Stochastické řízení zásobní funkce nádrže s pomocí metod umělé inteligence

but.jazykčeština (Czech)
but.programStavební inženýrstvícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorStarý, Milošcs
dc.contributor.authorKozel, Tomášcs
dc.contributor.refereeFošumpaur, Pavelcs
dc.contributor.refereeZezulák,, Jiřícs
dc.date.accessioned2021-11-22T23:19:24Z
dc.date.available2021-11-22T23:19:24Z
dc.date.createdcs
dc.description.abstractStochastické řízení pracuje s určitým rozptylem hodnot řídících průtoků s daným pravděpodobnostním rozdělením, a proto dochází k výrazně lepší aproximaci skutečné problematiky řízení. Pro potřeby stochastického řízení zásobní funkce nádrže byly sestaveny stochastické předpovědní modely, které lépe vystihují náhodné procesy, mezi které můžeme zařadit průtok v měrném profilu. Výhodou stochastického řízení oproti deterministickému řízení je výběr možnosti řízení pro danou pravděpodobnost scénáře. Výběr pravděpodobností nám poskytne vějíř možností. V práci je popsána konstrukce a vyhodnocení stochastického adaptivního řízení zásobní funkce nádrže, které využívá modely vycházející z metod umělé inteligence (fuzzy logika, neuronové sítě), jako náhradu tradičních optimalizačních metod (evoluční algoritmy). Modelům vycházejícím z umělé inteligence je poskytnuta matice vzorů (vzorové řízení), která je vytvořena modely využívající evoluční algoritmy, a stochastický model provede řízení se zvolenou pravděpodobností překročení řízeného odtoku vody z nádrže. Celý algoritmus byl testován i validován na fiktivní nádrži. Poté bylo provedeno srovnání řízení poskytnutých jednotlivými řídícími modely, které využívaly předpovědi poskytnutými různými v práci popsanými předpovědními modely. Výsledky stochastického adaptivního řízení byly srovnány s výsledky poskytnutými modelem s tradičními algoritmy, který měl k dispozici 100% přesnost předpovědi. Velkou výhodou modelů vycházejících z metod umělé inteligence je rychlost výpočtu. Tradiční model potřeboval pro provedení stochastického řízení paralelní výpočty v klastru. Závěrem lze říci, že stochastické adaptivní řízení dokázalo provést řízení nádrže se zásobní funkcí velmi dobře. Závěrem práce byly vybrány nejlepší nastavení pro jednotlivé předpovědní a řídící modely.cs
dc.description.abstractThe main advantage of stochastic forecasting is fan of possible value, which deterministic method of forecasting could not give us. Future development of random process is described better by stochastic then deterministic forecasting. We can categorize discharge in measurement profile as random process. Stochastic management is worked with dispersion of controlling discharge value. In thesis is described construction and evaluation of adaptive stochastic model base on fuzzy logic, neural networks and evolution algorithm, which are used stochastic forecast from forecasting models described in thesis. The learning fuzzy model and neural network is used as replacement of classic optimization algorithm (evolution algorithm). Model was tested and validated on made up large open water reservoir. Results were evaluated and were compared with model base on traditional algorithms, which was used for 100% forecast (forecasted values are real values). The management of the large open water reservoir with storage function, which was given by stochastic adaptive managing, was logical. The main advantage of fuzzy model and neural network model is computing speed. Classical optimization model is needed much more time for same calculation as fuzzy and neural network model, therefore classic model used clusters for stochastic calculation.en
dc.description.markPcs
dc.identifier.citationKOZEL, T. Stochastické řízení zásobní funkce nádrže s pomocí metod umělé inteligence [online]. Brno: Vysoké učení technické v Brně. Fakulta stavební. .cs
dc.identifier.other117856cs
dc.identifier.urihttp://hdl.handle.net/11012/137008
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta stavebnícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectVodní nádržcs
dc.subjectprůměrný měsíční průtokcs
dc.subjectstochastickács
dc.subjectpředpověďcs
dc.subjectstochastické řízenícs
dc.subjectfuzzycs
dc.subjectneuronová síťcs
dc.subjectevoluční algoritmycs
dc.subjectzásobní funkce.cs
dc.subjectLarge open water reservoiren
dc.subjectaverage monthly flowen
dc.subjectstochastic forecastingen
dc.subjectstochastic management fuzzyen
dc.subjectevolution algorithmen
dc.subjectneural networksen
dc.subjectstorage function.en
dc.titleStochastické řízení zásobní funkce nádrže s pomocí metod umělé inteligencecs
dc.title.alternativeStochastic management storage function of water reservoir using method of artificial intelligenceen
dc.typeTextcs
dc.type.driverdoctoralThesisen
dc.type.evskpdizertační prácecs
dcterms.modified2018-11-21-17:22:04cs
eprints.affiliatedInstitution.facultyFakulta stavebnícs
sync.item.dbid117856en
sync.item.dbtypeZPen
sync.item.insts2021.11.23 00:19:24en
sync.item.modts2021.11.22 22:53:12en
thesis.disciplineVodní hospodářství a vodní stavbycs
thesis.grantorVysoké učení technické v Brně. Fakulta stavební. Ústav vodního hospodářství krajinycs
thesis.levelDoktorskýcs
thesis.namePh.D.cs
Files
Original bundle
Now showing 1 - 5 of 7
Loading...
Thumbnail Image
Name:
final-thesis.pdf
Size:
2.45 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Loading...
Thumbnail Image
Name:
appendix-1.zip
Size:
311.12 KB
Format:
zip
Description:
appendix-1.zip
Loading...
Thumbnail Image
Name:
thesis-1.pdf
Size:
626.9 KB
Format:
Adobe Portable Document Format
Description:
thesis-1.pdf
Loading...
Thumbnail Image
Name:
Posudek-Vedouci prace-40470.pdf
Size:
75.25 KB
Format:
Adobe Portable Document Format
Description:
Posudek-Vedouci prace-40470.pdf
Loading...
Thumbnail Image
Name:
Posudek-Oponent prace-40309.pdf
Size:
221.11 KB
Format:
Adobe Portable Document Format
Description:
Posudek-Oponent prace-40309.pdf
Collections