Нейромережевий метод визначення активного складу вітрової електричної станції

Simple item page
dc.citation.epage64
dc.citation.issue8
dc.citation.journalTitleВісник Національного університету "Львівська політехніка". Інформаційні системи та мережі
dc.citation.spage55
dc.contributor.affiliationНаціональний університет “Львівська політехніка”
dc.contributor.affiliationLviv Polytechnic National University
dc.contributor.authorМедиковський, Микола
dc.contributor.authorМельник, Роман
dc.contributor.authorДубчак, Максим
dc.contributor.authorMedykovskyi, Mykola
dc.contributor.authorMelnyk, Roman
dc.contributor.authorDubchak, Maxim
dc.coverage.placenameЛьвів
dc.coverage.placenameLviv
dc.date.accessioned2022-05-24T11:49:13Z
dc.date.available2022-05-24T11:49:13Z
dc.date.created2020-03-01
dc.date.issued2020-03-01
dc.description.abstractУ 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 самих 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.
dc.description.abstractThe article presents the results of the study of the possibilities of using neural networks to solve the problem of determining the active set of a wind farm (WF), taking into account the efficiency of each wind turbines (WT). The comparative analysis of the obtained results with the known methods of determining the active composition of WF, such as: the method of dynamic programming; the method of dynamic programming with increasing the load on the experimentally set percentage; modified method of dynamic programming. The advantages and disadvantages of using each of the studied methods in terms of the possibility of achieving a given generation power at the maximum efficiency of the selected WT are determined. It is established that when using recurrent neural networks to solve the problem of determining the active composition of WF, the minimum direct linear variation of the difference between the power to be generated and the actual power of the determined active set of WF is 2.7 %. Under the same conditions, the use of other known methods, in particular, the modified method of dynamic programming ensures the achievement of this parameter at the level of 0.05 %. This significantly increases the time to solve the problem. By computer simulation, it was found that under equal conditions, the time to solve the problem using neural networks – 0.04 s, and using a modified method of dynamic programming 3.4 s. The obtained results provide an opportunity to implement effective decision support systems in energy flow management.
dc.format.extent55-64
dc.format.pages10
dc.identifier.citationМедиковський М. Нейромережевий метод визначення активного складу вітрової електричної станції / Микола Медиковський, Роман Мельник, Максим Дубчак // Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі. — Львів : Видавництво Львівської політехніки, 2020. — № 8. — С. 55–64.
dc.identifier.citationenMedykovskyi M. Neural network method for search of the active site of a wind power plant / Mykola Medykovskyi, Roman Melnyk, Maxim Dubchak // Visnyk Natsionalnoho universytetu "Lvivska politekhnika". Informatsiini systemy ta merezhi. — Lviv : Vydavnytstvo Lvivskoi politekhniky, 2020. — No 8. — P. 55–64.
dc.identifier.doidoi.org/10.23939/sisn2020.08.055
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/56910
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.relation.ispartofВісник Національного університету "Львівська політехніка". Інформаційні системи та мережі, 8, 2020
dc.relation.references1. Медиковський М. О., Шуневич О. Б. (2010). Багатокритеріальний метод оцінювання ефективності вітроенергетичної установки. К.: Вісник інженерної академії України 4. 240–245.
dc.relation.references2. Тюптя В. І., Шевченко В. І., Стрюк В. К. (2003). Динамічне та нелінійне програмування. К.: Електронна бібліотека факультету кібернетики.
dc.relation.references3. Медиковський М. О., Шуневич О. Б. (2010). Використання цілочисельного програмування для визначення складу вітрової електростанції. К.: Моделювання та інформаційні технології 57. 230–233.
dc.relation.references4. Медиковський М. О., Шуневич О. Б. (2009). Метод визначення структури вітрової електростанції з врахуванням динаміки навантаження. К.: Моделювання та інформаційні технології. 175–181.
dc.relation.references5. 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.
dc.relation.references6. 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.
dc.relation.references7. 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).
dc.relation.references8. Yoshua Bengio, Andrea Lodi, Antoine Prouvost (2018). Machine Learning for Combinatorial Optimization: Methodological Tour d'Horizon. URL: https://arxiv.org/abs/1811.06128.
dc.relation.references9. 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.
dc.relation.references10. Shigeo Abe, Junzo Kawakami, Kotaroo Hirasawa (1992). Solving Inequality Constrained Combinatorial Optimization Problems by the Hopfield. Neural Networks Vol. 5(4). 663–670.
dc.relation.references11. Davide Martini (2012). Application of Neural Network for the Knapsack Problem. (Magister theses). Università degli studi di padova. Padua.
dc.relation.references12. J. Deane and Anurag Agarwal (2012). Neural metaheuristics for the multidimensional knapsack problem. Technical report.
dc.relation.references13. 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.
