2-2001
|
|
- Jernej Nemec
- pred 4 leti
- Pregledov:
Transkripcija
1 Elektrotehniški vestnik 68(2 3): , 2001 Electrotechnical Review, Ljubljana, Slovenija Napoved dotoka v akumulacijski bazen HE Doblar Tomaž Štokelj 1, Dejan Paravan 2, Robert Golob 2, Andrej Dobnikar 3, Rajko Volk 1, Neva Pristov 4 1 Soške elektrarne Nova Gorica, Erjavčeva 20, 5000 Nova Gorica, Slovenija 2 Univerza v Ljubljani, Fakulteta za elektrotehniko, Tržaška 25, 1000 Ljubljana, Slovenija 3 Univerza v Ljubljani, Fakulteta za računalništvo in informatiko, Tržaška 25, 1000 Ljubljana, Slovenija 4 Hidrometeorološki zavod Republike Slovenije, Vojkova 1b, 1001 Ljubljana, Slovenija Povzetek. Optimalno obratovanje HE je v veliki meri odvisno od natančnosti in zanesljivosti napovedi naravnih dotokov vode v akumulacijske bazene HE. V prispevku predstavljamo nov koncept napovedi dotoka v akumulacijske bazene HE s pomočjo umetnih nevronskih omrežij, ki so sposobna dobro identificirati tudi močno nelinearne sisteme. Načrtuje se izdelava dveh algoritmov napovedi dotokov, ki se razlikujeta predvsem po uporabljenih vhodnih podatkih in časovnem okviru napovedi. Kratkoročna napoved dotoka temelji na podatkih trenutnih in minulih dotokov in količini padavin. Za srednjeročno napoved dotoka pa se lahko uporabijo podatki o napovedanih padavinah, ki so rezultat mezometeorološkega modela ALADIN (Aire Limitée Adaptation Dynamique Dévelopement InterNational). Ključne besede: napoved dotokov, optimalno obratovanje HE, umetno nevronsko omrežje HPP Doblar water inflow forecasting Extended abstract. In order to improve water management of the Slovenian hydro cascade systems, a new artificial neural network (ANN) approach to forecasting water inflow into hydro power plant (HPP) reservoirs based on forecast precipitation data is presented. Water inflow forecasting into the head HPP reservoir is one of the most important inputs for the cascade hydro system optimization process. Proper forecasting the increase in the natural inflow can allow for increased electricity generation due to enhanced flexibility in stored water management. In case of Soča river cascade hydro system two separate algorithms for short- and mid-term water inflow forecasting are designed. Mid-term water inflow forecasting, based on foreseen forecast precipitation data, provides for predicting water inflows for the next two days. The precipitation forecast data are obtained with the mesometeorological model AL- ADIN (Air Limitée Adaptation Dynamique dévelopment Inter- National), which has been developed by the Météo-France in cooperation with the Hydrometeorological Institute of Slovenia and other Central European hydrometeorological institutes. Short-term water inflow forecasting based on precipitation data collected by the ombrometer stations sited in river basins is used for forecasts covering the next eight hours. Finally, some practical results for both short- and mid-term water inflow forecasting for the Soča river are presented. Key words: forecasting, artificial neural networks, power systems control, hydropower systems 1 Uvod Z uvedbo trga z električno energijo in s tem konkurence med proizvajalci postane dobiček proizvodnih podjetij Prejet 7. november, 2000 Odobren 11. junij, 2001 odvisen od njihove uspešnosti na trgu, kar še poveča potrebe po programskih paketih za optimalno kratkoročno načrtovanje proizvodnje. Med najpomembnejše in najtežje določljive vhodne parametre kratkoročnega načrtovanja obratovanja HE vsekakor sodijo naravni dotoki vode v akumulacijske bazene HE. To še posebej velja za kratkoročno načrtovanje obratovanja HE z relativno majhnimi akumulacijskimi bazeni, kamor sodi večina slovenskih HE. Predstavljen je nov koncept napovedi