|
|
Stochastické řízení zásobní funkce nádrže
Pruch, David ; Matoušek, Petr (oponent) ; Kozel, Tomáš (vedoucí práce)
Stochastické řízení zásobní funkce vodní nádrže pracuje s určitým počtem hodnot předpovězených průtoků s určitým pravděpodobnostním rozdělením. Pro požadavek stochastického řízení zásobní funkce nádrže byl sestaven stochastický předpovědní model fungující na principu metody LHS. Model pracuje s náhodnými procesy, mezi které patří průtok v daném měrném profilu. Stochastické řízení má výhodu naproti deterministickému řízení v eventualitě výběru řízení pro určitý pravděpodobnostní scénář. V práci jsou popsány velmi stručně některé deterministické metody, ale i některé stochastické metody. Dále je v práci popsán postup pro řízení zásobního funkce nádrže pomocí metody LHS. Navrhnutý model byl otestován na fiktivní nádrži. Na závěr byly vybrány nejlepší a nejhorší výsledky, které byly následně porovnány, atak se mohlo tedy určit, které nastavení výpočtu byl ideální pro řízení.
|
|
|
Stochastické řízení zásobní funkce nádrže s pomocí metod umělé inteligence
Kozel, Tomáš ; Fošumpaur, Pavel (oponent) ; Zezulák,, Jiří (oponent) ; Starý, Miloš (vedoucí práce)
Stochastické řízení pracuje s určitým rozptylem hodnot řídících průtoků s daným pravděpodobnostním rozdělením, a proto dochází k výrazně lepší aproximaci skutečné problematiky řízení. Pro potřeby stochastického řízení zásobní funkce nádrže byly sestaveny stochastické předpovědní modely, které lépe vystihují náhodné procesy, mezi které můžeme zařadit průtok v měrném profilu. Výhodou stochastického řízení oproti deterministickému řízení je výběr možnosti řízení pro danou pravděpodobnost scénáře. Výběr pravděpodobností nám poskytne vějíř možností. V práci je popsána konstrukce a vyhodnocení stochastického adaptivního řízení zásobní funkce nádrže, které využívá modely vycházející z metod umělé inteligence (fuzzy logika, neuronové sítě), jako náhradu tradičních optimalizačních metod (evoluční algoritmy). Modelům vycházejícím z umělé inteligence je poskytnuta matice vzorů (vzorové řízení), která je vytvořena modely využívající evoluční algoritmy, a stochastický model provede řízení se zvolenou pravděpodobností překročení řízeného odtoku vody z nádrže. Celý algoritmus byl testován i validován na fiktivní nádrži. Poté bylo provedeno srovnání řízení poskytnutých jednotlivými řídícími modely, které využívaly předpovědi poskytnutými různými v práci popsanými předpovědními modely. Výsledky stochastického adaptivního řízení byly srovnány s výsledky poskytnutými modelem s tradičními algoritmy, který měl k dispozici 100% přesnost předpovědi. Velkou výhodou modelů vycházejících z metod umělé inteligence je rychlost výpočtu. Tradiční model potřeboval pro provedení stochastického řízení paralelní výpočty v klastru. Závěrem lze říci, že stochastické adaptivní řízení dokázalo provést řízení nádrže se zásobní funkcí velmi dobře. Závěrem práce byly vybrány nejlepší nastavení pro jednotlivé předpovědní a řídící modely.
|
|
|
Stochastické řízení zásobní funkce nádrže
Pruch, David ; Matoušek, Petr (oponent) ; Kozel, Tomáš (vedoucí práce)
Stochastické řízení zásobní funkce vodní nádrže pracuje s určitým počtem hodnot předpovězených průtoků s určitým pravděpodobnostním rozdělením. Pro požadavek stochastického řízení zásobní funkce nádrže byl sestaven stochastický předpovědní model fungující na principu metody LHS. Model pracuje s náhodnými procesy, mezi které patří průtok v daném měrném profilu. Stochastické řízení má výhodu naproti deterministickému řízení v eventualitě výběru řízení pro určitý pravděpodobnostní scénář. V práci jsou popsány velmi stručně některé deterministické metody, ale i některé stochastické metody. Dále je v práci popsán postup pro řízení zásobního funkce nádrže pomocí metody LHS. Navrhnutý model byl otestován na fiktivní nádrži. Na závěr byly vybrány nejlepší a nejhorší výsledky, které byly následně porovnány, atak se mohlo tedy určit, které nastavení výpočtu byl ideální pro řízení.
|
|
|
Stochastické řízení zásobní funkce nádrže s pomocí metod umělé inteligence
Kozel, Tomáš ; Fošumpaur, Pavel (oponent) ; Zezulák,, Jiří (oponent) ; Starý, Miloš (vedoucí práce)
Stochastické řízení pracuje s určitým rozptylem hodnot řídících průtoků s daným pravděpodobnostním rozdělením, a proto dochází k výrazně lepší aproximaci skutečné problematiky řízení. Pro potřeby stochastického řízení zásobní funkce nádrže byly sestaveny stochastické předpovědní modely, které lépe vystihují náhodné procesy, mezi které můžeme zařadit průtok v měrném profilu. Výhodou stochastického řízení oproti deterministickému řízení je výběr možnosti řízení pro danou pravděpodobnost scénáře. Výběr pravděpodobností nám poskytne vějíř možností. V práci je popsána konstrukce a vyhodnocení stochastického adaptivního řízení zásobní funkce nádrže, které využívá modely vycházející z metod umělé inteligence (fuzzy logika, neuronové sítě), jako náhradu tradičních optimalizačních metod (evoluční algoritmy). Modelům vycházejícím z umělé inteligence je poskytnuta matice vzorů (vzorové řízení), která je vytvořena modely využívající evoluční algoritmy, a stochastický model provede řízení se zvolenou pravděpodobností překročení řízeného odtoku vody z nádrže. Celý algoritmus byl testován i validován na fiktivní nádrži. Poté bylo provedeno srovnání řízení poskytnutých jednotlivými řídícími modely, které využívaly předpovědi poskytnutými různými v práci popsanými předpovědními modely. Výsledky stochastického adaptivního řízení byly srovnány s výsledky poskytnutými modelem s tradičními algoritmy, který měl k dispozici 100% přesnost předpovědi. Velkou výhodou modelů vycházejících z metod umělé inteligence je rychlost výpočtu. Tradiční model potřeboval pro provedení stochastického řízení paralelní výpočty v klastru. Závěrem lze říci, že stochastické adaptivní řízení dokázalo provést řízení nádrže se zásobní funkcí velmi dobře. Závěrem práce byly vybrány nejlepší nastavení pro jednotlivé předpovědní a řídící modely.
|
host ::
RSS.