Název:
Plánování výroby tepla a elektřiny v zařízení na energetické využití odpadu s využitím strojového učení
Překlad názvu:
Combined heat and power production planning in a waste-to-energy plant using machine learning
Autoři:
Kollmann, Marek ; Miklas, Václav (oponent) ; Touš, Michal (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2023
Jazyk:
eng
Nakladatel: Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstrakt: [eng][cze]
V rámci tohoto výzkumu bylo použito strojové učení k optimalizaci plánování výroby na den dopředu zařízení na energetické zpracování odpadu (Waste-to-Energy, WtE), které se potýká s problémy, jako jsou nekvalitní data, nekontrolovatelná externí spotřeba a kolísající výroba páry v důsledku použití odpadu jako zdroje paliva. Hlavním cílem bylo předpovídat s vysokou přesností výkon přenášený do sítě, čehož bylo dosaženo vytvořením komplexního modelu sestávajícího ze sedmi dílčích kaskádovitě uspořádaných modelů. Každý dílčí model byl kriticky vyhodnocen pomocí standardních ukazatelů, jako je R2 a průměrná absolutní chyba. Zjištění odhalila významné zlepšení přesnosti předpovědí, což vedlo k vyváženějším výrobním plánům a snížení provozních penále. Tento přístup vedl k odhadovanému ročnímu zvýšení dodaného výkonu o 13 % a zisku o 2,6 milionu Kč pro konkrétní závod.
This research deployed machine learning to optimize day-ahead production planning in Waste-to-Energy (WtE) plants, grappling with issues like noisy data, uncontrollable external consumption, and fluctuating steam production due to waste as a fuel source. The primary aim was to accurately predict the power transferred to the grid, which was achieved by creating a comprehensive model consisting of seven sub-models in cascade. Each sub-model was critically evaluated using standard metrics like R2 and Mean Relative Error. Findings revealed a significant improvement in prediction accuracy, resulting in more balanced production plans and reduced operational penalties. The approach led to an estimated annual increase of power delivered by 13% and profit by 2.6 million CZK for a specific plant.
Klíčová slova:
ANN; Artificial Neural Networks; CHP; CHP planning; Combined heat and power; combined heat and power production; Energy Management; LGBM; Light Gradient Boosting Machine; Machine Learning; ML; Power planning.; Predictive Algorithms; Quantile Models; Steam production planning; Waste-to-Energy; WtE; ANN; CHP; energetické využití odpadu; Kogenerační výroba tepla a elektřiny; kombinovaná výroba tepla a elektřiny; Kvantilové modely; LGBM; Light Gradient Boosting Machine; ML; Plánování CHP; Plánování energie.; Plánování výroby páry; Prediktivní algoritmy; Strojové učení; strojové učení; Umělé neuronové sítě; Waste-to-Energy; WtE; Řízení energie; Řízení plánování energií
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/212439