dotoka v akumulacijske bazene HE, njegova uporabnost pa je prikazana na konkretnem primeru čelne akumulacije soške verige HE. Čeprav je verifikacija algoritma napovedi dotoka izvedena na konkretnem primeru, ga je mogoče uporabiti tudi za napoved dotoka v akumulacijske bazene drugih HE slovenskega EES brez večjih posegov v sam koncept in metodologijo. Značilnosti alpskih rek, katerih tipični predstavnik je tudi reka Soča, so kratki časovni zamiki med padavinami in rastjo pretoka, zato smo se odločili za razvoj dveh ločenih algoritmov napovedi dotokov, ki se razlikujeta predvsem po uporabljenih vhodnih podatkih in časovnem okviru napovedi. Kratkoročna napoved dotoka v akumulacijski bazen HE temelji na izmerjenih podatkih trenutnih in minulih dotokov in količine padavin, zaradi česar je časovni horizont tovrstne napovedi največ osem ur. Ker za potrebe kratkoročnega načrtovanja obratovanja HE potrebujemo napoved dotokov za naslednjih 48 ur, je kratkoročna napoved dotoka dopolnjena s srednjeročno
2 Napoved dotoka v akumulacijski bazen HE Doblar 151 napovedjo dotokov na podlagi napovedi padavin, ki so rezultat programa ALADIN/SI. 2 Umetno nevronsko omrežje Znanost o umetnih nevronskih omrežjih (UNO) je relativno mlada, saj je so bile njene teoretične osnove postavljene približno pred petdesetimi leti, medtem ko prve praktične aplikacije UNO segajo v prejšnje desetletje. UNO ponazarjajo delovanje nevronov ter sinaps vmožganih živih bitij in so primerna za identifikacijo nelinearnih sistemov. Osnovno pravilo pri izbiri ustrezne strukture UNO je, da uporabimo večnivojski perceptron povsod, kjer je to mogoče [1]. Taka struktura je zelo učinkovita pri identifikaciji statičnih sistemov, poleg tega, pa so zanjo razviti tudi zelo učinkoviti algoritmi učenja. Zapisu informacije o sistemu v uteži UNO pravimo učenje UNO. Za učenje UNO potrebujemo dovolj veliko množico podatkov, ki vključuje tako vhodne kot izhodne vrednosti identificiranega sistema. Konvergenco algoritma učenja UNO lahko precej izboljšamo z uporabo Levenberg- Marquardtovega algoritma, ki za iskanje vrednosti uteži uporablja poleg gradientne še Gauss- Newtonovo metodo. Ta algoritem je učinkovitejši tudi pri iskanju globalnega minimuma, vendar je njegova pomanjkljivost velika poraba računalniškega spomina. Pravilno zgrajena in naučena UNO izkazuje po končanem učenju posplošitveno zmožnost, kar pomeni, da UNO daje dobre rezultate tudi za vhodne podatke, ki se precej razlikujejo od učnih vzorcev. Posplošitveno zmožnost UNO lahko zagotovimo z metodo predčasne zaustavitve učenja, ki je izvedena tako, da učenje zaustavimo, ko napaka učno-testne množice določeno število iteracij ne pade in si kot končne uteži zapomnimo tiste, ko je bila napaka na učno-testni množici najmanjša. Metoda preprečitve prenatreniranosti UNO s predčasno zaustavitvijo učenja potrebuje torej tri množice podatkov, in sicer učno-učno, na kateri se izvaja učenje, učno-testno, ki služi za predčasno zaustavitev učenja, ter testno, na kateri poteka testiranje uspešnosti naučenega UNO. 3 Določitev regresorjev modela Izbira regresorjev modela v veliki meri vpliva na kakovost modela. Uporabnost modelov na podlagi UNO je pogojena s sposobnostjo generaliziranja oziroma posplošitveno zmožnostjo UNO. Pri omejeni velikosti razpoložljive učne množice je posplošitvena zmožnost UNO odvisna od števila prostih parametrov omrežja, ki jih lahko bistveno zmanjšamo z zmanjšanjem števila regresorjev. Zato je treba izbrati tak regresijski vektor, ki bo ob čim manjši dimenziji vseboval največ informacije. Pri eksperimentalnem modeliranju procesov so le redko dovolj dobro poznane fizikalne zakonitosti znotraj procesa, da bi lahko regresorje določili na podlagi a priori znanja, zato je razvitih kar nekaj metod določitve regresijskega vektorja. Med zelo učinkovite metode določanja regresijskega vektorja sodi tudi metoda vzajemne informacije (ang. mutual information) [2], ki je del informacijske teorije in je povzeta v nadaljevanju. 