Нейромережевий метод визначення активного складу вітрової електричної станції

2020;
: cc. 55 - 64
1
Національний університет «Львівська політехніка»
2
Національний університет «Львівська політехніка»
3
Національний університет «Львівська політехніка»

В статті подано результати дослідження можливостей застосування нейронних мереж для розв’язання задачі визначення активного складу вітрової електричної станції (ВЕС) з врахуванням коефіцієнта ефективності кожної вітроелектричної установки (ВЕУ).

Здійснено порівняльний аналіз отриманих результатів з відомими методами визначення активного складу ВЕС, такими як: метод динамічного програмування; метод динамічного програмування із обґрунтованим підвищенням заданого навантаження; модифікований метод динамічного програмування. Визначено переваги та недоліки використання кожного з досліджуваних методів, щодо можливості досягнення заданої потужності генерації при максимальному коефіцієнті ефективності вибраних ВЕУ.

Встановлено, що при використанні рекурентних нейронних мереж для розв’язання задачі визначення активного складу ВЕС, мінімальний лінійний коефіцієнт варіації різниці між потужністю, яку необхідно генерувати, та реальною потужністю визначеного активного складу ВЕС становить 2,7%. За тих же умов застосування інших відомих методів, зокрема, модифікованого методу динамічного програмування забезпечує досягнення цього параметра на рівні 0,05%. При цьому час розв’язання задачі суттєво збільшується. Шляхом комп’ютерного моделювання встановлено, що за рівних умов час розв’язання задачі за допомогою нейронних мереж — 0,04 с, а за допомогою модифікованого методу динамічного програмування 3,4 с. Отримані результати забезпечують можливість реалізації ефективних систем підтримки прийняття рішень при управлінні енергетичними потоками.

  1. Медиковський М.О., Шуневич О.Б. (2010). Багатокритеріальний метод оцінювання ефективності вітроенергетичної установки. Київ: Вісник інженерної академії України 4. 240-245.
  2. Тюптя В.І., Шевченко В.І., Стрюк В.К. (2003). Динамічне та нелінійне програмування. Київ: Електронна бібліотека факультету кібернетики
  3. Медиковський М.О., Шуневич О.Б. (2010). Використання цілочисельного програмування для визначення складу вітрової електростанції. Київ: Моделювання та інформаційні технології 57. 230-233.
  4. Медиковський М.О., Шуневич О.Б. (2009). Метод визначення структури вітрової електростанції з врахуванням динаміки навантаження. Київ: Моделювання та інформаційні технології. 175–181.
  5. Шуневич О.Б. (2013). Інформаційна технологія формування динамічного складу вітрової електростанції. (Автореферат дисертації на здобуття наукового ступеня кандидата технічних наук). Національний університет «Львівська політехніка». Львів.
  6. V. Kravchyshyn, M. Medykovskyy, R. Melnyk (2016). Modification of Dynamic Programming Method in Determining Active Composition of Wind Power Stations. Computational problems of electrical engineering Vol. 6, 83-90.
  7. Теслюк Т.В., Цмоць І.Г.,Теслюк В.М., Медиковський М.О. (2017). Оптимізація структури вітрової електричної станції з використанням методу гілок і границь. Восточно-Европейський журнал передовых технологий 2/8(86).
  8. Yoshua Bengio, Andrea Lodi, Antoine Prouvost (2018). Machine Learning for Combinatorial Optimization: Methodological Tour d’Horizon. URL: https://arxiv.org/abs/1811.06128.
  9. Kate A. Smith (1999). Neural Networks for Combinatorial Optimization: A Review of More Than a Decade of Research. Informs Journal on Computing Vol. 11(1). 15-34.
  10. Shigeo Abe, Junzo Kawakami, Kotaroo Hirasawa (1992). Solving Inequality Constrained Combinatorial Optimization Problems by the Hopfield. Neural Networks Vol. 5(4). 663-670.
  11. Davide Martini (2012). Application of Neural Network for the Knapsack Problem. (Magister theses). Università degli studi di padova. Padua.
  12. J. Deane and Anurag Agarwal (2012). Neural metaheuristics for the multidimensional knapsack problem. Technical report.
  13. Mattias Ohlsson, Carsten Peterson, Bo Söderberg (1993). Neural Networks for Optimization Problems with Inequality Constraints: The Knapsack Problem. Mainz Institute for Theoretical Physics Vol. 5. 331-339.
  14. Ben Krause, Liang Lu, Iain Murray, Steve Renals (2015). On the Efficiency of Recurrent Neural Network Optimization Algorithms. NIPS Optimization for Machine Learning Workshop.
  15. Jianli Feng, Shengnan Lu, (2019). Performance Analysis of Various Activation Functions in Artificial Neural Networks. Journal of Physics Conference Series.
  16. A. Trask, F. Hill, S. E. Reed, J. Rae, C. Dyer, P. Blunsom (2018). Neural arithmetic logic units. NIPS’18: Proceedings of the 32nd International Conference on Neural Information Processing Systems. 8035–8044.
  17. Enercon E-53 — 800,00 kW — Wind turbine. URL: https://en.wind-turbine-models.com/turbines/530- enercon-e-53.
  18. Enercon E-44 — 900,00 kW — Wind turbine. URL: https://en.wind-turbine-models.com/turbines/531- enercon-e-44.