MODELSKO PREDIKTIVNO UPRAVLJANJE VJETROAGREGATOM U MEGAVATNOJ KLASI
|
|
- Sharleen Webb
- 5 years ago
- Views:
Transcription
1 SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA DIPLOMSKI RAD br. 244 MODELSKO PREDIKTIVNO UPRAVLJANJE VJETROAGREGATOM U MEGAVATNOJ KLASI Nikola Hure Zagreb, lipanj 2011.
2 Zahvaljujem se mentoru prof. dr. sc. Nedjeljku Periću na brizi, podršci i uloženom vremenu od trenutka preuzimanja mentorstva i doc. dr. sc. Mariju Vašku na stručnim savjetima i pruženoj pomoći pri izradi ovog rada.
3 Sadržaj 1 Uvod 5 2 Energija vjetra Promjenjiva priroda vjetra Stohastički modeli brzine vjetra Opis rada vjetroagregata Fizikalne osnove vjetroagregata Matematički model vjetroagregata Osnovne strategije upravljanja vjetroagregatom Upravljanje ispod nazivne brzine vjetra Upravljanje iznad nazivne brzine vjetra Zahtjevi na sustav regulacije vjetroagregatom Modelsko prediktivno upravljanje 22 5 Po dijelovima afini sustavi PWA model u prostoru stanja Identifikacija PWA sustava Identifikacija temeljena na uskupljavanju Modelsko prediktivno upravljanje PWA modelom Hibridni sustavi s logičkim i kontinuiranim varijablama Projektiranje modelskog prediktivnog upravljanja vjetroagregatom Identifikacija PWA modela vjetroagregata iii
4 Sadržaj iv Generiranje podataka za potrebe identifikacije Identifikacija PWA mape aerodinamičkog momenta Identifikacija PWA mape sile potiska PWA model vjetroagregata Validacija identificiranog modela Postavljanje problema MPC upravljanja Struktura MPC sustava upravljanja Korištenje MLD forme za dizajn MPC regulatora Simulacijski rezultati sustava upravljanja Algoritam traženja optimalnog upravljačkog zakona Zaključak 67 Sažetak 71 Abstract 72 Životopis 73
5 Poglavlje 1 Uvod Porast potražnje za električnom energijom u kombinaciji s povećanjem ekoloških standarda ima za posljedicu povećana ulaganja u području razvoja efikasnosti obnovljivih izvora energije. Kako bi obnovljivi izvori energije u skoroj budućnosti bili što konkurentniji konvencionalnim izvorima energije, potrebno je raditi na istraživanjima naprednih metoda upravljanja. Među obnovljivim izvorima energije, energija vjetra trenutno ima vodeću ulogu i prema izvještaju europskog udruženja za energiju vjetra 1 predviđeno je povećanje ulaganja na području iskorištavanja energije vjetra[21]. Sve veći porast dimenzija vjetroagregata diktira i bržu dinamiku razvoja novih materijala, boljeg dizajna i sve naprednijih upravljačkih algoritama. Samo je sinergijom svih razvojnih komponenti moguće udovoljiti zahtjevima koji se postavljaju na sustav upravljanja. Uz razvijene napredne algoritme upravljanja vjetroagregatom, u bliskoj budućnosti upravljanja vjetroagregatom zanimljivu ulogu bi moglo odigrati modelsko prediktivno upravljanje 2. Iako je ispočetka primjena MPC regulatora bila ograničena na regulaciju sporih procesa, razvijeni matematički algoritmi kao i porast procesne snage računala su omogućile korištenje MPC paradigme za upravljanje širokim spektrom sustava upravljanja. Kako bi se sva pozitivna svojstva MPC regulatora u što većoj mjeri iskoristila, potrebno je identificirati zadovoljavajući model procesa prije postupka sinteze MPC regulatora. Dobiveni model je potom moguće iskoristiti za postavljanje problema upravljanja. Rad je podijeljen u sedam poglavlja. Nakon uvodnog poglavlja, u drugom je poglavlju dan uvid u karakteristike energije vjetra i način modeliranja vjetra kao sto- 1 engl. European Wind Energy Association 2 engl. Model Predictive Control (MPC) 5
6 Poglavlje 1. Uvod 6 hastičkog procesa. Potom slijedi u trećem poglavlju opis fizikalnih osnova vjetroagregata, nelinearnog matematičkog modela korištenog u ovom radu i osnovnih strategija upravljanja vjetroagregatom. U četvrtom poglavlju je uvod u modelsko prediktivno upravljanje, a u petom slijede opisi matematičkih modela sustava korištenih za potrebe proračuna optimalnog upravljačkog signala, kao i načina postavljanja problema MPC upravljanja. U posljednjem dijelu je pokazan postupak projektiranja modelskog prediktivnog upravljanja vjetroagregatom, od identifikacije modela procesa do konačne sinteze MPC regulatora. Kvaliteta identificiranog modela i projektiranog MPC sustava upravljanja vjetroagregatom je potvrđena simulacijskim rezultatima.
7 Poglavlje 2 Energija vjetra Vjetar je pojava s izraženim karakteristikama promjenjivosti. S aspekta iskorištavanja energije vjetra, upravo je nestalnost i stohastička priroda vjetra razlog nemogućnosti procjene proizvodnje energije na duljem periodu, ali i uzrok potrebe za dizajnom sve naprednijih sustava za njegovu eksploataciju. Promjenjivost vjetra je prostornovremenska, uz promjenjive iznose brzine i smjera. U pogledu razvoja sustava za eksploataciju i procjene isplativosti izgradnje vjetroparka na određenoj lokaciji, temeljna fizikalna relacija je proporcionalna ovisnost snage vjetra o trećoj potenciji brzine. 2.1 Promjenjiva priroda vjetra Na globalnoj razini se prostorna promjenjivost očituje postojanjem različitih klimatskih regija na zemlji. Njihova klima je ponajprije određena geografskom širinom koja utječe na količinu insolacije. Unutar klimatske regije je prostorna promjenjivost ponajprije posljedica reljefa i prostornih odnosa kopna i mora. Nadalje, vjetar je snažniji na vrhovima brda i planina nego u zaštićenim dolinama. Dugoročne varijacije iznosa energije vjetra iz godine u godinu nije lako predvidjeti te je stoga teško precizno odrediti ekonomsku isplativost izgradnje vjetroagregata na određenoj lokaciji. S druge strane, varijacije na razini godišnjih doba je znatno lakše predvidjeti. Vremensku promjenjivost vjetra na dnevnoj skali, premda je poprilično dobro shvaćena, najčešće nije moguće pouzdano prognozirati više od par dana unaprijed. Te varijacije se nazivaju sinoptičkim i njihova prognoza je direktno povezana sa kretanjem vremenskih fronta. Ovisno o lokaciji, može postojati značajna ovisnost aktivnosti vjetra na dnevnoj razini. Predviđanje navedene aktivnosti je veoma bitno u cilju što bolje organizacije elektrana čitavog elektroenergetskog sustava. 7
8 Poglavlje 2. Energija vjetra 8 Varijacija aktivnosti vjetra u minutama i sekundama spada u područje turbulencije. Turbulencija može imati značajan učinak na učinkovitost i dizajn agregata za iskorištenje vjetra, kao i na kvalitetu isporučene električne energije u elektroenergetski sustav. Na Slici 2.1 je prikazan spektar snage vjetra dobiven mjerenjima Van der Hovena godine u Brookhavenu, u saveznoj državi New York[20]. Moguće je primijetiti tri maksimuma u karakteristici koji odgovaraju varijacijama na različitim vremenskim intervalima: sinoptičkim, dnevnim i turbulentnim. Slika 2.1: Spektralna gustoća snage vjetra 2.2 Stohastički modeli brzine vjetra Za stohastički opis brzine vjetra se koristi funkcija gustoće vjerojatnosti (FGV) (Slika 2.2). Površina ispod krivulje s brzinom u intervalu (v 1, v 2 ) predstavlja vjerojatnost da brzina vjetra poprimi iznos iz tog intervala. P (v 1 v v 2 ) = v2 v 1 f(v)dv, (2.1) gdje je f(v) FGV brzine vjetra. Za proračun očekivanog iznosa snage vjetra vrijedi sljedeća relacija: E(v 3 ) = c v 3 f(v)dv, (2.2) 0
9 Poglavlje 2. Energija vjetra 9 f(v) V V 1 V 2 V vj Slika 2.2: Funkcija gustoće vjerojatnosti brzine vjetra gdje je c koeficijent proporcionalnosti i ovisi o gustoći zraka, vlažnosti, poprečnom presjeku kroz koji puše vjetar itd. [9]: Kao adekvatna FGV u modeliranju brzine vjetra se pokazala Weibullova funkcija f(v) = k ( ) [ v k 1 ( ) ] v k exp, (2.3) c c c gdje je k parametar oblika, a c parametar skaliranja. Weibull-ova FGV predstavlja početnu točku kod pronalaženja vjernog opisa stohastike u modeliranju brzine vjetra. Na Slici 2.3 lijevo su prikazane Weibullove funkcije uz fiksan iznos koeficijenta c i promjenjivi koeficijent k, a na Slici 2.3 desno su iscrtane funkcije uz promjenjiv c i fiksan k. Iz iscrtanih krivulja se mogu donijeti zaključci o utjecaju parametra k, odnosno c na FGV. Uz k = 1, FGV ima oblik eksponencijalne opadajuće funkcije, dok povećanje iznosa parametra oblika na k = 3 ima za posljedicu dobivanje zvonolikog oblika krivulje. Iskustveno je pokazano kako je k = 2 najbolji početni izbor za stohastički model vjetra ako ne postoje dokumentirani podaci mjerenja brzine koja bi vodila na drugačiji izbor parametra oblika. Uz k = 2, Weibullova FGV se naziva Rayleighovom FGV: f(v) = 2v [ ( ) ] v 2 c 2 exp. (2.4) c Za odabir koeficijenta skaliranja c može poslužiti informacija o srednjem mjerenom iznosu brzine vjetra na dotičnoj lokaciji. Proračunom očekivanog iznosa Rayleighove
10 Poglavlje 2. Energija vjetra c=8 k=1 k=2 k= k=2 c=4 c=6 c=8 Vjerojatnost Brzina vjetra [m/s] Brzina vjetra [m/s] Slika 2.3: Funkcije gustoće vjerojatnosti brzine vjetra uz promjenjive iznose k i c FGV dolazi se do izraza: v = 0 v f(v)dv = 0 2v 2 c 2 [ ( ) ] v 2 exp = c π c c, (2.5) 2 odnosno c v. Dan je uvid u načine modeliranja stohastike efektivne brzine vjetra na određenoj lokaciji. Takva informacija može poslužiti za procjenu isplativosti lokacije za izgradnju vjetroagregata. Za modeliranje vjetra na mnogo kraćoj vremenskoj skali, uz uzimanje u obzir promjenjivi iznos brzine i smjera vjetra duž prostora i u cilju simuliranja vladanja vjetroagregata u turbulentnim uvjetima može poslužiti model opisan u [15].
11 Poglavlje 3 Opis rada vjetroagregata 3.1 Fizikalne osnove vjetroagregata Zbog karakteristične aerodinamičke konstrukcije, strujanje vjetra uz lopatice vjetroagregata prouzrokuje razliku u statičkom tlaku čiji je rezultat zakretni moment na osovini generatora[15]. Uz komponentu sile koja djeluje u smjeru rotacije lopatica, na vjetroagregat djeluje i komponenta koja svojim djelovanjem pobuđuje oscilacije tornja. Snaga sadržana u masi zraka koja se giba brzinom v vj unutar presjeka polumjera R jednakom dužini lopatice iznosi: P vj = 1 2 ρ z R 2 πv 3 vj, (3.1) [ gdje je ρ z specifična gustoća zraka kg ]. m 3 S obzirom da vjetar koji prolazi kroz rotor vjetroagregata ne gubi svu snagu, uvodi se koeficijent snage vjetroagregata C p koji predstavlja stupanj iskorištenja snage vjetra. U skladu s prethodno navedenim slijedi izraz za mehaničku snagu vjetroagregata: P m = 1 2 C pρ z R 2 πv 3 vj. (3.2) Koeficijent snage C p je statička funkcija sa brzinom vrtnje ω, kutom zakreta lopatica β i brzinom vjetra v vj kao ulaznim varijablama. Maksimalni teoretski iznos koeficijenta snage je poznat pod nazivom Betzov koeficijent. On iznosi 16/ % i postiže se kada je brzina vjetra iza rotora jednaka trećini ulazne brzine vjetra u rotor[9]. Koeficijent snage se kod današnjih vjetroagregata kreće oko 50%. Relacija za aerodinamički moment slijedi iz izraza (3.2) i dobiva se dijeljenjem mehaničke snage vjetroagregata s brzinom vrtnje vjetroturbine: M a = 1 2 C p ρ z R 2 πvvj 3. (3.3) ω 11
12 Poglavlje 3. Opis rada vjetroagregata 12 U matematičkim opisima vjetroagregata se često koristi omjer obodne brzine rotora na vrhu lopatice i brzine vjetra: λ = ωr v vj. (3.4) Koeficijent λ je u engleskoj literaturi poznat kao tip speed ratio. Na Slici 3.1 je prikazana ovisnost koeficijenta snage C P o λ uz različite iznose kuta zakreta. Iz funkcija na slici je očito kako koeficijent ima maksimum za određen iznos λ. Maksimalna korisnost se postiže za kut zakreta β = 0, a povećanjem kuta zakreta se korisnost smanjuje i pomiče prema području s manjim iznosima koeficijenta λ. Funkcija koeficijenta snage proizlazi iz aerodinamičkih karakteristika vjetroagregata i moguće ju je eksperimentalno odrediti mjerenjem zakretnog momenta turbine uz poznate iznose brzine vjetra, kuta zakreta i brzine vrtnje. Izmjereni zakretni moment se množi s brzinom vrtnje ω kako bi se dobila mehanička snaga na vjetroturbini. Djeljenjem dobivenog iznosa snage s izračunatom snagom vjetra se dobije iznos koeficijenta snage. Na sličan način moguće je eksperimentalno odrediti krivulje sile potiska na rotor F t u ovisnosti o λ i β. Slika 3.1: Krivulje ovisnosti koeficijenta snage C P o λ uz fiksni β[15] Jednadžba 3.1 pokazuje ovisnost snage vjetra o trećoj potenciji brzine. Takva drastična nelinearnost uvjetuje potpuno različite strategije upravljanja za brzine vjetra ispod i iznad nazivne. Pritom je nazivna brzina vjetra minimalna brzina uz koji vjetroagregat postiže nazivnu snagu. Kako bi se stvorili preduvjeti za sintezu upravljačkog mehanizma potrebno je poznavati matematički model procesa kojim se upravlja. U tu svrhu je u sljedećem podpoglavlju opisan model vjetroagregata koji je korišten u sintezi modelskog prediktivnog upravljanja vjetroagregatom.
