzystując optymalną trasę odzyskiwania, sekwencję uruchamiania jednostki i ograniczenia uruchamiania jednostki. Ta metoda działa w symulacji systemu węzłów IEEE30. Badania sugerują, że metoda czarnego startu może zwiększyć odzyskiwanie i sukces jednostki. Wydajność strategii czarnego startu jest oceniana dla dwóch wybitnych algorytmów opartych na grafach, Dijkstry i A*. Analiza czarnego startu jednostki jest oceniana dla algorytmów Dijkstry i A*. Priorytety obejmują sekwencję uruchamiania i optymalizację ścieżki odzyskiwania. Efektywność i skuteczność odzyskiwania sieci zależą od miar wydajności. Optymalizacja, długość trasy i czas obliczeń poprawiają niezawodność i wydajność procesu. Proste, niezawodne podejście Dijkstry sprawdza się w pewnych sytuacjach. Heurystyczny algorytm A* sprawdza się w pewnych przypadkach. Obie strategie są używane w tym artykule w celu poprawy wydajności systemu. Wyjaśnienie osobliwości systemu energetycznego w sposób porównawczy pozwala na wybór algorytmu.