3. Monitorowanie kosztów, planowanie zasobów i dostaw biomasy dla energetyki
3.5. Wyniki modelowania z wykorzystaniem sieci neuronowych
Pozyskanie tak dużej ilości biomasy dla elektrociepłowni wymaga zapewnienia dostaw od wielu producentów. Wybierając lokalizacje oraz rodzaj biomasy korzystano z danych opisanych w rozdziałach „Zasoby biomasy”. Przykładowo w Tabeli 57 pokazano powierzchnie upraw roślin energetycznych [33]. Na podstawie tych danych wybrano kilkanaście lokalizacji i określono odległości od elektrociepłowni w Zabrzu oraz parametry biomasy. Dane te ujęto w Tabelach 50 i 51, która stanowi matrycę dla sporządzenie sieci neuronowej. Rysunek 15 przedstawia koncepcję modelu logistycznego dla wybranej elektrociepłowni.
117
118
119
120
Do budowy modelu zarządzania logistyką biomasy opartego na sztucznej sieci neuronowej wykorzystano platformę Neural Designer, opracowaną przez Artificial Intelligence Techniques, Ltd. w Hiszpanii [104]. Jest to zaawansowane narzędzie analizy danych, wykorzystujące techniki sztucznych sieci neuronowych. Aplikacja ta pozwala na implementację sieci o zdefiniowanej liczbie neuronów w poszczególnych jej warstwach choć posiada też narzędzia, które pozwalają na automatyczny, realizowany przez samą aplikację dobór liczby neuronów w warstwach sieci. Tym samym narzędzie to pozwala niejako na automatyczny dobór architektury sieci, adekwatnej do stopnia skomplikowania i współzależności istniejących w obrębie analizowanych danych. Podobnie do biologicznych sieci neuronowych (SNN) zbudowana jest ze wzajemnie połączonych ze sobą neuronów, ułożonych w warstwy.
Procedura budowy sztucznej sieci neuronowej przy użyciu Neural Designera obejmuje szereg etapów. Po wgraniu do programu danych uczących, zdefiniowaniu zmiennych wejściowych i wyjściowych należy określić wielkość zestawu uczącego, testującego i walidującego oraz podzielić zbiór danych na te trzy zestawy. Kolejny krok polega na arbitralnym zdefiniowaniu architektury sieci poprzez zadanie liczby warstw ukrytych, zlokalizowanych pomiędzy warstwą wejściową i wyjściową, liczby neuronów w każdej z tych warstw oraz rodzaju funkcji aktywacji dla neuronów w każdej z warstw sztucznej sieci neuronowej. Po zdefiniowaniu sieci neuronowej jest uczona i testowana. Po uzyskaniu dostatecznie niskiego poziomu błędu uczenia i testowania sieć może zostać użyta do konkretnych zastosowań, przewidzianych realizowanym projektem.
W celu opracowania modelu zarządzania logistyką biomasy użyto danych logistycznych, zebranych w toku eksploatacji Elektrociepłowni Zabrze. Postawione zadanie polegało na wyszukiwaniu dostawcy biomasy, który spełniłby wymagania jakościowe w zakresie rodzaju biomasy, jej ceny jednostkowej oraz niezbędnej ilości w ustalonym okresie (w tym przypadku roku) dla zapewnienia płynności operacyjnej elektrociepłowni i zabezpieczenia ciągłości dostaw energii do sieci. Są to dane doświadczalne, które zgromadzono na przestrzeni badanego okresu eksploatacji. Z uwagi na poglądowy charakter modelu i ograniczoną liczbę danych eksperymentalnych (dane te stanowią strategiczne informacje objęte tajemnicą handlową przedsiębiorstwa) parametry uczące wykorzystane do budowy modelu obejmowały ogółem 39 zestawów. W sposób losowo z tego zestawu wydzielono zestaw testujący i walidacyjny obejmujące po 10% ogółu danych. Uczenie SSN odbywało się wykorzystując wiedzę zawartą w tych danych. W procesie budowy modelu zarządzania logistyka biomasy
121
wykorzystano uczenie nadzorowane, podczas którego sieci jednocześnie prezentowano wektory danych wejściowych i wyjściowych (wzorcowych). Wartość błędu średniokwadratowego sygnału wyjściowego w procesie uczenia stanowiła miarę modyfikacji wag połączeń sieci.
Wykorzystano w tym celu trzy dane wejściowe: 1. ID biomasy, jako identyfikator gatunku biomasy, 2. cenę jednostkową [zł/GJ],
3. zapotrzebowanie roczne [Mg/rok].
Dana wyjściowa to ID dostawcy, czyli parametr wskazujący na potencjalnego dostawcę mogącego spełnić warunki dostawy, określone parametrami wejściowymi modelu zarządzania logistyka biomasy. Charakterystykę danych do budowy modelu przestawiono w Tabeli 52.
Tabela 52. Zmienne użyte do budowy modelu BLM.
Minimum Maximum
ID biomasy 1 16
Cena jednostkowa [zł/GJ] 21 33
Zapotrzebowanie [Mg/r] 500 160000
ID dostawcy 1 39
Wartości ID biomasy z zakresu od 1 do 16 odpowiadały konkretnym jej rodzajom, podanym w Tabeli 53.
Tabela 53. Rodzaje biomasy rozpatrywane w modelu.
