Artificiella neurala nätverk för punktabsorberande vågkraftverk: Energiuppskattning och aktiv styrning.

• Main Authors: Kraft, Kristoffer, Sjölund, Jonathan
• Format: Others
• Language: Swedish
• Published: Uppsala universitet, Elektricitetslära 2016
• Subjects: energiuppskattning; artificiella neurala nätverk; aktiv styrning
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-301370

För att hitta en mindre beräkningskrävande modell för energiuppskattning av vågdata har artificiella neurala nätverks förmåga att efterlikna ett punktabsorberande vågkraftsverks bojpositioner vid havsvågor från Islandsberg undersökts. Genom att undersöka antal dolda lager samt inparametrarnas enhet, tidsupplösning och antal har olika neurala artificiella nätverk tagits fram som efterliknar bojpositioner lösta med en linjär- samt olinjärmodell. Det artificiella neurala nätverk som bäst efterliknar bojpositioner lösta med den linjära modellen har 1 dolt lager och 50 inparametrar, med tidsupplösning 0,1 sekunder. Dess inparametrar består enbart av inkommande våghöjder. För dessa parametrar uppskattar det artificiella neurala nätverket en medeleffekt som skiljer sig från den linjära modellen med 1,78% då dämpningskoefficienten är 200kNs/m. Beräkningstiden för den linjära modellen är 0,087 sekunder vilket är ungefär 20 gånger snabbare än med det artificiella neurala nätverket och då är inte träningstiden för det artificiella neurala nätverket medräknad. Det artificiella neurala nätverk som bäst efterliknar bojpositioner lösta med den olinjära modellen har 11 dolda lager och 50 inparametrar, med tidsupplösning 0,1 sekunder. Dess inparametrar består enbart av inkommande vågs excitationskraft. För dessa parametrar uppskattar det artificiella neurala nätverket en medeleffekt som skiljer sig från den linjära modellen med 0,3% då dämpningskoefficienten är 130kNs/m. Beräkningstiden för 30 minuters vågdata för den olinjära modellen är 41 minuter och 6 sekunder vilket kan jämföras med 57 sekunder för det artificiella neurala nätverket. Då är inte träningstiden för det artificiella neurala nätverket medräknad. Genom att ändra dämpningskoefficienten till optimala värden, med en frekvens mycket högre än vågperioden, fås en högre energiabsorptionen. En genetisk algoritm används för att beräkna den optimala följden av dämpningskoefficienter och för att prediktera den optimala dämpningskoefficienten används ett artificiellt neuralt nätverk. Vid undersökning där det artificiella neurala nätverket predikterade nästkommande optimala dämpningskoefficient fås en energiabsorption som är 20% högre än den energiabsorption som fås med en optimal konstant dämpningskoefficient.