13 Poglavlje 3. Opis rada vjetroagregata Matematički model vjetroagregata Polazni model vjetroagregata koji će se koristiti za sintezu modelsko prediktivnog upravljanja predstavlja pojednostavljeni matematički model vjetroagregata. Postojeći složeni matematički modeli[20] s detaljnijim opisom vladanja vjetroagregata se baziraju na implicitnim jednadžbama koje otežavaju proračun i onemogućavaju primjenu razvijenih postupaka sinteze upravljanja. Model opisan u nastavku modelira sve bitne fizikalne pojave na vjetroagregatu koje je potrebno uzeti u obzir pri sintezi sustava upravljanja. Uz zanemarenje sile trenja, dinamika rotora se može opisati diferencijalnom jednadžbom: J t ω = M a M g, (3.5) gdje je J t moment inercije rotora, ω je kutna brzina rotora i generatora na istoj osovini i uz zanemarenu torziju. M a je aerodinamički moment, a M g je moment generatora. U modelu vrijedi pretpostavka M g M g,ref, jer je dinamika momenta generatora znatno brža od bilo koje druge dinamike u modelu vjetroagregata. Uz dinamiku rotora, bitno je u obzir uzeti i oscilacije konstrukcije vjetroagregata. Zajedno s periodičkim opterećenjem koje je posljedica karakterističnog vertikalnog profila vjetra[20], oscilacije konstrukcije zbog promjene sile potiska na rotor predstavljaju glavni razlog zamora materijala i skraćivanja radnog vijeka vjetroagregata. Iako su strukturne vibracije vjetroagregata veoma složene, modalnom analizom je moguće pronaći dominantnu frekvenciju kojom se postiže veoma dobra aproksimacija složenih vibracija. Dominantna frekvencija je ujedno i prva prirodna frekvencija sustava. Uzevši u obzir prethodne konstatacije, oscilacije se mogu opisati sljedećom diferencijalnom jednadžbom: Mẍ t + Dẋ t + Cx t = F t, (3.6) gdje x t predstavlja odmak vrha tornja od ravnotežnog položaja, F t je sila potiska na rotor, a varijable M, D i C su modalna masa, koeficijent prigušenja i koeficijent elastičnosti, respektivno. S obzirom da se toranj njiše, brzina vjetra na glavčini vjetroagregata se može izraziti kao: vvj r = v vj ẋ t. (3.7) Matematički model korišten u identifikaciji sadrži i opis dinamike servo motora zakreta lopatica. Njegovu dinamiku je moguće opisati diferencijalnom jednadžbom
14 Poglavlje 3. Opis rada vjetroagregata 14 drugog reda s realnim svojstvenim vrijednostima: T 1 T 2 β + (T1 + T 2 ) β + β = β ref. (3.8) Važnost uzimanja u obzir dinamike zakreta lopatica očituje se u postupku sinteze modelskog prediktivnog upravljanja. Naime, bitno je imati u vidu maksimalnu moguću brzinu zakreta koju algoritam upravljanja mora poštivati. Nelinearnost modela vjetroagregata proizlazi iz nelinearnosti statičkih funkcija M a i F t čije su ulazne vrijednosti brzina vrtnje rotora, kut zakreta lopatica i brzina vjetra u odnosu na vrh tornja, odnosno M a = f(ω, β, vw) r i F t = g(ω, β, vw). r Statičke funkcije su utvrđene pomoću profesionalnog simulatora vjetroagregata GH Bladed[1]. Kako bi se mogao identificirati po dijelovima afini model vjetroagregata, navedene statičke nelinearnosti je potrebno aproksimirati s po dijelovima afinim preslikavanjem. Zbog preglednosti se još jednom navode jednadžbe kojima je opisan model vjetroagregata korišten u ovom radu: J t ω = M a (ω, β, v r vj ) M g, Mẍ t + Dẋ t + Cx t = F t (ω, β, v r vj ), T 1 T 2 β + (T1 + T 2 ) β + β = β ref. (3.9) 3.3 Osnovne strategije upravljanja vjetroagregatom Vjetroagregatom se upravlja s ciljem maksimiziranja proizvedene energije uz poštivanje nazivnih vrijednosti generatora vjetroturbine. Radna područja vjetroagregata su određena brzinom vjetra u odnosu na nazivnu brzinu koja predstavlja minimalnu brzinu vjetra uz koju se postiže nazivna snaga vjetroagregata. Ovisno o radnom području, regulacijski sustav ima različito djelovanje u cilju ispunjenja upravljačkih ciljeva. Ispod nazivne brzine vjetra se upravlja momentom generatora kako bi se sustav doveo u radnu točku s maksimalnim stupnjem aerodinamičke pretvorbe s obzirom na dostupnu brzinu vjetra. Pritom je potrebno pripaziti na minimalnu i maksimalnu dopuštenu brzinu vrtnje koja je određena karakteristikama generatora. Na području iznad nazivne brzine vjetra generator proizvodi nazivnu snagu te se zakretanjem lopatica propušta višak energije vjetra i održava se nazivna brzina vrtnje rotora vjetroagregata. Načelna shema sustava upravljanja je prikazana na Slici 3.2.
15 Poglavlje 3. Opis rada vjetroagregata 15 Regulacija brzine vrtnje momentom generatora M g, ref Generator M g ω ref Vjetar Mjerenje brzine vrtnje Regulacija brzine vrtnje zakretom lopatica β ref Servo motor β Slika 3.2: Načelna shema sustava upravljanja vjetroagregatom Na Slici 3.3 su prikazane statičke karakteristike vjetroagregata snage 1[MW]. Statičke karakteristike su rezultat upravljanja momentom generatora ispod nazivne brzine vjetra i zakretom lopatica 1 iznad nazivne brzine vjetra. Prekoračenje maksimalne dopuštene brzine vjetra v vj,max = 30[ m s ] rezultira aktiviranjem sigurnosnog signala koji povećanjem zakreta lopatica na 90 osigurava iščezavanje aerodinamičkog momenta na rotoru vjetroagregata i njegovo zaustavljanje. Slika 3.3: Statičke karakteristike vjetroagregata snage 1[MW][15] 1 eng. Pitch control
16 Poglavlje 3. Opis rada vjetroagregata Upravljanje ispod nazivne brzine vjetra Upravljanjem ispod nazivne brzine vjetra se nastoji maksimalno iskoristiti energija dostupna u vjetru. U podpoglavlju 3.1 je pokazana ovisnost koeficijenta iskoristivosti snage vjetra C P o kutu zakreta β i omjeru brzina λ. S obzirom da je ispod nazivne brzine vjetra kut zakreta lopatica fiksan, koeficijent snage ima maksimum za poznati iznos optimalnog omjera brzina λ opt. Prema tome, brzina vrtnje uz koju će se postići optimalno iskorištenje je određena brzinom vjetra. Promjenjivi iznos brzine vjetra rezultira zahtjevom za jednako promjenjivim iznosima brzine vrtnje. S obzirom na veliku tromost rotacijske mase na generatoru, vjetroagregat u takvim uvjetima ne može dostići maksimalnu efikasnost. Sa stajališta prijenosa energije u mrežu, moderni vjetroagregati su opremljeni frekvencijskim pretvaračima s istosmjernim međukrugom te je bez obzira o brzini vrtnje rotora moguće osigurati mrežnu frekvenciju na priključku vjetroagregata na elektroenergetski sustav. Postoji više načina upravljanja vjetroagregatom u cilju postizanja maksimalne iskoristivosti. Prvi način, koji koristi MPC regulator realiziran u ovom radu, podrazumijeva mjereni/estimirani iznos brzine vjetra. Regulator brzine vrtnje ovisno o dostupnoj informaciji o brzini vjetra generira odgovarajući upravljački signal momenta generatora. Blokovska shema sustava upravljanja je prikazana na Slici 3.4. Nedostatak ovog načina upravljanja je što brzinu vjetra nije moguće pouzdano mjeriti s obzirom da su anemometri postavljeni na gondoli vjetroagregata, nekoliko metara iza rotora. Vjetar kojeg mjeri anemometar predstavlja zakašnjeli mjerni signal koji je uz to degeneriran zbog prolaska vjetra preko lopatica rotora. Stoga je za uspješnu realizaciju ovakvog načina upravljanja potrebno implementirati odgovarajući estimator brzine vjetra. λ opt /R Mjerenje i estimacija vjetra Vjetar + - Regulacija brzine vrtnje momentom generatora M g, ref Generator M g Mjerenje brzine vrtnje Slika 3.4: Blokovska shema upravljanja momentom generatora ispod naz. brzine vjetra
17 Poglavlje 3. Opis rada vjetroagregata 17 Većina modernih vjetroagregata kao i regulator koji se koristi u završnom dijelu rada za usporedbu vladanja s MPC regulatorom, za optimiranje proizvedene snage ispod nazivne brzine vjetra koristi upravljački zakon koji se izvodi u nastavku. dostupne brzine vjetra v vj slijedi optimalan iznos brzine vrtnje prema relaciji: ω opt = λ optv vj R. (3.10) Uz optimalan iznos brzine vrtnje i poznatu brzinu vjetra, moguće je izračunati optimalan iznos aerodinamičkog momenta koji u stacionarnim uvjetima odgovara iznosu momenta generatora: M a,opt = M g,opt = 1 2 ρ z R 3 πv 2 vj C P (λ opt, β opt ) λ opt = 1 2 Iz ρ z R 5 πc P (λ opt, β opt ) λ 3 ωopt. 2 (3.11) opt Budući da su iznosi λ opt kao i β opt kojima se postiže maksimalan stupanj iskorištenja poznati, koeficijent C P (λ opt, β opt ) zapravo predstavlja konstantu C P,max (3.11) moguće zapisati kao: gdje je koeficijent optimalnog momenta K λ definiran kao: te je izraz M g,opt = K λ ω 2 opt, (3.12) K λ = 1 2 ρ z R 5 πc P,max λ 3. (3.13) opt Koeficijent optimalnog momenta (3.13) ima konstantnu vrijednost. Premda izvedeni optimalni upravljački zakon podrazumijeva postavljanje brzine vrtnje na optimalnu vrijednost s obzirom na dostupnu brzinu vjetra, brzina vjetra se u algoritmu (3.12) eksplicitno ne koristi. Naime, algoritam se bazira na pretpostavci da je uz optimalan omjer brzina λ opt postignut optimalan aerodinamički moment. S obzirom da u stacionarnim uvjetima aerodinamički moment mora odgovarati momentu generatora, optimalan iznos momenta generatora ima za posljedicu postizanje optimalnog iznosa brzine vrtnje rotora. U skladu s navedenim, upravljački zakon je izveden uvažavajući pretpostavke stacionarnosti. Međutim, pokazuje se kako je i u dinamičkim uvjetima moguće koristiti izraz (3.12) za upravljanje brzinom vrtnje s ciljem maksimiziranja iskorištenja energije sadržane u vjetru. Povećanje brzine vrtnje iznad optimalne vrijednosti ima za posljedicu povećanje momenta generatora što ima kočni efekt na vrtnju rotora. S druge strane, smanjenje brzine vrtnje ispod optimalnog iznosa ima za posljedicu smanjenje momenta generatora što ima za posljedicu ubrzavanje rotora vjetroagregata. Očito je kako je upravljanjem u otvorenom krugu uz statički izveden kvadratni upravljački zakon (3.12) postignut stabilan sustav upravljanja. Blokovska shema sustava upravljanja je prikazana na Slici 3.5.