Rodzaj biomasy ID biomasy
Wierzba 1 Pelet słonecznika 2 Pelet słomy 3 PKS 4 Pelet z oliwek 5 Zrębki drzewne 6 Ślazowiec 7 Drewno sosnowe 8 Makuch rzepkowy 9
122 Otręby zbożowe 10 Śruta rzepakowa 11 Róża 12 Topinambur 13 Miskantus 14 Drewno liściaste średniowymiarowe 15
Drewno liściaste małowymiarowe 16
Podobnie jak w Tabeli 54 zdefiniowano dostawców parametrem ID dostawcy.
Tabela 54. Zbiór dostawców rozpatrywanych w modelu.
Lokalizacja dostawcy Odległość dostawcy od
elektrociepłowni [km] ID dostawcy woj. Łódzkie 190 1 woj. Mazowieckie 280 2 woj. Pomorskie 540 3 woj. warmińsko-mazurskie 390 4 woj. Łódzkie 110 5 woj. Podlaskie 480 6 woj. Lubuskie 410 7 Ukraina 1000 8 woj. Dolnośląskie 250 9 Port Szczecin 550 10 woj. Świętokrzyskie 210 11 woj. Śląskie 65 12 woj. Podlaskie 490 13 woj. Łódzkie 169 14 woj. Małopolskie 120 15 woj. Lubelskie 365 16 woj. Lubuskie 340 17 woj. Małopolskie 220 18 woj. Lubuskie 390 19 woj. Wielkopolskie 350 20 woj. opolskie 110 21 woj. łódzkie 170 22 woj. lubelskie 400 23
123 woj. małopolskie 210 24 woj. lubuskie 360 25 woj. świętokrzyskie 190 26 woj. dolnośląskie 260 27 woj. łódzkie 180 28 woj. śląskie 60 29
Do realizacji procesu uczenia sieci neuronowej wykorzystano metodę Quasi-Newtona, opartą na klasycznej metodzie Newtona, ale nie wymagającą wyznaczania drugich pochodnych. W metodzie tej, w każdym kroku iteracji algorytm obliczeniowy wykorzystuje informacje o gradiencie i na tej podstawie wyznacza wartości macierzy [115]. Postęp uczenia sieci, wyrażony spadkiem błędu średniokwadratowego wraz ze wzrostem liczby iteracji, przedstawiono na Rys.16. Wartość błędu uczenia i testowania wyniosły odpowiednio 0.002 oraz 0.02.
Rys. 16. Przebieg procesu uczenia się sieci neuronowej.
Z Rys. 16 wynika, że przyjęta topologia sieci wykazuje dobre własności uczenia się. Linia niebieska i czerwona obrazują odpowiednio proces uczenia i testowania sieci.
Przetestowano różne topologie sieci. Najlepszą siecią okazała się SSN przedstawiona na Rys. 17. Sieć składa się z dwóch warstw ukrytych (kolor niebieski) o liczbie neuronów po 3 w każdej. Funkcja aktywacji neuronów warstw ukrytych to tangens hiperboliczny. Oprócz warstw ukrytych SSN zawiera warstwy normalizujące, na wejściu (kolor żółty) i wyjściu sygnału z sieci (kolor czerwony), pozwalające na sprowadzenie wartości sygnałów wejściowych do jednego, tego samego zakresu wartości z przedziału 0-1, a następnie transformację otrzymanego sygnału do oryginalnego zakresu zmiennej wyjściowej. Operacja skalowania,
Nr iteracji Błą d ś re d n io kw ad ra to w y
124
zwana niekiedy normalizacją, pozwala sieci na łatwiejsze uczenie analizowanego procesu jako, że dane wejściowe wyrażone są w różnych jednostkach i mają różne wartości.
Rys. 17 . Architektura sieci dla modelu zarządzania logistyką biomasy.
Tak zbudowana sieć posiada zdolność uogólniania wiedzy, nabytej w etapie jej uczenia i może zostać użyta do typowania dostawcy biomasy na podstawie zadanych warunków określonych w warstwie wejściowej. Po wprowadzeniu rodzaju biomasy, jej ceny jednostkowej oraz zapotrzebowania, model BLM generuje ID dostawcy jako wartość rzeczywistą, która zaokrąglona do najbliższej liczby całkowitej wskazuje na pożądanego dostawcę biomasy.
Poniżej zawarto trzy przykłady obrazujące funkcjonowanie opracowanego modelu BLM dla trzech różnych scenariuszy dostaw.
1. W przypadku zapotrzebowania na zrębki drzewne (ID biomasy = 6) w cenie 28 zł/GJ w ilości 65000 Mg/r model wygenerował ID dostawcy =11.719, prawidłowo wskazując na dostawcę określonego w bazie wiedzy pod nr 12, tj. dostawcę zlokalizowanego na terenie województwa śląskiego oddalonego od elektrowni Zabrze o 65 km (ID dostawcy = 12).
125
2. W przypadku zapotrzebowania na drewno liściaste małowymiarowe (ID biomasy = 16) w cenie 25 zł/GJ w ilości 40000 Mg/r BLM model wygenerował ID dostawcy =27.92, prawidłowo wskazując na dostawcę określonego w bazie wiedzy nr 28, tj. dostawcę zlokalizowanego na terenie województwa łódzkiego, oddalonego od elektrowni Zabrze o 180 km (ID dostawcy = 28).
3. W przypadku zapotrzebowania na biomasę typu PKS (ID biomasy = 4) w cenie 32 zł/GJ w ilości 57000 Mg/r model BLM wygenerował ID dostawcy = 9.87, prawidłowo wskazując na dostawcę określonego w bazie wiedzy o nr 10, tj. Port Szczecin (ID dostawcy = 10).
126