Change search
ReferencesLink to record
Permanent link

Direct link
Artificiella neurala nätverk för punktabsorberande vågkraftverk: Energiuppskattning och aktiv styrning.
Uppsala University, Disciplinary Domain of Science and Technology, Technology, Department of Engineering Sciences, Electricity.
Uppsala University, Disciplinary Domain of Science and Technology, Technology, Department of Engineering Sciences, Electricity.
2016 (Swedish)Independent thesis Advanced level (professional degree), 20 credits / 30 HE creditsStudent thesis
Abstract [sv]

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.

Place, publisher, year, edition, pages
2016. , 83 p.
Series
UPTEC F, ISSN 1401-5757 ; 16047
Keyword [sv]
energiuppskattning, artificiella neurala nätverk, aktiv styrning
National Category
Energy Engineering
Identifiers
URN: urn:nbn:se:uu:diva-301370OAI: oai:DiVA.org:uu-301370DiVA: diva2:954392
Educational program
Master Programme in Engineering Physics
Supervisors
Examiners
Available from: 2016-08-24 Created: 2016-08-22 Last updated: 2016-08-24Bibliographically approved

Open Access in DiVA

fulltext(3056 kB)19 downloads
File information
File name FULLTEXT02.pdfFile size 3056 kBChecksum SHA-512
7ed2e86f25d1f0b2acd15b4dd1d8a5a273386d76f7940b329264ac63ea42249d8996bd689dd13af0fdefa4a32d317b150594cc6383838bb5e77eb13e049275c9
Type fulltextMimetype application/pdf

By organisation
Electricity
Energy Engineering

Search outside of DiVA

GoogleGoogle Scholar
Total: 19 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

Total: 49 hits
ReferencesLink to record
Permanent link

Direct link