EN Analysis of possibility to adopt for the Air Force bases energy optimization methods of civilian airports infrastructure using regression model

polski

PL Infrastruktura portów lotniczych należy do czołówki w kontekście zużycia energii elektrycznej. Wiele analiz wskazuje, że infrastruktura budowlana, a zwłaszcza budynki są największymi odbiorcami energii na całym świecie. Celem niniejszej dysertacji jest analiza metod optymalizacji zużycia energii infrastruktury w cywilnych portach lotniczych oraz możliwości zastosowania tych rozwiązań w bazach lotniczych Sił Powietrznych. W pierwszej części pracy szczegółowo przeanalizowano trzy główne obszary: metody związane z redukcją zapotrzebowania na energię, model systemu zarządzania energią, oraz możliwość wykorzystania odnawialnych źródeł energii, w tym wykorzystania mechanizmów kombinacji różnych źródeł w ramach ko- i trigeneracji. Opisano również możliwość wykorzystania do tego celu innych nowoczesnych rozwiązań, takich jak mikrosieci bazujące na zaawansowanym oprogramowaniu zarządzającym rozdziałem energii w systemie. W pracy zaproponowano przykładowy model budowy profilu energetycznego portu lotniczego. Dokonano analizy porównawczej między cywilnymi portami lotniczymi, a bazami lotniczymi Sił Powietrznych uwzględniając różnice infrastrukturalne, organizacyjne, zagrożenia wynikające z przerw w dostawach energii oraz motywy decydujące o potrzebie optymalizacji zużycia energii elektrycznej. Podkreślono znaczenie elementów biznesowych po stronie cywilnych portów oraz bardzo ważne aspekty bezpieczeństwa operacyjnego związanego z energią po stronie instalacji wojskowych. Drugą część dysertacji poświęcono zbudowaniu modelu predykcji zużycia energii elektrycznej dla portu lotniczego. Bazując na danych o zużyciu energii w układzie miesięcznym, danych operacyjnych oraz meteorologicznych pozyskanych dla portu lotniczego San Francisco zidentyfikowano model energetyczny tego lotniska. Za cel badań przyjęto dokonanie oceny zdolności predykcyjnych sztucznej sieci neuronowej z wykorzystaniem aplikacji Neural Network Toolbox wykonaną przez amerykańską firmę Math-Works dla programu Matlab. Zastosowano model wielowarstwowej sieci jednokierunkowej o sigmoidalnych funkcjach aktywacji neuronów. Badaniu poddano sieć dwuwarstwową z i 5-cioma, 10-cioma o 15-toma neuronami w warstwie ukrytej. Do trenowania sieci wykorzystano cztery różne algorytmy: BFGS Quasi-Newton, Levenberg-Mrquardt, Bayesian Regularisation, RBP odporny algorytm propagacji wstecznej. Uzyskiwane rezultaty były poddane ocenie przy pomocy współczynnika regresji R2 błędów średniokwadratowych MSE i RMSE. Badania potwierdziły bardzo dobre właściwości regresyjne wybranego do testowania jednokierunkowego perceptronu wielowarstwowego z sigmoidalną funkcją aktywacji neuronów w warstwie ukrytej. Najlepsze wyniki uzyskano dla algorytmu uczącego Bayesian Regularization. Rozwiązanie może być z powodzeniem wykorzystane do budowy sytemu optymalizacji energii w bazach lotniczych Sił Powietrznych.

EN Airports are at the top of energy consuming infrastructure. Many analyses have shown that buildings are the biggest consumers of energy around the world. The purpose of this dissertation is to analyze how the energy consumption at the civilian airports can be optimized and implemented at the military air force bases. There are three pillars deeply evaluated at this paper: reduction of demand, energy management, alternative or renewable energy sources. This is supplemented with description of other advanced technologies such as microgrids based on energy management software. Consequently the proposal of model for energy profile at the airport has been developed. This dissertation identifies similarities and differences between civilian and military installations underlaying business themes for civilian and very serious operational security aspects for military air bases. Second part of this paper is dedicated for development of energy demand prediction model for airports. Based on San Francisco Airport energy consumption data together with operational and meteorological parameters the energy model has been identified. The objective of this study was to validate the predictive ability of Artificial Neural Network using Neural Networks Toolbox Applications from MATLAB. For that purpose the multilayer feedforward network with sigmoidal activation function has been applied. To examine the best architecture of neural networks, the model of two layers was tested with five, ten and fifteen neurons at the hidden layer. Four training algorithms has been chosen to train the network: BFGS Quasi-Newton, Levenberg-Marquardt, Bayesian Regularization, RBP resilient backpropagation. The results were verified by assessment of regression value R and mean-square errors MSE and RMSE. The study results confirmed that selected feedforward perceptron with sigmoidal activation function for neurons at the hidden layer has a very good regression abilities. Best performance achieved for Bayesian Regularization training algorithm. That solution can be successfully implemented to the energy optimization model at the Polish Air Force Bases.

151

inżynieria środowiska

energetyka

DrOIN 2176

to2022500515

Pobierz plik

publiczny

Artur Maciąg

Kielce, Polska

07.01.2022

polski

Pobierz plik

publiczny

Paweł Ocłoń

Kraków, Polska

10.01.2022

polski

Pobierz plik

publiczny

Mieczysław Pawlisiak

Warszawa, Polska

28.12.2021

polski

Pobierz plik

publiczny

rozprawa doktorska

Poznań, Polska

04.02.2022

Rada Dyscypliny Inżynieria Środowiska, Górnictwo i Energetyka Politechniki Poznańskiej

doktor nauk inżynieryjno-technicznych w dyscyplinie: inżynieria środowiska, górnictwo i energetyka