- Tytuł:
-
Using artificial neural networks to determine the location of wind farms. Miedzna district case study
Wykorzystanie sztucznych sieci neuronowych do wyznaczania lokalizacji elektrowni wiatrowych na przykładzie gminy Miedzna - Autorzy:
- Pokonieczny, K.
- Powiązania:
- https://bibliotekanauki.pl/articles/292489.pdf
- Data publikacji:
- 2016
- Wydawca:
- Instytut Technologiczno-Przyrodniczy
- Tematy:
-
artificial neural networks
multilayer perceptron
wind farms localization
elektrownie wiatrowe
perceptron wielowarstwowy
sztuczne sieci neuronowe - Opis:
-
The article concerns issues pertaining to of selecting suitable areas for wind farms. The basic assumption of
the study was to take into account both criteria related to the profitability of this type of power plant, as well as
public interest, which means the harmonious and not burdensome functioning of these installations for local
communities. The problem of wind farm localization may be solved by the application of artificial neural networks
(ANN), which are a computational intelligence element. In the conducted analysis, the possibility of wind
farm localization was considered for the primary grid field with dimensions of 100 by 100 m. To prepare the
training set, topographic vector data from the VMap L2 and SRTM (Shuttle Radar Topography Mission) digital
terrain model were used. For each 100-meter x 100-meter grid, the input data was prepared, consisting of the
factors which are important from the point of view of wind farm localization (forests, rivers, built-up areas etc.).
Studies show that a properly trained neural network (using a representative number of samples and for the appropriate
architecture), allows to process automation area classification in terms of placement on the wind turbines.
Zgodnie z obowiązującymi w Polsce regulacjami prawnymi użytkowanie elektrowni wiatrowych podlega odpowiednim uwarunkowaniom. Obostrzenia te dotyczą zarówno parametrów technicznych tych urządzeń, które związane są z bezpieczeństwem ich eksploatacji, jak i uwarunkowaniami przestrzennymi, związanymi z lokalizacją tych elektrowni oraz ich odległości od takich elementów pokrycia terenu, jak zabudowa czy lasy. Problematyka ta jest szczególnie istotna w kontekście częstych protestów mieszkańców, w sąsiedztwie których takie elektrownie mają być budowane. W celu wyznaczenia obszarów optymalnych dla lokalizacji elektrowni wiatrowych wykorzystano jedną z metod uczenia maszynowego, którą są sztuczne sieci neuronowe. Ich istotą, a jednocześnie przewagą nad metodami bazującymi na zadanym algorytmie, jest zdolność do uogólnienia otrzymywanych wyników, gdy algorytm rozwiązania danego problemu nie jest prosty (jak w przypadku wyznaczania obszarów szczególnie predestynowanych do lokalizacji elektrowni wiatrowych). W artykule przedstawiono metodykę zastosowania jednego rodzaju sieci neuronowych, którym jest perceptron wielowarstwowy. W zastosowanej sieci wykorzystano metodę nauczania nadzorowanego z nauczycielem, polegającą na wskazywaniu sieci neuronowej wzorcowego rozwiązania z określonymi danymi wejściowymi, którymi są parametry związane z pokryciem terenu i sąsiedztwem przestrzennym pola podstawowego, tj. kwadratu o wymiarach 100 × 100 m. Jako studium przypadku wybrana została gmina Miedzna, która znajduje się we wschodniej części województwa mazowieckiego i jest gminą wiejską o charakterze rolniczym. Obszar gminy leży na falistej wysoczyźnie morenowej, urozmaiconej morfologicznie. Otwarte pola uprawne oraz lekko pofałdowany teren to dwa główne czynniki sprzyjające możliwości rozmieszczenia farm wiatrowych na danym terenie. W zaprezentowanych w artykule przykładach wykorzystane zostały dane przestrzenne pochodzące z Vector Map Level 2 oraz dane wysokościowe Shuttle Radar Topography Mission (SRTM). W wyniku przeprowadzonych eksperymentów dowiedziono, że poprawnie nauczona sieć neuronowa (z wykorzystaniem reprezentatywnej liczby próbek i odpowiednią architekturą), umożliwia poprawne wyznaczenie obszarów predestynowanych do lokalizacji elektrowni wiatrowych nie tylko na terenie gminy Miedzna, ale również innych gmin, automatyzując proces wykonywania analiz tego typu. - Źródło:
-
Journal of Water and Land Development; 2016, 30; 101-111
1429-7426
2083-4535 - Pojawia się w:
- Journal of Water and Land Development
- Dostawca treści:
- Biblioteka Nauki
Artykuł