18 Poglavlje 3. Opis rada vjetroagregata 18 Vjetar M g,ref =K λ ω 2 M g, ref Generator M g Mjerenje brzine vrtnje Slika 3.5: Blokovska shema upravljanja momentom generatora ispod naz. brzine vjetra S obzirom da je dinamika regulacije brzine vrtnje koja se postiže primjenom upravljačkog zakona (3.12) poprilično spora, u regulacijski algoritam se dodaje dodatni derivacijski član kojim se fiktivno smanjuje moment tromosti vjetroturbine. Nadalje, upravljanjem ispod nazivne brzine vjetra je potrebno paziti na minimalno i maksimalno dopušten iznos brzine vrtnje rotora. Stoga se na rubovima radnog područja ispod nazivne brzine vrtnje ne slijedi optimalan upravljački zakon već se upravlja brzinom vrtnje s ciljem poštivanja zadanih ograničenja. Za upravljanje na rubovima radnog područja se najčešće koriste PI(D) regulatori. Regulacija brzine vrtnje ispod nazivne brzine vjetra također mora osigurati preskakanje kritičnih frekvencija na kojima sustav može doći u rezonanciju. Do rezonancije može doći ako se frekvencija vrtnje rotora ili njen višekratnik podudara s vlastitom frekvencijom tornja ili neke druge komponente sustava. Dodatne komponente sustava upravljanja koje je potrebno nadodati optimalnom upravljačkom zakonu ovdje su samo ukratko navedene te se čitatelja za više detalja upućuje na [15] Upravljanje iznad nazivne brzine vjetra Na brzinama vjetra iznad nazivne je snaga koja se može dobiti iz vjetra veća od nazivne snage za koju je projektiran generator vjetroagregata. Zadatak sustava upravljanja je zakretanjem lopatica ograničiti snagu koju generator preuzima iz vjetra. Upravljanje kutom zakreta se najčešće realizira u kaskadnoj strukturi. U podređenoj regulacijskoj petlji se nalazi servo pogon zakreta lopatica, a referentni iznos zakreta zadaje nadređena regulacijska petlja po brzini vrtnje rotora vjetroagregata. Vrtnja rotora vjetroagregata se nastoji zadržati na nazivnoj vrijednosti uz djelovanje promjenjivog iznosa brzine vjetra. Za regulaciju se najčešće koriste PI(D) regulatori
19 Poglavlje 3. Opis rada vjetroagregata 19 zbog njihove jednostavnosti i razvijenih postupaka sinteze. Izražena nelinearnost sustava upravljanja uvjetuje uključenje adaptacije parametara regulatora ovisno o radnoj točki u kojoj se regulator nalazi. Sintezu regulatora moguće je izvesti na više načina[15]. Parametriranje regulatora brzine vrtnje je najosjetljiviji zadatak u sklopu projektiranja sustava upravljanja vjetroagregata. Uz postojanje nelinearnosti sustava upravljanja koja komplicira postupak sinteze regulatora, nepravilno podešen regulator zakreta lopatica može prouzročiti prekomjerno njihanje tornja vjetroagregata i u konačnici uništenje konstrukcije vjetroagregata. Stoga je pri parametriranju potrebno pripaziti na raspored polova zatvorenog kruga upravljanja. Preveliko pojačanje regulatora može imati za posljedicu prelazak slabo prigušenih polova dinamike tornja u desnu poluravninu čime sustav ulazi u područje nestabilnosti. Fizikalna pozadina mogućnosti prelaska sustava u stanje nestabilnosti leži u spregnutosti sustava regulacije brzine vrtnje s njihanjem tornja vjetroagegata. Naime, njihanje tornja vjetroagregata u smjeru suprotnom od smjera puhanja vjetra ima za posljedicu veću efektivnu brzinu koju osjeća rotor vjetroagregata, a samim time i ubrzavanje rotora. Regulator će u cilju održavanja nazivne brzine povećati kut zakreta lopatica što uzrokuje smanjenje sile potiska. S obzirom da sila potiska djeluje na toranj u smjeru puhanja vjetra, njeno smanjenje ima za posljedicu dostizanje većeg stupnja nagnutosti tornja. Nakon što toranj nastavi njihanje u smjeru vjetra, efektivna brzina vjetra se smanjuje, a zajedno se njom i brzina vrtnje rotora. Regulator lopatica djeluje smanjenjem kuta zakreta čime se povećava sila potiska na rotor. Povećanje sile potiska ima za posljedicu veći nagib tornja u smjeru vjetra. Očito je kako se iz periode u periodu amplitude oscilacija povećavaju te je stoga potrebno osigurati dovoljno malo pojačanje regulatora brzine vrtnje kako bi on bio neosjetljiv na promjene u brzini koje nastaju uslijed njihanja tornja vjetroagregata. U praksi se primjenjuju različite metode parametriranja regulatora brzine vrtnje. Uz projektiranje regulatora minimizacijom integralnih kriterija kakvoće, često se koristi i sinteza na temelju frekvencijskih karakteristika otvorenog regulacijskog kruga. Tako je npr. regulator koji se koristi za usporedbu vladanja s MPC regulatorom u podpoglavlju 6.4 projektiran uz presječnu frekvenciju ω c = 0.9[ rad s ] i fazno osiguranje γ = 60 [15]. Ti parametri su pokazali dobre karakteristike sa stajališta brze regulacije brzine vrtnje uz smanjenu aktivnost njihanja tornja. Kako bi karakteristike sustava upravljanja bile zadovoljavajuće u čitavom radnom području, nužno je uključiti adaptaciju parametara regulatora. Stoga je sustav
20 Poglavlje 3. Opis rada vjetroagregata 20 potrebno linearizirati u više radnih točaka i za svaku radnu točku provesti sintezu regulatora. Parametri regulatora se zapisuju u preglednu tablicu 2. Radna točka u kojoj se nalazi vjetroagregat je određena iznosom brzine vjetra. S obzirom da je mjerenje brzine vjetra nepouzdano, u praksi se pokazalo kako je identifikaciju radnog područja moguće izvesti korištenjem informacije o zakretu lopatica vjetroagregata. Naime, pod pretpostavkom ispravnog rada regulatora brzine vrtnje, kut zakreta lopatica je u direktnoj vezi s brzinom vjetra što slijedi iz statičke karakteristike vjetroagregata (Slika 3.3). Pokazuje se kako je i u dinamičkim uvjetima moguće koristiti navedenu vezu u svrhu parametriranja regulatora[15]. Blokovska shema regulacije brzine vrtnje zakretom lopatica je prikazana na Slici 3.6. Kr,Ti,Td Adaptacija parametara Vjetar β ω n + - PID regulator brzine vrtnje β ref Servo motor β Mjerenje brzine vrtnje Slika 3.6: Blokovska shema upravljanja brzinom vrtnje iznad naz. brzine vjetra Zahtjevi na sustav regulacije vjetroagregatom Primarni ciljevi upravljanja vjetroagregatom su svakako maksimiziranje proizvodnje električne energije i poštivanje ograničenja zbog tehničkih karakteristika generatora. Pri ispunjavanju primarnih ciljeva treba pripaziti i na štetan utjecaj koji regulacija može imati na strukturna opterećenja. Postoji dakako još mnogo čimbenika koje je potrebno imati u vidu. Potpuniji popis zahtjeva na regulator slijedi u nastavku. Projektni zahtjevi koje sustav regulacije mora ispunjavati su[20]: 1. regulacija aerodinamičkog momenta na brzinama vjetra iznad nazivne; 2. minimiziranje "špiceva" u momentu generatora; 3. spriječiti pretjeranu aktivnost zakretanja lopatica; 2 engl. Look up table
21 Poglavlje 3. Opis rada vjetroagregata minimiziranje opterećenja baze tornja kontroliranjem oscilacija tornja; 5. smanjivanje opterećenja na korijenu lopatica. Treba imati u vidu kako se u ovom radu ne razmatra individualno zakretanje lopatica i u tom smislu se ne može utjecati na umanjenje opterećenja na korijenu lopatica koje se potom prenosi na konstrukciju vjetroagregata. Stoga MPC sustav regulacije koji se projektira u ovom radu mora zadovoljiti sve zahtjeve izuzev posljednjeg koji nije uključen u matematički model vjetroagregata za sintezu sustava upravljanja.
22 Poglavlje 4 Modelsko prediktivno upravljanje Razvoj modelskog prediktivnog upravljanja 1 započinje u kasnim 70-im godinama prošlog stoljeća[7]. Od onda je postignut značajan napredak, ali je i dalje otvoren prostor za brojne znanstvene radove na gotovo neiscrpnom području MPC regulacije. Modelsko prediktivno upravljanje koristi poznatu dinamiku modela procesa za proračun upravljačkog signala kojim će se postići minimum zadanog kriterija upravljanja. Dok je ispočetka primjena bila vezana isključivo za spore industrijske procese, u današnje vrijeme se MPC regulatori koriste za upravljanje raznolikim spektrom sustava. Prednosti MPC-a pred ostalim metodama upravljanja su (i) svojstvo kompenzacije transportnog kašnjenja i djelovanja poremećaja na sustav, (ii) razvijeni regulator je moguće dobiti u obliku linearnog upravljačkog zakona kojeg je moguće jednostavno implementirati u stvarni sustav, (iii) omogućuje eksplicitno poštivanje ograničenja na procesne i upravljačke varijable, (iv) u potpunosti se mogu iskoristiti saznanja o budućim trajektorijama referentne veličine itd. Nedostatak MPC regulatora je što je dobivanje upravljačkog algoritma znatno složenije nego što je to slučaj kod klasičnih linearnih regulatora kao što je PID. U slučaju da se parametri procesa ne mijenjaju značajno tijekom rada procesa, odgovarajući upravljački algoritam se može proračunati offline, dok se u slučaju adaptivnog upravljanja procesom sav proračun mora izvršavati u svakom koraku diskretizacije. Uz uključenje ograničenja, proračun optimalnog upravljačkog zakona postaje još zahtjevniji. Međutim, računski zahtjevi MPC-a sve manje dolaze do izražaja s obzirom na sve veću procesnu snagu računala koji se koriste u upravljanju procesima. U cilju što potpunijeg iskorištenja svih prednosti MPC regulatora, potrebno je identificirati što 1 engl. Model Predictive Control (MPC) 22
23 Poglavlje 4. Modelsko prediktivno upravljanje 23 bolji matematički model procesa. Uz strategiju MPC regulatora veže se pojam pomičnog horizonta 2. U svakom koraku diskretizacije se horizont upravljanja pomiče unaprijed uz djelovanje prvim upravljačkim signalom optimalne sekvence na sustav upravljanja. Pritom se optimalna sekvenca proračunava u svakom trenutku uzorkovanja. Upravljanjem na takav način je postignut efekt regulacije u zatvorenoj petlji. Djelovanje MPC regulatora je moguće podijeliti na sljedeće sastavne dijelove: 1. Budući izlazi iz sustava upravljanja u horizontu upravljanja N se predviđaju u svakom trenutku uzorkovanja k korištenjem poznatog modela procesa. Predikcija izlaza y(t+k t), za k = 0,..., N 1 ovisi o prošlim ulazima i izlazima te o budućim upravljačkim signalima u(t + k t), za k = 0,..., N 1, koji se šalju na aktuator. 2. Sekvenca upravljačkih signala se proračunava minimiziranjem kriterija upravljanja. Kriterij je najčešće zadan u obliku kvadratne funkcije i u slučaju problema praćenja odgovara kvadratu odstupanja referentne trajektorije od izlaza sustava. U kriterij se najčešće uključuje i penaliziranje upravljačkog signala kako bi se spriječilo forsiranje upravljačkog signala. U slučaju postojanja linearnog modela procesa, kvadratičnog ograničenja i nepostojanja ograničenja, moguće je dobiti eksplicitno rješenje upravljačkog algoritma. U protivnom se za proračun optimalnog zakona upravljanja koriste iterativne metode optimizacije. 3. Upravljački signal u(t t) se primjenjuje na proces dok se ostali proračunati signali unutar optimalne sekvence odbacuju, jer se već u idućem trenutku uz poznato mjerenje y(t + 1) provodi korak 1. S obzirom na dostupnu novu informaciju iz sustava, iznos upravljačkog signala u(t+1 t+1) se razlikuje od u(t+1 t) u skladu s konceptom pomičnog horizonta. S obzirom da predikcija vladanja sustava ima direktan utjecaj na proračun sekvence upravljačkog signala, matematički model sustava mora sadržavati što vjerniji opis dinamike procesa duž horizonta predikcije. Bez obzira na manjak teoretskih rezultata na području dokazivanja stabilnosti i robusnosti modelsko prediktivnih sustava upravljanja, zbog svojih prednosti se MPC u praksi pokazuje kao odličan izbor u upravljanju industrijskim procesima. 2 engl. Receding horizon
24 Poglavlje 5 Po dijelovima afini sustavi Matematički opis sustava afinim podmodelima koji su definirani na određenom rasponu ulaznih i procesnih varijabli naziva se po dijelovima afinim modelom. PWA sustavi se dobivaju dijeljenjem cjelokupnog skupa ulaza i stanja sustava na konačan broj poliedarskih područja (politopa)[10], nad kojima vrijedi afina funkcija preslikavanja vrijednosti ulaznih veličina i stanja procesa na izlaz (podmodel) (Slika 5.1). PWA modelom moguće je s proizvoljnom preciznošću opisati nelinearnu dinamiku i zbog svojih svojstava može ga se koristiti za ekvivalentan opis hibridnih sustava koji uz opis dinamičkog vladanja sadrže i elemente logike. Jednako dobra mogućnost estimacije kontinuiranih i diskontinuiranih modela sustava osigurava mu svojstvo univerzalnog aproksimatora. y u x Slika 5.1: Po dijelovima afina funkcija s diskontinuitetima i tri podmodela 24
25 Poglavlje 5. Po dijelovima afini sustavi 25 S obzirom na postupak dijeljenja skupa ulaza i stanja sustava postoje dva pristupa modeliranju. Prvi pristup postupak dijeljenja obavlja a priori, što znači da je na već predodređenim poliedarskim područjima potrebno izvršiti aproksimaciju linearnog modela sustava. Do parametara podmodela se potom dolazi uvriježenim linearnim metodama identifikacije[14] (npr. metoda najmanjih kvadrata). Veliki nedostatak navedenog pristupa je što se pri postupku identifikacije ne uzima u obzir konfiguracija ulazno-izlaznih podataka, te je najčešće potreban veliki broj podmodela za osiguravanje zadovoljavajućeg opisa sustava. U drugom pristupu se obavlja utvrđivanje granica podmodela uzimajući u obzir identifikacijske podatke i konačni efekt je postizanje manje aproksimacijske pogreške uz manji broj podmodela. Glavni problem ovog pristupa je potreba za istovremenim postupcima klasifikacije podataka, estimacije parametara podmodela i koeficijenata hiperravnina koji omeđuju područja definicije podmodela. Postupak identifikacije postaje još složeniji ukoliko je nepoznat broj podmodela, te ga je utoliko potrebno estimirati. Dva temeljna opisa PWA sustava su opis u prostoru stanja i opis u regresijskom obliku 1. Opis u regresijskom obliku dijeli se u zasebne podklase: (i) HHARX[12] te (ii) Hammerstein i Wienerov PWARX[19] sustav. Zbog konzistentnosti slijedi samo opis PWA sustava u prostoru stanja, budući da se jedino takav model sustava koristi u praktičnom dijelu ovog rada. 5.1 PWA model u prostoru stanja Analogno zapisu sustava u prostoru stanja, slijedi općeniti zapis PWA sustava u prostoru stanja: x k+1 = A σ(k) x k + B σ(k) u k + b σ(k), (5.1a) y k = C σ(k) x k + D σ(k) u k + d σ(k), (5.1b) gdje je k korak diskretizacije, x k R n je vektor stanja procesa, u k R p je vektor ulaza u sustav, y k R q je vektor izlaza iz sustava. Varijabla σ(k) određuje aktivni podmodel te poprima vrijednosti iz konačnog diskretnog skupa {1,..., s}, gdje s predstavlja broj afinih podmodela, a vektori b σ(k) i d σ(k) predstavljaju afinu komponentu opisa sustava u prostoru stanja. S obzirom na zapis sustava (5.1) može se zaključiti kako je PWA sustav u prostoru stanja afini model sustava s varijabilnim koeficijentima gdje se odabir skupa parametara 1 engl. PieceWiseAffine autoregressive exogenous (PWARX)
26 Poglavlje 5. Po dijelovima afini sustavi 26 vrši s obzirom na varijablu σ(k). Općenito se aktivni podmodel u prostoru stanja u koraku diskretizacije k određuje iz pozicije stanja i ulaznih vrijednosti u prostoru X koji je razapet varijablama stanja procesa i ulazima u sustav: σ(k) = i, ako je (x k, u k ) X i. (5.2) Prostor X je podijeljen u s politopa X i. Nad svakim politopom je definiran jedan afini podmodel. Aktivni politop se određuje zadovoljenjem sljedeće relacije: X i = (x, u) Rn R p : H i x K i u, (5.3) gdje matrica H i i vektor K i definiraju granice i-tog politopa. Kako bi se mogao identificirati PWA model vjetroagregata, potrebno je nelinearne statičke funkcije u modelu vjetroagregata aproksimirati funkcijama s PWA svojstvima. 5.2 Identifikacija PWA sustava Kako bi se mogla obaviti sinteza regulacijskog kruga, potreban je matematički model sustava kojim se upravlja. Katkada je moguće osigurati kvalitetnu regulaciju koristeći linearizirani model u okolini radne točke u kojoj se upravlja. Međutim, kada nelinearnosti procesa nisu zanemarive s obzirom na radno područje u kojem se proces nalazi, potreban je podrobniji model sustava. Po dijelovima afini sustavi imaju univerzalna aproksimacijska svojstva i odgovarajućim odabirom broja podmodela je moguće svesti pogrešku aproksimacije u okvir zadanih zahtjeva. Identifikacija se izvodi offline koristeći se ulazno-izlaznim podacima prikupljenim u eksperimentima. Postoji više načina po kojima se može obaviti identifikacija, a svima je cilj pronaći PWA model koji će predstavljati vjerodostojni pandan stvarnom procesu, odnosno kojim će se minimizirati predikcijska pogreška. Problem identifikacije PWA sustava može se razložiti na sljedeće zadatke: 1. estimacija potrebnog broja podmodela; 2. estimacija parametara podmodela koji definiraju afinu funkciju ovisnosti izlaza o ulazu; 3. utvrđivanje koeficijenata hiperravnina koje razgraničavaju područja ulaznog hiperprostora.
