Plánování výroby tepla a elektřiny v zařízení na energetické využití odpadu s využitím strojového učení

Simple item page
but.committeeprof. Dr. Ing. Marcus Reppich (předseda) prof. Ing. Petr Stehlík, CSc., dr. h. c. (místopředseda) prof. Ing. Zdeněk Jegla, Ph.D. (člen) doc. Ing. Vítězslav Máša, Ph.D. (člen) doc. Ing. Vojtěch Turek, Ph.D. (člen) doc. Ing. Martin Pavlas, Ph.D. (člen) Ing. Pavel Skryja, Ph.D. (člen) Ing. Pavel Lošák, Ph.D. (člen)cs
but.defenceStudent představil práci na téma Plánování výroby tepla a elektřiny v zařízení na energetické využití odpadu s využitím strojového učení. Nejprve byly definovány cíle řešeného problému a novum od dosavadního přístupu. Autor vysvětlil hlavní přínosy využité metodiky. Představen byl matematický model a jeho struktura, důvody výběru využitých algoritmů a metrik. Dále autor shrnul výsledky provedených výpočtů a vyhodnotil shodu predikce s reálnými daty. Na závěr autor prezentuje ekonomické přínosy, které může přinést využití vytvořeného predikčního modelu. Otázky oponenta byly zodpovězeny uspokojivě Komise položila následující doplňující otázky, které byly zodpovězeny uspokojivě: Jaké jsou další plány s vytvořeným modelem? Jaký byl použitý hardware? Které modely byly převzaty a které byly vytvořeny?cs
but.jazykangličtina (English)
but.programProcesní inženýrstvícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorTouš, Michalen
dc.contributor.authorKollmann, Mareken
dc.contributor.refereeMiklas, Václaven
dc.date.created2023cs
dc.description.abstractV 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.en
dc.description.abstractThis 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.cs
dc.description.markAcs
dc.identifier.citationKOLLMANN, M. Plánování výroby tepla a elektřiny v zařízení na energetické využití odpadu s využitím strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2023.cs
dc.identifier.other150609cs
dc.identifier.urihttp://hdl.handle.net/11012/212439
dc.language.isoencs
dc.publisherVysoké učení technické v Brně. Fakulta strojního inženýrstvícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectkombinovaná výroba tepla a elektřinyen
dc.subjectenergetické využití odpaduen
dc.subjectstrojové učeníen
dc.subjectWaste-to-Energyen
dc.subjectWtEen
dc.subjectStrojové učeníen
dc.subjectMLen
dc.subjectPrediktivní algoritmyen
dc.subjectUmělé neuronové sítěen
dc.subjectANNen
dc.subjectLight Gradient Boosting Machineen
dc.subjectLGBMen
dc.subjectŘízení plánování energiíen
dc.subjectŘízení energieen
dc.subjectKvantilové modelyen
dc.subjectKogenerační výroba tepla a elektřinyen
dc.subjectCHPen
dc.subjectPlánování CHPen
dc.subjectPlánování výroby páryen
dc.subjectPlánování energie.en
dc.subjectcombined heat and power productioncs
dc.subjectWaste-to-Energycs
dc.subjectWtEcs
dc.subjectMachine Learningcs
dc.subjectMLcs
dc.subjectPredictive Algorithmscs
dc.subjectArtificial Neural Networkscs
dc.subjectANNcs
dc.subjectLight Gradient Boosting Machinecs
dc.subjectLGBMcs
dc.subjectEnergy Managementcs
dc.subjectEnergy Managementcs
dc.subjectQuantile Modelscs
dc.subjectCombined heat and powercs
dc.subjectCHPcs
dc.subjectCHP planningcs
dc.subjectSteam production planningcs
dc.subjectPower planning.cs
dc.titlePlánování výroby tepla a elektřiny v zařízení na energetické využití odpadu s využitím strojového učeníen
dc.title.alternativeCombined heat and power production planning in a waste-to-energy plant using machine learningcs
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2023-06-13cs
dcterms.modified2023-06-13-16:09:25cs
eprints.affiliatedInstitution.facultyFakulta strojního inženýrstvícs
sync.item.dbid150609en
sync.item.dbtypeZPen
sync.item.insts2025.03.27 10:43:30en
sync.item.modts2025.01.15 15:33:05en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta strojního inženýrství. Ústav procesního inženýrstvícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
4.47 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
4.71 MB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_150609.html
Size:
13.98 KB
Format:
Hypertext Markup Language
Description:
file review_150609.html
Download
Collections
2023