dc.relation.references14. Ben Krause, Liang Lu, Iain Murray, Steve Renals (2015). On the Efficiency of Recurrent Neural Network Optimization Algorithms. NIPS Optimization for Machine Learning Workshop.
dc.relation.references15. Jianli Feng, Shengnan Lu, (2019). Performance Analysis of Various Activation Functions in Artificial Neural Networks. Journal of Physics Conference Series.
dc.relation.references16. 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.
dc.relation.references17. Enercon E-53 – 800,00 kW – Wind turbine. URL: https://en.wind-turbine-models.com/turbines/530-enercone-53.
dc.relation.references18. Enercon E-44 – 900,00 kW – Wind turbine. URL: https://en.wind-turbine-models.com/turbines/531-enercone-44.
dc.relation.referencesen1. Medykovskyy M., Shunevich O. (2010). Multicriteria method for evaluating the efficiency of a wind power plant. K.: Bulletin of the Engineering Academy of Ukraine 4. 240–245.
dc.relation.referencesen2. Tyuptya V. I., Shevchenko V. I., Stryuk V. K. (2003). Dynamic and nonlinear programming. K.: Electronic Library of the Faculty of Cybernetics
dc.relation.referencesen3. Medikovsky M., Shunevich O. (2010). Using integer programming to determine the composition of a wind farm. K.: Modeling and Information Technologies 57. 230–233.
dc.relation.referencesen4. Medykovskyy M., Shunevich O. (2009). Method for determining the structure of a wind power plant taking into account the load dynamics. K.: Modeling and information technologies. 175–181.
dc.relation.referencesen5. Shunevich O. (2013). Information technology of formation of dynamic composition of wind power plant. (Abstract of the dissertation for the degree of candidate of technical sciences). Lviv Polytechnic National University. Lviv [in Ukrainian].
dc.relation.referencesen6. Kravchyshyn V., Medykovskyy M., Melnyk R. (2016). Modification of Dynamic Programming Method in Determining Active Composition of Wind Power Stations. Computational problems of electrical engineering Vol. 6, 83–90.
dc.relation.referencesen7. Teslyuk T. V., Tsmots I. G., Teslyuk V. M., Medykovskyy M. O. (2017). Optimization of the structure of a wind power plant using the method of branches and boundaries. Eastern European Journal of Advanced Technologies 2/8 (86).Yoshua Bengio, Andrea Lodi, Antoine Prouvost (2018). Machine Learning for Combinatorial Optimization: Methodological Tour d'Horizon. Retrieved from https://arxiv.org/abs/1811.06128 [in English].
dc.relation.referencesen8. 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.
dc.relation.referencesen9. Shigeo Abe, Junzo Kawakami, Kotaroo Hirasawa (1992). Solving Inequality Constrained Combinatorial Optimization Problems by the Hopfield. Neural Networks Vol. 5(4). 663–670.
dc.relation.referencesen10. Davide Martini (2012). Application of Neural Network for the Knapsack Problem. (Magister theses). Università degli studi di padova. Padua.
dc.relation.referencesen11. J. Deane and Anurag Agarwal (2012). Neural metaheuristics for the multidimensional knapsack problem. Technical report.
dc.relation.referencesen12. 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.
dc.relation.referencesen13. Ben Krause, Liang Lu, Iain Murray, Steve Renals (2015). On the Efficiency of Recurrent Neural Network Optimization Algorithms. NIPS Optimization for Machine Learning Workshop.
dc.relation.referencesen14. Jianli Feng, Shengnan Lu, (2019). Performance Analysis of Various Activation Functions in Artificial Neural Networks. Journal of Physics Conference Series.
dc.relation.referencesen15. 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.
dc.relation.referencesen16. Enercon E-53 – 800.00 kW – Wind turbine. Retrieved from https://en.wind-turbine-models.com/turbines/530-enercon-e-53 [in English].
dc.relation.referencesen17. Enercon E-44 – 900.00 kW – Wind turbine. Retrieved from: https://en.wind-turbine-models.com/turbines/531-enercon-e-44 [in English].
dc.relation.urihttps://arxiv.org/abs/1811.06128
dc.relation.urihttps://en.wind-turbine-models.com/turbines/530-enercone-53
dc.relation.urihttps://en.wind-turbine-models.com/turbines/531-enercone-44
dc.relation.urihttps://en.wind-turbine-models.com/turbines/530-enercon-e-53
dc.relation.urihttps://en.wind-turbine-models.com/turbines/531-enercon-e-44
dc.rights.holder© Національний університет “Львівська політехніка”, 2020
dc.rights.holder© Медиковський М., Мельник Р., Дубчак М., 2020
dc.subjectвітрова електрична станція
dc.subjectштучна нейронна мережа
dc.subjectактивний склад вітрової електричної станції
dc.subjectоптимізація
dc.subjectwind power plant
dc.subjectartificial neural networks
dc.subjectactive set of wind power plant
dc.subjectoptimization
dc.subject.udc004.023
dc.titleНейромережевий метод визначення активного складу вітрової електричної станції
dc.title.alternativeNeural network method for search of the active site of a wind power plant
dc.typeArticle

Files

Original bundle
Now showing 1 - 2 of 2
No Thumbnail Available
Name:
2020n8_Medykovskyi_M-Neural_network_method_55-64.pdf
Size:
901.17 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
2020n8_Medykovskyi_M-Neural_network_method_55-64__COVER.png
Size:
395.26 KB
Format:
Portable Network Graphics
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.88 KB
Format:
Plain Text
Description:
Download

Collections

Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі. – 2020. – Випуск 8