27 Poglavlje 5. Po dijelovima afini sustavi 27 Dodatan problem identifikacije je klasifikacijske prirode jer je potrebno svaki identifikacijski par (y, u) dodijeliti vlastitom podmodelu, pa će problem predstavljati podaci koji se nalaze na rubovima afinih podmodela. Broj podmodela predstavlja veoma važan parametar jer njime je u konačnici određena kvaliteta provedene identifikacije. Premalen broj podmodela neće zadovoljavajuće dobro opisati sve nelinearnosti sadržane u procesu dok se za npr. broj podmodela koji odgovara broju identifikacijskih podataka postiže efekt premodeliranja (model "nauči" šum). Istovremena optimalna estimacija svih prethodno navedenih zadataka predstavlja računski zahtjevan i često neprovediv zadatak te se pristupa suboptimalnim postupcima identifikacije. Većina takvih algoritama pretpostavlja fiksan broj podmodela ili ga određuje iterativno kako bi se poboljšala estimacija. Izlaz iz PWA modela opisan je preslikavanjem: y k = φ k θ i + e k, (5.4) gdje je θ i vektor parametara podmodela, φ k je vektor identifikacijskih podataka, a e k je šum prisutan u mjernim podacima. Pritom za šum vrijedi pretpostavka E[e k ] = 0 što znači da će za dovoljan broj identifikacijskih podataka po podmodelu, u idealnom slučaju, utjecaj šuma na pogrešku estimacije biti beznačajan. Vektor identifikacijskih podataka može predstavljati vektor ulaznih podataka u slučaju aproksimacije nelinearne statičke funkcije ili može sadržavati prošla stanja i upravljačke signale u slučaju identifikacije PWARX modela. Ako je dostupno N ulazno-izlaznih identifikacijskih podataka i a priori poznat broj podmodela s, tada se problem estimacije može svesti na problem minimizacije sljedeće kriterijske funkcije: V (θ, H i, K i ) = 1 N N l(y k f(x k )) (5.5) gdje f(x k ) predstavlja identificiranu mapu preslikavanja (definicija u odjeljku 5.2.1), a l je općenito nenegativna parna funkcija. Najčešći odabir funkcije l je kvadratna funkcija (ISE kriterij): l(x) = x 2, (5.6) ili apsolutna vrijednost (IAE kriterij): l(x) = x. (5.7) Premda je pretpostavljen poznati broj podmodela, problem minimizacije kriterijske funkcije predstavlja zahtjevan zadatak i moguća su zaglavljenja u lokalnim minimumima. Glavni problem predstavlja utvrđivanje područja definicije politopa, odnosno k=1
28 Poglavlje 5. Po dijelovima afini sustavi 28 ispravne klasifikacije mjernih podataka kojom se postiže najbolja estimacija. Određivanje politopa je usko povezano s identifikacijom parametara podmodela. Nadalje, zahtjeva se da unija svih politopa pokriva cjelokupno područje vrijednosti stanja i ulaza nad kojima je definiran model. Glavne poteškoće u identifikaciji po dijelovima afinog sustava su: 1. proračun dobrog modela stvarnog sustava, s po mogućnosti što manje potrebnih optimizacijskih parametara; 2. spriječavanje zaglavljivanja u lokalne minimume prilikom postupka minimizacije; 3. računska složenost procesa identifikacije. Pronalazak globalnog minimuma garantira mixed-integer programming pristup[12], ali ga karakterizira visoka složenost algoritma. U nastavku slijedi opis postupka istovremene identifikacije parametara podmodela i rasporeda politopa na principu uskupljavanja koji se koristi za identifikaciju PWA modela vjetroagregata u ovom radu Identifikacija temeljena na uskupljavanju Slijedi sažeti opis algoritma identifikacije temeljenog na uskupljavanju, a detaljan opis algoritma je moguće pronaći u [8]. Treba naglasiti kako je opis postupka u ovom radu prilagođen kontekstu aproksimacije nelinearne statičke funkcije dok je u izvornom članku metoda predstavljena u cilju identifikacije PWARX modela. Na samom početku postupka identifikacije je potrebno prikupiti N parova ulazno-izlaznih podataka (u k, y k ). Nelinearnu statičku funkciju y k = f(u k ) + e k, (5.8) gdje je e k šum prisutan u mjernim podatcima 2, moguće je aproksimirati PWA mapom preslikavanja: f(u k ) = θ 1 θ s u k 1 u k 1 ako je u k X 1. ako je u k X s (5.9) gdje su parametri afine funkcije označeni s θ i. Cilj postupka identifikacije je rekonstruirati mapu f iz prikupljenog skupa podataka. Identifikacija temeljena na uskupljavanju podrazumijeva poznati broj podmodela čije je parametre potrebno identificirati. 2 Za slučaj aproksimacije poznate statičke nelinearne funkcije u PWA obliku vrijedi e = 0.
29 Poglavlje 5. Po dijelovima afini sustavi 29 U slučaju potrebe istodobne estimacije broja podmodela, postupak identifikacije se dodatno komplicira. Više o takvom postupku moguće je pronaći u [2]. U nastavku slijedi kratki opis temeljnih koraka identifikacije temeljene na uskupljavanju. Lokalna regresija. Izgrađuju se lokalni skupovi podataka 3 tzv. LD-ovi (često se označavaju sa C k ), gdje svaki C k kao elemente sadrži točku (u k, y k ) i c-1 točaka u j najbližih točki u k. Udaljenost među točkama se računa u Euklidskoj metrici, a vektori parametara θ LS k bi se izbjegli tzv. se računaju za svaki C k pomoću metode najmanjih kvadrata. Kako outlier-i u vektorima parametara, bitno je da parametar c koji određuje broj točaka po lokalnom skupu podataka bude prikladno podešen. Outlieri su ponajprije posljedica miješanih LD-ova. Pojam miješani LD se odnosi na lokalne skupove podataka čije su izlazne vrijednosti generirane s više podmodela. S druge strane, lokalni skupovi podataka koji sadrže samo točke generirane jednim podmodelom su čisti LD-ovi. Kako bi se postigli zadovoljavajući aproksimacijski rezultati, potrebno je da omjer između miješanih i čistih LD-ova bude malen. Izgradnja vektora svojstava. Vektor parametara θ LS k zajedno sa srednjom vrijednošću ulaznih vrijednosti u skupu C k izgrađuje vektor svojstava [ ξ k = (θ LS k) m k ]. (5.10) pri čemu je srednja vrijednost ulaznih vrijednosti u skupu C k definirana kao m k = 1 u (5.11) c u C k Vektor svojstava objedinjuje informaciju o poziciji C k zajedno sa njegovim parametrima. Varijanca R k estimacije parametara se formira kao dijagonalna matrica s kovarijancom V k i matricom raspršenosti Q k kao sastavnim dijelovima. Varijanca R k se koristi za proračun mjere pouzdanosti vektora svojstava ξ k. Veća kovarijanca vektora parametara pojedinog LD-a, odnosno veća raspršenost točaka unutar LD-a imaju za posljedicu manju pouzdanost vektora ξ k. Uskupljavanje. Vektori svojstava se razdjeljuju u s skupina 4 {F i } s i=1. Skupine se formiraju korištenjem tzv. K-means algoritma[18] koji koristi prethodno proračunate mjere pouzdanosti vektora svojstava. Mjera pouzdanosti se koristi za smanjenje negativnog utjecaja LD-ova za koje postoji sumnja da su miješani. Estimacija parametara podmodela. Kako je preslikavanje točaka identifikacijskih podataka u prostor vektora svojstava bijektivno, svaki par točaka (u k, y k ) se pridjeljuje 3 engl. Local Dataset (LD) 4 engl. Cluster
30 Poglavlje 5. Po dijelovima afini sustavi 30 jednom od podskupova podataka D i prema relaciji: (u k, y k ) D i, ako je ξ k F i. (5.12) Vektor parametara podmodela θ i se estimira korištenjem metode najmanjih kvadrata s otežanjem 5 nad podskupom podataka D i. Težine se dobivaju iz mjera pouzdanosti vektora svojstava. Estimacija regija. Estimacija regija se svodi na traženje potpune poliedarske particije skupa regresora (bez praznina). Traženi politopi X i za i = 1,..., s pronalaze se rješavanjem višekategorijskog klasifikacijskog problema. U konkretnom slučaju se koristi tzv. MRLP 6 [13]. Uskupljeni regresori omeđuju se razgraničavajućim hiperravninama među skupinama identifikacijskih podataka uz minimiziranje kriterijske funkcije povezane s krivo klasificiranim regresorima. 5.3 Modelsko prediktivno upravljanje PWA modelom Uz definirana ograničenja na varijable stanja i upravljačke signale sustava, potrebno je pronaći sekvencu upravljačkog signala kojom se ostvaruje minimum zadanog kriterija upravljanja. Uz kriterij upravljanja N 1 J(U N, x(0)) = P x N p + Qx k p + Ru k p, (5.13) slijedi zapis problema proračuna optimalnog upravljačkog signala s ograničenjima 7 uz ograničenja J 0 (x(0)) = min U N k=0 x k+1 = A i x k + B i u k + f i J(U N, x(0)), ako u k U x k X x N X f. x k u k P, Q i R sadrže koeficijente kriterijske funkcije uz kriterij u p-normi. X i, i = 1,..., s (5.14) Treba primijetiti kako se u slučaju kvadratnog kriterija (p = 2) sumator u izrazu (5.13) proširuje dodatnim članom potenciranja umnoška varijabli stanja i upravljačkih signala. U N je 5 engl. Weighted least squares 6 engl. Multi-category Robust Linear Programming MRLP 7 engl. Constrained Finite Time Optimal Control (CFTOC)
31 Poglavlje 5. Po dijelovima afini sustavi 31 vektor upravljačkih signala na horizontu [u 0,..., u N 1 ], a X f ciljana regija na kraju predikcijskog horizonta k = N. Kako bi navedeni upravljački problem bio rješiv 8, pretpostavlja se pozitivna semidefinitnost matrica Q, R i P u slučaju kvadratnog kriterija. Ako se CFTOC problem (5.14) rješava u svakom diskretnom koraku upravljanja tada je riječ o online MPC upravljanju. U ovom radu se razmatra upravo online implementacija MPC regulatora vjetroagregata jer takav oblik omogućuje bržu simulacijsku provjeru vladanja sustava uz zadana ograničenja i kriterij upravljanja. Nakon pronalaska online MPC regulatora sa zadovoljavajućim vladanjem, moguće je pristupiti offline proračunu optimalnog upravljačkog zakona u eksplicitnom obliku[6]. Upravljački zakon u takvom obliku se može iskoristiti za implementaciju u mikroračunalu za rad u stvarnom vremenu. 5.4 Hibridni sustavi s logičkim i kontinuiranim varijablama Sinteza online MPC regulatora vjetroagregata provest će se uz matematički model vjetroagregata u MLD obliku. MLD sustav objedinjuje logički karakter procesa i njegovu dinamičku komponentu što ga čini ekvivalentnim PWA sustavu. Transformacija sustava iz PWA u MLD oblik zasniva se na postupcima transformacije propozicijske logike PWA sustava u skup linearnih nejednadžbi[4]. Uz problem upravljanja zapisan u MLD obliku, moguće je za online proračun optimalnog upravljačkog signala na upravljačkom horizontu koristiti različite rješavače što olakšava bržu sintezu prototipa modelskog prediktivnog upravljanja. Općeniti zapis MLD sustava je: x k+1 = A k x k + B 1k u k + B 2k δ k + B 3k z k y k = C k x k + D 1k u k + D 2k δ k + D 3k z k E 2k δ k + E 3k z k E 1k u k + E 4k x k + E 5k (5.15a) (5.15b) (5.15c) gdje je δ k vektor binarnih varijabli čije vrijednosti označavaju aktivni podmodel, a z k vektor kontinuiranih varijabli. Vektori varijabli stanja i upravljačkih signala, x k i u k, mogu sadržavati kontinuirane i binarne varijable. Pri tome binarna stanja mogu predstavljati primjerice stanje releja ili ventila, a binaran upravljački signal naredbe za uključivanje, odnosno isključivanje. Kontinuiranim varijablama se opisuje dinamika kontinuiranih procesa unutar sustava. Zapis sustava u MLD obliku nije jednoznačan, 8 engl. feasible
32 Poglavlje 5. Po dijelovima afini sustavi 32 ali ako je sustav (5.15) dobro postavljen tada za svaki x k i u k iz zatvorenog poliedarskog prostora X postoje jedinstveni vektori z k i δ k. Dodatna ograničenja na varijable stanja i upravljačke signale (npr. maksimalni i minimalni dopušteni iznosi) moguće je uključiti u MLD sustav proširenjem skupa nejednadžbi u (5.15). Prema tome, u sustav upravljanja je moguće uključiti ograničenja sljedećeg oblika: F x k + Gu k H. (5.16) Ograničenjem tipa F x N H, gdje su s x N označena stanja sustava na kraju horizonta moguće je postaviti ograničenja na ciljnu regiju. Jedan od mogućih postupaka rješavanja problema upravljanja u MLD obliku je metoda grananja i granica 9 o kojoj se više može pronaći u [11]. 9 engl. Branch and bound method
33 Poglavlje 6 Projektiranje modelskog prediktivnog upravljanja vjetroagregatom Modelsko prediktivno upravljanje vjetroagregatom podrazumijeva najprije vjerodostojan model procesa kojim će se upravljati. Bez dobrog modela procesa nije moguće očekivati iskorištenje prednosti koje nudi modelsko prediktivna paradigma. Stoga je najprije potrebno na adekvatan način izvršiti identifikaciju procesa. U ovom radu će se nelinearan model vjetroagregata identificirati u obliku po dijelovima afinog modela jer takav oblik omogućava korištenje razvijenih postupaka sinteze MPC regulatora, međuostalim i proračun optimalnog upravljačkog zakona u eksplicitnom obliku. Proračunati optimalni zakon je potom moguće bez većih poteškoća koristiti za upravljanje procesom u stvarnom vremenu. Za potrebe razvoja prototipa, uz danu dimenziju problema, je postupak proračuna eksplicitnog upravljačkog zakona predugotrajan i stoga nepraktičan. S obzirom na navedeno, u ovom radu se rješava problem sinteze MPC regulacije u implicitnom obliku koji nije pogodan za primjenu na stvarnom procesu već za simulacijsku provjeru performansi koje je moguće postići uz MPC sustav upravljanja vjetroagregatom. Ovo poglavlje je podijeljeno na četiri dijela. U prvom dijelu je opisan postupak identifikacije PWA modela vjetroagregata. U drugom podpoglavlju slijedi prikaz rezultata dobivenih simulacijskom provjerom vladanja identificiranog PWA modela u usporedbi s polaznim nelinearnim modelom. Potom slijedi, u trećem podpoglavlju, postavljanje problema MPC upravljanja u obliku MLD sustava uz minimiziranje odgovarajućih kriterija upravljanja. Navedeno iziskuje prethodnu transformaciju PWA sustava u ekvi- 33
34 Poglavlje 6. Projektiranje modelskog prediktivnog upravljanja vjetroagregatom 34 valentan MLD oblik. U posljednjem podpoglavlju su prikazani simulacijski rezultati projektiranog sustava upravljanja uz kritički osvrt na ostvarene rezultate. 6.1 Identifikacija PWA modela vjetroagregata Nelinearnost modela vjetroagregata koji se koristi za sintezu sustava upravljanja u ovom radu proizlazi iz nelinearnih funkcija aerodinamičkog momenta (M a ) i sile potiska (F t ). Obje nelinearnosti se mogu opisati u hiperprostoru razapetom sljedećim veličinama: brzina vrtnje rotora (ω), kut zakreta lopatica (β) i relativna brzina vjetra na glavčini vjetroagregata (vvj r ). Kako bi se dobio PWA model vjetroagregata, potrebno je nelinearne statičke funkcije M a i F t identificirati kao PWA mape uz minimiziranje pogreške aproksimacije. Kao aparat za PWA identifikaciju je korištena metoda temeljena na uskupljavanju uz dodatnu uporabu kvadratnih programa s ograničenjima za svladavanje zamijećenih nedostataka identificiranog modela Generiranje podataka za potrebe identifikacije S obzirom na raspone varijabli stanja, teoretski je moguće da se vjetroagregat pronađe u bilo kojem dijelu hiperkocke razapete procesnim varijablama. No uzimajući u obzir upravljanje u zatvorenoj petlji u realnim radnim uvjetima, za očekivati je kako će se stanja vjetroagregata nalaziti u okolini optimalne statičke karakteristike 1. U [5] je provedena identifikacija u cijelom rasponu procesnih varijabli, a njeni rezultati pokazuju najveće odstupanje upravo u području statičke karakteristike. Stoga je u ovom radu identifikacija provedena s naglaskom na dobro poznavanje dinamike u okolini statičke karakteristike vjetroagregata. Statička karakteristika je osobni identifikator svakog vjetroagregata i određena je konstrukcijom i primjenjenim upravljanjem. Njena dva sastavna dijela se odnose na upravljanje ispod i iznad nazivne brzine vjetra. U slučaju upravljanja ispod nazivne brzine vjetra, nastoji se iskoristiti maksimalan iznos energije dostupan u vjetru. Lopatice se pritom postavljaju na nagib koji omogućuje maksimalno iskorištenje energije vjetra. Najčešće se taj kut postavlja kao ishodišna pozicija i predstavlja 0 zakreta. Uz lopatice zakrenute pod optimalnim kutom, statička karakteristika proizlazi iz optimalnog iznosa λ opt koji osigurava maksimalan stupanj iskorištenja aerodinamičke pretvorbe. Iznad nazivne brzine vjetra, višak energije vjetra se propušta zakretanjem lopatica. U tom slučaju je u stacionarnom stanju aerodinamički moment jednak nazivnom momentu 1 U daljnjem tekstu statička karakteristika
35 Poglavlje 6. Projektiranje modelskog prediktivnog upravljanja vjetroagregatom 35 generatora, a brzina vrtnje nazivnoj brzini. Statička karakteristika je iz tehničkih i sigurnosnih razloga omeđena minimalnom i maksimalnom dopuštenom relativnom brzinom vjetra[15]: vw,min r < vw r < vw,max. r (6.1) Za potrebe rekonstrukcije PWA mapa preslikavanja aerodinamičkog momenta i sile potiska, potrebno je generirati dovoljan broj identifikacijskih podataka u okolini statičke karakteristike predstavljene u ω-β-vw r identifikacijskom prostoru (Slika 6.1, lijevo). Kako bi se osigurala jednaka distribucija podataka u odnosu na sve ulazne varijable, kvadar koji omeđuje statičku karakteristiku je normiran na kocku jedinične duljine stranice. Skupovi podataka korišteni u identifikaciji su generirani po Gaussovoj razdiobi sa očekivanom vrijednosti na statičkoj karakteristici i disperzijom σ 2 oko statičke karakteristike. Za svaku generiranu točku P u identifikacijskom prostoru se pomoću poznatih nelinearnih funkcija M a i F t proračunavaju iznosi M a (P ) i F t (P ) u svrhu pronalaženja parametara PWA mape preslikavanja koji će rezultirati najmanjim iznosom pogreške aproksimacije Identifikacija PWA mape aerodinamičkog momenta Identifikacija PWA mape aerodinamičkog momenta je provedena s posebnim naglaskom na kvalitetu aproksimacije u okolini statičke karakteristike. Generirana su tri različita skupa podataka s različitim iznosom disperzije oko statičke karakteristike (Slika 6.1, desno). Prvi skup je generiran s najmanjim iznosom disperzije σ1 2 = 0.01 u cilju identifikacije užeg područja oko statičke karakteristike. Drugim skupom s disperzijom σ 2 2 = 0.1 nastoji se prikupiti informacija u široj okolini statičke karakteristike. Najraspršeniji skup s disperzijom jednakom σ3 2 = 1 ima za cilj prikupljanje informacija u cijelom prostoru ω-β-vw. r Prikupljeni parovi ulazno-izlaznih podataka se potom koriste u identifikaciji temeljenoj na uskupljavanju. Algoritam identifikacije temeljen na uskupljavanju podrazumijeva poznati broj podmodela s i točaka po lokalnom skupu podataka c. Kako bi se odredila najbolja kombinacija (s, c), identifikacija je provedena za mnogo različitih kombinacija parametara. Za svaki izvršeni proces identifikacije je izračunata srednja pogreška kao korijen srednjeg kvadratičnog odstupanja (RMSE): RMSE = N (M a,p W A (i) M a (i)) 2. (6.2) i=1
36 Poglavlje 6. Projektiranje modelskog prediktivnog upravljanja vjetroagregatom v vj [m/s] v vj,norm β [ ] ω [o/min] β norm ω norm 1 Slika 6.1: Statička karakteristika u ω-β-v r w prostoru i identifikacijski podaci Dobiveni rezultati pogreške aproksimacije su poslužili za odabir kombinacije parametara s najmanjim brojem podmodela uz koji se postiže zadovoljavajuća aproksimacija. Uz uvjet što manje pogreške aproksimacije i minimalan broj podmodela, odabrani su parametri s = 13 i c = 7. Pri tome je 10 podmodela identificirano u bližoj okolini statičke karakteristike, a 3 u njenoj daljoj okolini (Slika 6.2). S obzirom na značajno manju postignutu pogrešku aproksimacije, identificirana je PWA mapa s diskontinuitetima između podmodela. Slika 6.2: Raspored politopa identificiranog modela s 13 regija Identificirani PWA model može sadržavati određene fizikalne neregularnosti koje je potrebno ispraviti. Naime, aerodinamički moment mora uvijek biti pozitivan pa je područja s negativnim iznosom momenta potrebno izdvojiti i aerodinamički moment
37 Poglavlje 6. Projektiranje modelskog prediktivnog upravljanja vjetroagregatom 37 nad njima postaviti na nulu. Izdvajanjem regija s negativnim momentom, u PWA modelu je dodano 13 novih podmodela. Prilikom postupka validacije je primijećeno nefizikalno ponašanje modela uz identificiranu mapu aerodinamičkog momenta. U području iznad nazivne brzine vjetra je utvrđeno postojanje graničnih ciklusa za određene iznose brzine vjetra. Granični ciklus se manifestira kao neprestano prebacivanje između susjednih podmodela i nusprodukt je diskontinuiranog karaktera PWA mape aerodinamičkog momenta (Slika 6.3). ω [o/min] PWA model Nelinearan model Regija t[s] Slika 6.3: Odzivi brzine vrtnje rotora i aktiviranih regija u graničnom ciklusu Granični ciklus je posljedica neregularnih diskontinuiteta aerodinamičkog momenta između susjednih regija X i i X j. Na Slici 6.4 je prikazana ilustracija za fizikalno objašnjenje razloga uspostave graničnog ciklusa. Slika je projekcija na β-vw r koordinatni sustav, jer je iznad nazivne brzine vjetra brzina vrtnje rotora približno jednaka nazivnoj brzini i njezina dinamika je daleko sporija u usporedbi s ostalim dinamikama u procesu. Zbog inherentnog postojanja pogreške aproksimacije, aerodinamički moment uz samu granicu je većeg iznosa u jednoj regiji nego u drugoj. Na ovom konkretnom primjeru aerodinamički moment ima manji iznos u gornjem području nego u donjem području. Prijelaz iz donjeg u gornje područje ima za posljedicu pad aerodinamičkog momenta koji se nastoji kompenzirati smanjenjem zakreta lopatica. Smanjenje zakreta lopatica vraća stanja vjetroagregata u donje područje uz skok aerodinamičkog momenta. Up-
38 Poglavlje 6. Projektiranje modelskog prediktivnog upravljanja vjetroagregatom 38 ravljački algoritam tada djeluje povećanjem zakreta lopatica kako bi se održala nazivna brzina vrtnje. Na takav način se stanja vjetroagregata prebacuju na gornje područje čime se ostvaruje zatvoreni krug. Jednom uspostavljen granični ciklus se održava dok god se stanja vjetroagregata ne odmaknu od kritičnog prijelaza. GRANICA IZME ĐU R E G IJ A GORNJA REGIJA STANJE S MANJIM M a SMANJIVANJE ZAKRETA P OV E Ć ANJ E ZAK R E T A STANJE S V E Ć IM M a DONJA REGIJA v vj β P OČ E T NO STANJE Slika 6.4: Ilustracija pojave graničnih ciklusa Može se primijetiti kako je osiguranjem porasta odnosno pada aerodinamičkog momenta pri prijelazu moguće postići da se stanja vraćaju prema kritičnom prijelazu ili udaljavaju od njega (Slika 6.5). Na slici se može primijetiti kako je uvjet koji susjedne regije moraju zadovoljiti veći moment uz prijelaz u regiji u koju se prelazi povećanjem kuta zakreta. Prema tome, algoritam koji za dvije susjedne regije iznad nazivne brzine v vj GRANICA IZME ĐU R E G IJ A vjetra uređuje odnose momenata je sljedeći: P OČ E T NO STANJE β PRIJELAZ K ONAČ NO STANJE SMJER PORASTA MOMENTA K ONAČ NO STANJE SMJER PORASTA MOMENTA GRANICA IZME ĐU R E G IJ A Ako β P norm f(ω P norm, v P vj,norm r), onda na granici M P a M D a, inače M P a M D a, β norm = f(ω norm, v vj,norm ) uvjet koji vrijedi na granici, PRIJELAZ P OČ E T NO STANJE (6.3) gdje je P prva, a D druga od susjednih regija. Uvjet u izrazu (6.3) služi za provjeru relativne pozicije regija, gledano s obzirom na smjer definicije varijable β. Ako je regija P s lijeve strane, tada njen aerodinamički moment na prijelazu mora biti manjeg ili jednakog iznosa od aerodinamičkog momenta regije D. U suprotnom mora vrijediti M P a M D a. Nejednadžbu u (6.3) je dovoljno provjeriti za Čebiševljev centar regije P. Za potrebe ispunjenja navedenog zahtjeva se rješava kvadratni program uz ograničenja definirana u skladu sa (6.3) i uvjetom pozitivnog iznosa aerodinamičkog momenta nad svim regijama. Uvjet pozitivnog iznosa aerodinamičkog momenta je dovoljno zadovoljiti
39 DONJA REGIJA v vj P OČ E T NO STANJE Poglavlje 6. Projektiranje modelskog prediktivnog upravljanja vjetroagregatom 39 β za ekstremalne točke regije nad kojom je afina funkcija momenta definirana. Konačan identificirani model aerodinamičkog momenta (M a,p W A ) sadrži 26 regija, a PWA mapa preslikavanja je definirana kao: M a,p W A = θm i a,ωω norm + θm i a,ββ norm + θm i a,vvj r vr vj,norm + θm i a,af, (6.4) gdje je θ vektor koeficijenata afine funkcije, a i aktivni podmodel. GRANICA IZME ĐU R E G IJ A K ONAČ NO STANJE K ONAČ NO STANJE GRANICA IZME ĐU R E G IJ A PRIJELAZ PRIJELAZ v vj β P OČ E T NO STANJE SMJER PORASTA MOMENTA SMJER PORASTA MOMENTA P OČ E T NO STANJE Slika 6.5: Preporuka za izbjegavanje graničnih ciklusa Na Slici 6.6 lijevo su prikazane identificirane regije X i, a na istoj slici desno kvalitativan prikaz pogreške uzduž statičke karakteristike. Najveći iznos pogreške aproksimacije je za velike iznose brzine vjetra što je i očekivano s obzirom na izraženu nelinearnost po brzini vjetra. Također je oko prijelaza između radnih režima nešto lošija aproksimacija. RMSE aproksimacije iznosi 4.8% nazivne vrijednosti momenta generatora. Slika 6.6: Politopi aerodinamičkog momenta i kvalitativan prikaz pogreške aproksimacije (plavo - najmanji iznos pogreške, crveno - najveći iznos pogreške)
Algoritam za množenje ulančanih matrica. Alen Kosanović Prirodoslovno-matematički fakultet Matematički odsjek
Algoritam za množenje ulančanih matrica Alen Kosanović Prirodoslovno-matematički fakultet Matematički odsjek O problemu (1) Neka je A 1, A 2,, A n niz ulančanih matrica duljine n N, gdje su dimenzije matrice
More informationMetode praćenja planova
Metode praćenja planova Klasična metoda praćenja Suvremene metode praćenja gantogram mrežni dijagram Metoda vrednovanja funkcionalnosti sustava Gantogram VREMENSKO TRAJANJE AKTIVNOSTI A K T I V N O S T
More informationProjektovanje paralelnih algoritama II
Projektovanje paralelnih algoritama II Primeri paralelnih algoritama, I deo Paralelni algoritmi za množenje matrica 1 Algoritmi za množenje matrica Ovde su data tri paralelna algoritma: Direktan algoritam
More informationZANIMLJIV NAČIN IZRAČUNAVANJA NEKIH GRANIČNIH VRIJEDNOSTI FUNKCIJA. Šefket Arslanagić, Sarajevo, BiH
MAT-KOL (Banja Luka) XXIII ()(7), -7 http://wwwimviblorg/dmbl/dmblhtm DOI: 75/МК7A ISSN 5-6969 (o) ISSN 986-588 (o) ZANIMLJIV NAČIN IZRAČUNAVANJA NEKIH GRANIČNIH VRIJEDNOSTI FUNKCIJA Šefket Arslanagić,
More informationMathcad sa algoritmima
P R I M J E R I P R I M J E R I Mathcad sa algoritmima NAREDBE - elementarne obrade - sekvence Primjer 1 Napraviti algoritam za sabiranje dva broja. NAREDBE - elementarne obrade - sekvence Primjer 1 POČETAK
More informationLINEARNI MODELI STATISTIČKI PRAKTIKUM 2 2. VJEŽBE
LINEARNI MODELI STATISTIČKI PRAKTIKUM 2 2. VJEŽBE Linearni model Promatramo jednodimenzionalni linearni model. Y = β 0 + p β k x k + ε k=1 x 1, x 2,..., x p - varijable poticaja (kontrolirane) ε - sl.
More informationOptimizacija Niza Čerenkovljevih teleskopa (CTA) pomoću Monte Carlo simulacija
1 / 21 Optimizacija Niza Čerenkovljevih teleskopa (CTA) pomoću Monte Carlo simulacija Mario Petričević Fizički odsjek, PMF Sveučilište u Zagrebu 30. siječnja 2016. 2 / 21 Izvori Spektar Detekcija Gama-astronomija
More informationKVADRATNE INTERPOLACIJSKE METODE ZA JEDNODIMENZIONALNU BEZUVJETNU LOKALNU OPTIMIZACIJU 1
MAT KOL (Banja Luka) ISSN 0354 6969 (p), ISSN 1986 5228 (o) Vol. XXII (1)(2016), 5 19 http://www.imvibl.org/dmbl/dmbl.htm KVADRATNE INTERPOLACIJSKE METODE ZA JEDNODIMENZIONALNU BEZUVJETNU LOKALNU OPTIMIZACIJU
More informationRed veze za benzen. Slika 1.
Red veze za benzen Benzen C 6 H 6 je aromatično ciklično jedinjenje. Njegove dve rezonantne forme (ili Kekuléove structure), prema teoriji valentne veze (VB) prikazuju se uobičajeno kao na slici 1 a),
More informationUPRAVLJANJE BRZINOM VRTNJE SINKRONOG MOTORA S PERMANENTNIM MAGNETIMA CONTROLLING THE SPEED OF THE SYNCHRONOUS MOTOR ROTATION WITH PERMANENT MAGNET
DOI: 10.19279/TVZ.PD.2015-3-1-07 UPRAVLJANJE BRZINOM VRTNJE SINKRONOG MOTORA S PERMANENTNIM MAGNETIMA CONTROLLING THE SPEED OF THE SYNCHRONOUS MOTOR ROTATION WITH PERMANENT MAGNET Marko Boršić, Toni Bjažić
More informationKLASIFIKACIJA NAIVNI BAJES. NIKOLA MILIKIĆ URL:
KLASIFIKACIJA NAIVNI BAJES NIKOLA MILIKIĆ EMAIL: nikola.milikic@fon.bg.ac.rs URL: http://nikola.milikic.info ŠTA JE KLASIFIKACIJA? Zadatak određivanja klase kojoj neka instanca pripada instanca je opisana
More informationODREĐIVANJE DINAMIČKOG ODZIVA MEHANIČKOG SUSTAVA METODOM RUNGE-KUTTA
Sveučilište u Zagrebu GraĎevinski faklultet Kolegij: Primjenjena matematika ODREĐIVANJE DINAMIČKOG ODZIVA MEHANIČKOG SUSTAVA METODOM RUNGE-KUTTA Seminarski rad Student: Marija Nikolić Mentor: prof.dr.sc.
More informationŠime Šuljić. Funkcije. Zadavanje funkcije i područje definicije. š2004š 1
Šime Šuljić Funkcije Zadavanje funkcije i područje definicije š2004š 1 Iz povijesti Dvojica Francuza, Pierre de Fermat i Rene Descartes, posebno su zadužila matematiku unijevši ideju koordinatne metode
More informationANALYSIS OF THE RELIABILITY OF THE "ALTERNATOR- ALTERNATOR BELT" SYSTEM
I. Mavrin, D. Kovacevic, B. Makovic: Analysis of the Reliability of the "Alternator- Alternator Belt" System IVAN MAVRIN, D.Sc. DRAZEN KOVACEVIC, B.Eng. BRANKO MAKOVIC, B.Eng. Fakultet prometnih znanosti,
More informationMatematički model vjetroelektrane i plinske elektrane
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA DIPLOMSKI RAD br. 1330 Matematički model vjetroelektrane i plinske elektrane Matej Krpan Zagreb, rujan 2016. Ovaj rad posvećujem mojoj mami
More informationTEORIJA SKUPOVA Zadaci
TEORIJA SKUPOVA Zadai LOGIKA 1 I. godina 1. Zapišite simbolima: ( x nije element skupa S (b) d je član skupa S () F je podskup slupa S (d) Skup S sadrži skup R 2. Neka je S { x;2x 6} = = i neka je b =
More informationFTN Novi Sad Katedra za motore i vozila. Drumska vozila Uputstvo za izradu vučnog proračuna motornog vozila. 1. Ulazni podaci IZVOR:
1. Ulazni podaci IZVOR: WWW.CARTODAY.COM 1. Ulazni podaci Masa / težina vozila Osovinske reakcije Raspodela težine napred / nazad Dimenzije pneumatika Čeona površina Koeficijent otpora vazduha Brzinska
More informationOracle Spatial Koordinatni sustavi, projekcije i transformacije. Dalibor Kušić, mag. ing. listopad 2010.
Oracle Spatial Koordinatni sustavi, projekcije i transformacije Dalibor Kušić, mag. ing. listopad 2010. Pregled Uvod Koordinatni sustavi Transformacije Projekcije Modeliranje 00:25 Oracle Spatial 2 Uvod
More informationFormule za udaljenost točke do pravca u ravnini, u smislu lp - udaljenosti math.e Vol 28.
1 math.e Hrvatski matematički elektronički časopis Formule za udaljenost točke do pravca u ravnini, u smislu lp - udaljenosti Banachovi prostori Funkcija udaljenosti obrada podataka optimizacija Aleksandra
More informationProduct Function Matrix and its Request Model
Strojarstvo 51 (4) 293-301 (2009) M KARAKAŠIĆ et al, Product Function Matrix and its Request Model 293 CODEN STJSAO ISSN 0562-1887 ZX470/1388 UDK 6585122:00442 Product Function Matrix and its Request Model
More informationSveučilište u Zagrebu Fakultet strojarstva i brodogradnje DIPLOMSKI RAD. Vladimir Milić. Zagreb, 2008.
Sveučilište u Zagrebu Fakultet strojarstva i brodogradnje DIPLOMSKI RAD Vladimir Milić Zagreb, 28. Sveučilište u Zagrebu Fakultet strojarstva i brodogradnje DIPLOMSKI RAD Voditelj rada: Doc. dr. sc. Željko
More informationSlika 1. Slika 2. Da ne bismo stalno izbacivali elemente iz skupa, mi ćemo napraviti još jedan niz markirano, gde će
Permutacije Zadatak. U vreći se nalazi n loptica različitih boja. Iz vreće izvlačimo redom jednu po jednu lopticu i stavljamo jednu pored druge. Koliko različitih redosleda boja možemo da dobijemo? Primer
More informationRealizacija i ocjena MPPT algoritama u fotonaponskom sistemu napajanja
INFOTEH-JAHORINA Vol., March. Realizacija i ocjena MPPT algoritama u fotonaponskom sistemu napajanja Srđan Lale, Slobodan Lubura, Milomir Šoja Elektrotehnički fakultet, Univerzitet u Istočnom Sarajevu
More informationNelder Meadova metoda: lokalna metoda direktne bezuvjetne optimizacije
Osječki matematički list (2), 131-143 Nelder Meadova metoda: lokalna metoda direktne bezuvjetne optimizacije Lucijana Grgić, Kristian Sabo Sažetak U radu je opisana poznata Nelder Meadova metoda, koja
More informationMetoda parcijalnih najmanjih kvadrata: Regresijski model
Sveučilište u Zagrebu Prirodoslovno-matematički fakultet Matematički odsjek Tamara Sente Metoda parcijalnih najmanjih kvadrata: Regresijski model Diplomski rad Voditelj rada: Izv.prof.dr.sc. Miljenko Huzak
More informationPRIPADNOST RJEŠENJA KVADRATNE JEDNAČINE DANOM INTERVALU
MAT KOL Banja Luka) ISSN 0354 6969 p) ISSN 1986 58 o) Vol. XXI )015) 105 115 http://www.imvibl.org/dmbl/dmbl.htm PRIPADNOST RJEŠENJA KVADRATNE JEDNAČINE DANOM INTERVALU Bernadin Ibrahimpašić 1 Senka Ibrahimpašić
More informationAsian Journal of Science and Technology Vol. 4, Issue 08, pp , August, 2013 RESEARCH ARTICLE
Available Online at http://www.journalajst.com ASIAN JOURNAL OF SCIENCE AND TECHNOLOGY ISSN: 0976-3376 Asian Journal of Science and Technology Vol. 4, Issue 08, pp.037-041, August, 2013 RESEARCH ARTICLE
More informationElektrotehnički fakultet Osijek, Sveučilište J. J. Strossmayera u Osijeku, Osijek, Hrvatska
Pregledni prikaz algoritama za praćenje točke maksimalne snage u fotonaponskim sustavima Overview of the Algorithms for Maximum Power Point Tracking in Photovoltaic Systems D. Vulin 1,*, M. Štefok 2, D.
More informationGeometrijski smisao rješenja sustava od tri linearne jednadžbe s tri nepoznanice
Osječki matematički list 6(2006), 79 84 79 Geometrijski smisao rješenja sustava od tri linearne jednadžbe s tri nepoznanice Zlatko Udovičić Sažetak. Geometrijski smisao rješenja sustava od dvije linearne
More informationRELIABILITY OF GLULAM BEAMS SUBJECTED TO BENDING POUZDANOST LIJEPLJENIH LAMELIRANIH NOSAČA NA SAVIJANJE
RELIABILITY OF GLULAM BEAMS SUBJECTED TO BENDING Mario Jeleč Josip Juraj Strossmayer University of Osijek, Faculty of Civil Engineering Osijek, mag.ing.aedif. Corresponding author: mjelec@gfos.hr Damir
More informationUsing the Energy Balance Method in Estimation of Overhead Transmission Line Aeolian Vibrations
Strojarstvo 50 (5) 69-76 (008) H. WOLF et. al., Using the Energy Balance Method in Estimation... 69 CODEN STJSAO ISSN 056-887 ZX470/35 UDK 6(05)=86=0=30 Using the Energy Balance Method in Estimation of
More informationKRITERIJI KOMPLEKSNOSTI ZA K-MEANS ALGORITAM
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Stela Šeperić KRITERIJI KOMPLEKSNOSTI ZA K-MEANS ALGORITAM Diplomski rad Voditelj rada: doc.dr.sc. Pavle Goldstein Zagreb, Srpanj
More informationZlatko Mihalić MOLEKULARNO MODELIRANJE (2+1, 0+0)
Zlatko Mihalić MOLEKULARNO MODELIRANJE (2+1, 0+0) Asistenti doc. dr. sc. Ivan Kodrin dr. sc. Igor Rončević Literatura A. R. Leach, Molecular Modelling, Principles and Applications, 2. izdanje, Longman,
More informationFajl koji je korišćen može se naći na
Machine learning Tumačenje matrice konfuzije i podataka Fajl koji je korišćen može se naći na http://www.technologyforge.net/datasets/. Fajl se odnosi na pečurke (Edible mushrooms). Svaka instanca je definisana
More informationTermodinamika. FIZIKA PSS-GRAD 29. studenog Copyright 2015 John Wiley & Sons, Inc. All rights reserved.
Termodinamika FIZIKA PSS-GRAD 29. studenog 2017. 15.1 Thermodynamic Systems and Their Surroundings Thermodynamics is the branch of physics that is built upon the fundamental laws that heat and work obey.
More informationESTIMACIJA BRZINE VRTNJE SINKRONOG GENERATORA VJETROAGREGATA KORIŠTENJEM KALMANOVA FILTRA
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA DIPLOMSKI RAD br. 938 ESTIMACIJA BRZINE VRTNJE SINKRONOG GENERATORA VJETROAGREGATA KORIŠTENJEM KALMANOVA FILTRA Tomislav Lončarek Zagreb, lipanj
More informationDEVELOPMENT OF MATHEMATICAL MODELS TO PREDICT THE EFFECT OF INPUT PARAMETERS ON FEED RATE OF A RECIPROCATORY TUBE FUNNEL FEEDER
http://doi.org/10.24867/jpe-2018-01-067 JPE (2018) Vol.21 (1) Jain, A., Bansal, P., Khanna, P. Preliminary Note DEVELOPMENT OF MATHEMATICAL MODELS TO PREDICT THE EFFECT OF INPUT PARAMETERS ON FEED RATE
More informationMjerenje snage. Na kraju sata student treba biti u stanju: Spojevi za jednofazno izmjenično mjerenje snage. Ak. god. 2008/2009
Mjerenje snae Ak. od. 008/009 1 Na kraju sata student treba biti u stanju: Opisati i analizirati metode mjerenja snae na niskim i visokim frekvencijama Odabrati optimalnu metodu mjerenja snae Analizirati
More informationEXPERIMENTAL ANALYSIS OF THE STRENGTH OF A POLYMER PRODUCED FROM RECYCLED MATERIAL
A. Jurić et al. EXPERIMENTAL ANALYSIS OF THE STRENGTH OF A POLYMER PRODUCED FROM RECYCLED MATERIAL Aleksandar Jurić, Tihomir Štefić, Zlatko Arbanas ISSN 10-651 UDC/UDK 60.17.1/.:678.74..017 Preliminary
More informationFIZIKALNA KOZMOLOGIJA VII. VRLO RANI SVEMIR & INFLACIJA
FIZIKALNA KOZMOLOGIJA VII. VRLO RANI SVEMIR & INFLACIJA KOZMIČKI SAT ranog svemira Ekstra zračenje u mjerenju CMB Usporedba s rezultatima LEP-a Usporedba CMB i neutrina Vj.: Pozadinsko zračenje neutrina
More informationMetode izračunavanja determinanti matrica n-tog reda
Osječki matematički list 10(2010), 31 42 31 STUDENTSKA RUBRIKA Metode izračunavanja determinanti matrica n-tog reda Damira Keček Sažetak U članku su opisane metode izračunavanja determinanti matrica n-tog
More informationSimple dynamic model of wind turbine tower with experimental verification
UDC 624.974.014.2.042:621.548.3]:519.67 Preliminary communication Received: 16.09.2015. Simple dynamic model of wind turbine tower with experimental verification Predrag Đukić (1), Hinko Wolf (2), Jani
More informationDetermination of Synchronous Generator Armature Leakage Reactance Based on Air Gap Flux Density Signal
ISSN 0005 1144 ATKAAF 48(3 4), 129 135 (2007) Martin Jadrić, Marin Despalatović, Božo Terzić, Josip Macan Determination of Synchronous Generator Armature Leakage Reactance Based on Air Gap Flux Density
More informationANALYSIS OF INFLUENCE OF PARAMETERS ON TRANSFER FUNCTIONS OF APERIODIC MECHANISMS UDC Života Živković, Miloš Milošević, Ivan Ivanov
UNIVERSITY OF NIŠ The scientific journal FACTA UNIVERSITATIS Series: Mechanical Engineering Vol.1, N o 6, 1999 pp. 675-681 Editor of series: Nenad Radojković, e-mail: radojkovic@ni.ac.yu Address: Univerzitetski
More informationHornerov algoritam i primjene
Osječki matematički list 7(2007), 99 106 99 STUDENTSKA RUBRIKA Hornerov algoritam i primjene Zoran Tomljanović Sažetak. U ovom članku obrad uje se Hornerov algoritam za efikasno računanje vrijednosti polinoma
More informationMONTHLY REPORT ON WIND POWER PLANT GENERATION IN CROATIA
Hrvatski operator prijenosnog sustava d.o.o. MJESEČNI IZVJEŠTAJ O PROIZVODNJI VJETROELEKTRANA U HRVATSKOJ MONTHLY REPORT ON WIND POWER PLANT GENERATION IN CROATIA Listopad/October 2017 Monthly report on
More informationTHE ROLE OF SINGULAR VALUES OF MEASURED FREQUENCY RESPONSE FUNCTION MATRIX IN MODAL DAMPING ESTIMATION (PART II: INVESTIGATIONS)
Uloga singularnih vrijednosti izmjerene matrice funkcije frekventnog odziva u procjeni modalnog prigušenja (Dio II: Istraživanja) ISSN 33-365 (Print), ISSN 848-6339 (Online) DOI:.7559/TV-2492894527 THE
More informationSTATISTICAL ANALYSIS OF WET AND DRY SPELLS IN CROATIA BY THE BINARY DARMA (1,1) MODEL
Hrvatski meteoroloπki Ëasopis Croatian Meteorological Journal, 4, 2006., 43 5. UDK: 55.577.22 Stručni rad STATISTICAL ANALYSIS OF WET AND DRY SPELLS IN CROATIA BY THE BINARY DARMA (,) MODEL Statistička
More informationMirela Nogolica Norme Završni rad
Sveučilište J.J. Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Mirela Nogolica Norme Završni rad Osijek, 2014. Sveučilište J.J. Strossmayera u Osijeku Odjel za
More informationLekcija 1: Osnove. Elektrotehnički fakultet Sarajevo 2012/2013
Lekcija : Osnove multivarijabilnih sistema upravljanja Prof.dr.sc. Jasmin Velagić Elektrotehnički fakultet Sarajevo Kolegij: Multivarijabilni ij i sistemi i 0/03 Kolegij: Multivarijabilni sistemi Predmetni
More informationFrost Formation Phenomenon in a Fin-and-Tube Heat Exchanger
Strojarstvo 50 (1) 15-22 (2008) K LENIĆ et al Frost Formation Phenomenon in a Fin-and-Tube 15 CODEN STJSAO ISSN 0562887 ZX470/1328 UDK 5362:62156593:6215653:51963(043) Frost Formation Phenomenon in a Fin-and-Tube
More informationMETODE ZA IDENTIFIKACIJU PARAMETARA ASINKRONOG MOTORA
Sveučilište u Zagrebu Fakultet elektrotehnike i računarstva Tin Bariša METODE ZA IDENTIFIKACIJU PARAMETARA ASINKRONOG MOTORA Zagreb, travanj 2014. Ovaj rad izraďen je u Laboratoriju za upravljanje elektromotornim
More informationO utjecaju promjenjivog stanja atmosfere iznad požarišta na performanse helikoptera
O utjecaju promjenjivog stanja atmosfere iznad požarišta na performanse helikoptera On the influence of the changing state of the atmosphere above the fire site on performance of the helicopter prof. dr.
More informationMATHEMATICAL ANALYSIS OF PERFORMANCE OF A VIBRATORY BOWL FEEDER FOR FEEDING BOTTLE CAPS
http://doi.org/10.24867/jpe-2018-02-055 JPE (2018) Vol.21 (2) Choudhary, M., Narang, R., Khanna, P. Original Scientific Paper MATHEMATICAL ANALYSIS OF PERFORMANCE OF A VIBRATORY BOWL FEEDER FOR FEEDING
More informationProces Drella i Yana i potraga za te²kim esticama na hadronskim sudariva ima
Proces Drella i Yana i potraga za te²kim esticama na hadronskim sudariva ima Mentor: izv. prof. dr. sc. Kre²imir Kumeri ki Prirodoslovno-matemati ki fakultet, Fizi ki odsjek Sveu ili²te u Zagrebu velja
More informationA COMPARATIVE EVALUATION OF SOME SOLUTION METHODS IN FREE VIBRATION ANALYSIS OF ELASTICALLY SUPPORTED BEAMS 5
Goranka Štimac Rončević 1 Original scientific paper Branimir Rončević 2 UDC 534-16 Ante Skoblar 3 Sanjin Braut 4 A COMPARATIVE EVALUATION OF SOME SOLUTION METHODS IN FREE VIBRATION ANALYSIS OF ELASTICALLY
More informationRegulisani elektromotorni pogoni sa asinhronim mašinama vektorsko upravljanje
Regulisani elektromotorni pogoni sa asinhronim mašinama vektorsko upravljanje Istorijski pregled Načini realizacije Određivanje parametara regulatora Pregled karakteristika Prevazilaženje nedostataka Prva
More informationMODELIRANJE SUSTAVA OBNOVE KINETIČKE ENERGIJE BOLIDA FORMULE 1
DOI: 10.19279/TVZ.PD.2014-2-2-04 MODELIRANJE SUSTAVA OBNOVE KINETIČKE ENERGIJE BOLIDA FORMULE 1 Marko Majcenić, Toni Bjažić Tehničko veleučilište u Zagrebu Sažetak U radu su objašnjeni principi rada i
More informationMETODE ZA IZBOR OPTIMALNE VELIČINE I LOKACIJE UGRADNJE KOMPENZACIJSKIH UREĐAJA
ETODE ZA IZBOR OPTIAL ELIČI I LOKACIJE UGRADJE KOPEZACIJSKIH UREĐAJA Prof. dr. sc. atislav ajstrović, r. sc. Goran ajstrović, r. sc. Davor Bajs, Zagreb U članku se prezentira matematički model za određivanje
More informationSO4 12 SIMULACIJA I MODELIRANJE DISTRIBUIRANOG HIBRIDNOG IZVORA ELEKTRIČNE ENERGIJE
HRVATSKI OGRANAK MEĐNARODNE ELEKTRODISTRIBCIJSKE KONFERENCIJE 2. (8.) savjetovanje mag, 16. 19. svibnja 2010. SO4 12 mr. sc. Krešimir Tačković, dipl. ing. HEP ODS d.o.o., Elektroslavonija Osijek kresimir.tackovic@hep.hr
More informationThe Prediction of. Key words: LD converter, slopping, acoustic pressure, Fourier transformation, prediction, evaluation
K. Kostúr, J. et Futó al.: The Prediction of Metal Slopping in LD Coerter on Base an Acoustic ISSN 0543-5846... METABK 45 (2) 97-101 (2006) UDC - UDK 669.184.224.66:534.6=111 The Prediction of Metal Slopping
More informationAnaliza stabilnosti nelinearnih sustava vo denih analitičkim neizrazitim regulatorom
Sveučilište u Zagrebu Fakultet strojarstva i brodogradnje Analiza stabilnosti nelinearnih sustava vo denih analitičkim neizrazitim regulatorom doktorski rad Mentor: Prof. dr. sc. Branko Novaković Mr. sc.
More informationU člnaku se nastoji na jednostavan i sažet način bez ulaženja u egzaktne i formalizirane dokaze postići slijedeće:
Mr Ratimir Kvaternik Fakultet organizacije i informatike V a r a ž d i n UDK 681.142.2 Prethodno saopćenje O D R E D J I V A N J E R A D N O G S K U P A S T R A N I C A U člnaku se nastoji na jednostavan
More informationNeprekidan slučajan vektor
Sveučilište J.J.Strossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Ana Leko Neprekidan slučajan vektor Završni rad Osijek, 3 Sveučilište J.J.Strossmayera u Osijeku Odjel
More informationPOSTUPCI IDENTIFIKACIJE MATEMATIČKIH MODELA PLOVILA
POSTUPCI IDENTIFIKACIJE MATEMATIČKIH MODELA PLOVILA Nikola Mišković, Zoran Vukić, Matko Barišić Laboratorij za podvodne sustave i tehnologije Fakultet elektrotehnike i računarstva Sveučilište u Zagrebu
More informationDYNAMIC HEAT TRANSFER IN WALLS: LIMITATIONS OF HEAT FLUX METERS
DYNAMI EAT TRANFER IN WALL: LIMITATION OF EAT FLUX METER DINAMIČKI PRENO TOPLOTE U ZIDOVIMA: OGRANIČENJA MERAČA TOPLOTNOG PROTOKA (TOPLOTNOG FLUKA) 1 I. Naveros a, b,. Ghiaus a a ETIL UMR58, INA-Lyon,
More informationANIMACIJA TOKA FLUIDA
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA DIPLOMSKI RAD br. 565 ANIMACIJA TOKA FLUIDA Jakov Fuštin Zagreb, studeni 2005. ii Sadržaj. Uvod... 2. Dinamika fluida...2 2.. Jednadžba kontinuiteta...2
More informationUvod. Rezonantno raspršenje atomskim jezgrama Veoma precizna mjerenja na energetskoj skali Komplikacije Primjena
Mössbouerov efekt Uvod Rezonantno raspršenje γ-zračenja na atomskim jezgrama Veoma precizna mjerenja na energetskoj skali Komplikacije Primjena Udarni presjek za raspršenje (apsorpciju) elektromagnetskog
More informationRAČUNALNE METODE PRILAGOĐENE ISTRAŽIVANJU BIOKEMIJSKIH/BIOLOŠKIH SUSTAVA. Kolegij: Strukturna računalna biofizika
RAČUNALNE METODE PRILAGOĐENE ISTRAŽIVANJU BIOKEMIJSKIH/BIOLOŠKIH SUSTAVA Kolegij: Strukturna računalna biofizika Today the computer is just as important a tool for chemists as the test tube. Simulations
More informationALGORITAM FAKTORIZACIJE GNFS
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ALGORITAM FAKTORIZACIJE GNFS Ivan Fratrić Seminar iz predmeta Sigurnost računalnih sustava ZAGREB, Sažetak Faktorizacija brojeva jedan je od
More informationNAPREDNI FIZIČKI PRAKTIKUM 1 studij Matematika i fizika; smjer nastavnički MJERENJE MALIH OTPORA
NAPREDNI FIZIČKI PRAKTIKUM 1 studij Matematika i fizika; smjer nastavnički MJERENJE MALIH OTPORA studij Matematika i fizika; smjer nastavnički NFP 1 1 ZADACI 1. Mjerenjem geometrijskih dimenzija i otpora
More informationNew Technologies in Sport 3 rd International Symposium INVITED LECTURE PROCESSES UNIVERSALITY
New Technologies in Sport 3 rd International Symposium INVITED LECTURE PROCESSES UNIVERSALITY Assist.Prof.Dobromir Bonacin PhD Faculty of Kinesiology University of Travnik (Vice-rector for science) Abstract
More informationVELOCITY PROFILES AT THE OUTLET OF THE DIFFERENT DESIGNED DIES FOR ALUMINIUM EXTRUSION
VELOCITY PROFILES AT THE OUTLET OF THE DIFFERENT DESIGNED DIES FOR ALUMINIUM EXTRUSION J.Caloska, J. Lazarev, Faculty of Mechanical Engineering, University Cyril and Methodius, Skopje, Republic of Macedonia
More informationCyclical Surfaces Created by a Conical Helix
Professional paper Accepted 23.11.2007. TATIANA OLEJNÍKOVÁ Cyclical Surfaces Created by a Conical Helix Cyclical Surfaces Created by a Conical Helix ABSTRACT The paper describes cyclical surfaces created
More informationREVIEW OF GAMMA FUNCTIONS IN ACCUMULATED FATIGUE DAMAGE ASSESSMENT OF SHIP STRUCTURES
Joško PAUNOV, Faculty of Mechanical Engineering and Naval Architecture, University of Zagreb, Ivana Lučića 5, H-10000 Zagreb, Croatia, jparunov@fsb.hr Maro ĆOAK, Faculty of Mechanical Engineering and Naval
More informationStrojno učenje. Metoda potpornih vektora (SVM Support Vector Machines) Tomislav Šmuc
Strojno učenje Metoda potpornih vektora (SVM Support Vector Machines) Tomislav Šmuc Generativni i diskriminativni modeli Diskriminativni Generativni (Učenje linije koja razdvaja klase) Učenje modela za
More informationStrojno učenje 3 (II dio) Struktura metoda/algoritama strojnog učenja. Tomislav Šmuc
Strojno učenje 3 (II dio) Struktura metoda/algoritama strojnog učenja Tomislav Šmuc PMF, Zagreb, 2013 Sastavnice (nadziranog) problema učenja Osnovni pojmovi Ulazni vektor varijabli (engl. attributes,
More informationSTRESS OF ANGLE SECTION SUBJECTED TO TRANSVERSAL LOADING ACTING OUT OF THE SHEAR CENTER
STRESS OF ANGLE SECTION SUBJECTED TO TRANSVERSAL LOADING ACTING OUT OF THE SHEAR CENTER Filip Anić Josip Juraj Strossmayer University of Osijek, Faculty of Civil Engineering Osijek, Student Davorin Penava
More informationSveučilište u Zagrebu Fakultet prometnih znanosti Diplomski studij. Umjetna inteligencija - Genetski algoritmi 47895/47816 UMINTELI HG/
Sveučilište u Zagrebu Fakultet prometnih znanosti Diplomski studij Umjetna inteligencija - Genetski algoritmi 47895/47816 UMINTELI HG/2008-2009 Genetski algoritam Postupak stohastičkog pretraživanja prostora
More informationTeorijska i praktična znanja programiranja i modeliranja
Računarstvo Programsko inženjerstvo i informacijski sustavi Programsko inženjerstvo Software engineering... the application of engineering gto software..., IEEE Std 610.12 1990, pp.67 Teorijska i praktična
More informationSVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE DIPLOMSKI RAD. Toni Peran. Zagreb, godina.
SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE DIPLOMSKI RAD Toni Peran Zagreb, 2016. godina. SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE DIPLOMSKI RAD Mentor: Prof. dr. sc. Željko
More informationAPPROPRIATENESS OF GENETIC ALGORITHM USE FOR DISASSEMBLY SEQUENCE OPTIMIZATION
JPE (2015) Vol.18 (2) Šebo, J. Original Scientific Paper APPROPRIATENESS OF GENETIC ALGORITHM USE FOR DISASSEMBLY SEQUENCE OPTIMIZATION Received: 17 July 2015 / Accepted: 25 Septembre 2015 Abstract: One
More informationAPPLICATION OF FUZZY LOGIC FOR REACTIVE POWER COMPENSATION BY SYNCHRONOUS MOTORS WITH VARIABLE LOAD
M. Stojkov et al. Primjena neizrazite logike za kompenzaciju reaktivne energije sinkronim motorima s promjenjivim opterećenjem APPLICATION OF FUZZY LOGIC FOR REACTIVE POWER COMPENSATION BY SYNCHRONOUS
More informationSimetrične matrice, kvadratne forme i matrične norme
Sveučilište JJStrossmayera u Osijeku Odjel za matematiku Sveučilišni preddiplomski studij matematike Martina Dorić Simetrične matrice, kvadratne forme i matrične norme Završni rad Osijek, 2014 Sveučilište
More informationSimulacije dinamičkih sustava u programskom jeziku Python
Simulacije dinamičkih sustava u programskom jeziku Python Vladimir Milić Sveučilište u Zagrebu Fakultet strojarstva i brodogradnje Zagreb, 19. siječnja 2017. Vladimir Milić Nastupno predavanje Zagreb,
More informationMatematika i statistika
Klasteri 1 Strojarski fakultet u Slavonskom Brodu Sveučilište J. J. Strossmayera u Osijeku 1 Uvod Matematika i statistika II. Grupiranje podataka: klasteri R. Scitovski, M. Benšić, K. Sabo Definicija 1.
More informationSINTAKSNA I ALGORITAMSKA NOTACIJA
B-1 Prilog B SINTAKSNA I ALGORITAMSKA NOTACIJA B-2 B.1 Sintaksna notacija sa zagradama U osnovi svake sintaksne notacije nalaze se slede}i elementi: sintaksni pojam: leksi~ka konstrukcija koja se defini{e;
More informationQuasi-Newtonove metode
Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Milan Milinčević Quasi-Newtonove metode Završni rad Osijek, 2016. Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Milan Milinčević
More informationFLOATER-TETHER SEMI-COUPLED DYNAMIC RESPONSE ANALYSIS OF TENSION LEG PLATFORMS
Marko TOMIĆ, University of Zagreb, Faculty of Mechanical Engineering and Naval Architecture, Ivana Lučića 5, HR-10000 Zagreb, Croatia, marko.tomic@fsb.hr Ivo SENJANOVIĆ, University of Zagreb, Faculty of
More informationĐorđe Đorđević, Dušan Petković, Darko Živković. University of Niš, The Faculty of Civil Engineering and Architecture, Serbia
FACTA UNIVERSITATIS Series: Architecture and Civil Engineering Vol. 6, N o 2, 2008, pp. 207-220 DOI:10.2298/FUACE0802207D THE APPLIANCE OF INTERVAL CALCULUS IN ESTIMATION OF PLATE DEFLECTION BY SOLVING
More informationELEKTROMOTORNI POGONI
ELEKTROMOTORNI POGONI Elektromehaničke karakteristike osnovni parametri - snaga - moment okretanja - brzina vrtnje ili broj okretaja u jedinici vremena uvjeti rada - startni uvjeti ili pokretanje - nazivni
More informationZAVRŠNI ZADATAK. U radu je potrebno navesti korištenu literaturu i eventualno dobivenu pomoć.
SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE Središnje povjerenstvo za završne i diplomske ispite Povjerenstvo za završne i diplomske ispite studija zrakoplovstva ZAVRŠNI ZADATAK Sveučilište
More informationUVJETI POD KOJIMA JE INTERPRETACIJA OČITANJA NA KALORIMETRU NETOČNA
UVJETI POD KOJIMA JE INTERPRETACIJA OČITANJA NA KALORIMETRU NETOČNA Drago Francišković Međimursko veleučilište u Čakovcu, Bana Josipa Jelačića 22a, 40 000 Čakovec, 098-550-223, drago.franciskovic@mev.hr
More informationPeriodi i oblici titranja uobičajenih okvirnih AB građevina
DOI: https://doi.org/10.1456/jce.1774.016 Građevinar /018 Primljen / Received: 30.7.016. Ispravljen / Corrected: 19..017. Prihvaćen / Accepted: 8..017. Dostupno online / Available online: 10.3.018. Periodi
More informationThe use of the Official Digital Terrain Model of the Republic of Croatia in Projects for Water Drainage System Construction
The use of the Official Digital Terrain Model of the Republic of Croatia in Projects for Water Drainage System Construction Karlo Šimek 1, Damir Medak 2, Ivan Medved 3 1 Šimek Ltd., Rizzijeva 103, Pula,
More informationNova robusna metoda za QSAR analizu temeljena na multivarijatnoj regresiji i normi L 1
Sveučilište u Zagrebu Fakultet Elektrotehnike i Računarstva Ivan Sović, Matija Piškorec, Igor Čanadi Nova robusna metoda za QSAR analizu temeljena na multivarijatnoj regresiji i normi L 1 3. svibnja 2010.
More information1 Pogreške Vrste pogrešaka Pogreške zaokruživanja Pogreške nastale zbog nepreciznosti ulaznih podataka
Sadržaj 1 Pogreške 1 1.1 Vrste pogrešaka...................... 1 1.1.1 Pogreške zaokruživanja.............. 1 1.1.2 Pogreške nastale zbog nepreciznosti ulaznih podataka....................... 2 1.1.3 Pogreška
More informationPEARSONOV r koeficijent korelacije [ ]
PEARSONOV r koeficijent korelacije U prošlim vježbama obradili smo Spearmanov Ro koeficijent korelacije, a sada nas čeka Pearsonov koeficijent korelacije ili Produkt-moment koeficijent korelacije. To je
More informationPRECIPITATION FORECAST USING STATISTICAL APPROACHES UDC 55:311.3
FACTA UNIVERSITATIS Series: Working and Living Environmental Protection Vol. 10, N o 1, 2013, pp. 79-91 PRECIPITATION FORECAST USING STATISTICAL APPROACHES UDC 55:311.3 Mladjen Ćurić 1, Stanimir Ţivanović
More information