3.1 Metoda vzajemne informacije Z uporabo metode vzajemne informacije, ki je del informacijske teorije [3], izračunamo pomembnost posameznih vhodov glede na izhodno spremenljivko. Nedoločenost naključnega sistema (spremenljivke Y ) s porazdelitvijo verjetnosti p(y) določa entropija, ki jo označujemo s H: H(Y )= K p(y) log 2 p(y). (1) y Y Večja vrednost entropije pomeni večjo nedoločenost glede naslednje vrednosti Y, ki jo opazujemo. Entropija spremenljivke Y, ko poznamo spremenljivko X, paje določena z H(Y X) = x X p(y, x) log 2 p(y x). (2) y Y Z vzajemno informacijo I(X i,y) merimo zmanjšanje nedoločenosti izhodne spremenljivke Y zaradi poznavanja niza vhodnih spremenljivk X i sestavljenega iz nabora vhodnih spremenljivk {X 1,X 2,..., X N }, kjer je i = 1..2 N 1. Če je H(Y ) nedoločenost izhodne spremenljivke Y z verjetnostno porazdelitvijo p(y) ter H(Y X i ) nedoločenost pogojne verjetnostne porazdelitve p(y x i ), potem lahko zapišemo vzajemno informacijo: I(X i ; Y )=H(Y) H(Y X i )= p(y) log 2 p(y)+ p(x i,y) log 2 p(y x i ). y Y x i X i y Y (3) Za neodvisne spremenljivke velja, da je p(x i,y) = p(x i ) p(y), in je zatorej vrednost medsebojne informacije enaka nič. Večja povezanost X i in Y povzroči večjo vrednost I(X i ; Y ). Vzajemna informacija I(X i ; Y ) daje oceno informativnosti niza spremenljivk X i pri napovedovanju izhodne spremenljivke Y. Za izračun verjetnostnih porazdelitev iz formule (3) uporabimo jedrne cenilke na podlagi multidimenzionalnih Epanechnikovih jeder [4], ki omogočajo večjo hitrost izračuna kot npr. Gausova jedra in jih lahko zapišemo kot:
3 152 Štokelj, Paravan, Golob, Dobnikar, Volk, Pristov Slika 1. Informativnost posameznih regresorjev razširjenega regresijskega vektorja 4 urne napovedi dotoka Figure 1. Mutual information values for each input variable in extended regression vector for hours ahead forcast { D k=1 3 κ(z) = 4 (1 z2 k ) za z < 1 0 sicer. Verjetnostno gostoto v točki x lahko ocenimo z enačbo p(x) = 1 N 1 σ D n j=1 (4) ( ) 1 κ σ (x x j), (5) pri čemer pomeni D dimenzijo vektorja x (število vhodnih spremenljivk v opazovanem nizu X), σ pa širina jeder, ki jo je treba nastaviti na primerno vrednost. Poskusi so pokazali, da se pri normiranih vhodnih podatkih količina vzajemne informacije ob uporabi širina jedra od 0,1 do 1 sicer spreminja, vendar pa razvrstitev regresorjev med informativne in neinformativne ostaja nespremenjena [2]. 4 Kratkoročna napoved dotoka Kratkoročna napoved dotoka temelji na izmerjenih podatkih trenutnih in minulih dotokov, izmerjenih pretokih v zgornjem toku reke ter njenih pritokov in izmerjenih količinah padavin. Zaradi lažje predstavitve in vrednotenja algoritma je le-ta predstavljen na konkretnem primeru napovedi dotoka v akumulacijski bazen HE Doblar, ki je čelna akumulacija soške verige HE. Soške elektrarne imajo v Posočju več malih HE (mhe) in na lokacijah treh mhe in sicer mhe Plužna, mhe Bača ter mhe Mesto so postavljene avtomatske ombrometrske postaje, ki pošiljajo informacije o količinah padavin v območni center vodenja vsakih 15 minut. Poleg omenjenih ombrometrov so v sodelovanju s Hidrometeorološkim zavodom Slovenije (HMZ) na voljo še podatki o pretoku v zgornjem toku reke Soče in Idrijce. Trenutni dotok v akumulacijski bazen HE Doblar se izračunava na podlagi pretoka turbin, spremembe volumna vode v akumulacijskem bazenu ter prelivanja, če do tega pride. Volumen bazena določimo iz meritve nivoja bazena ter krivulj vsebnosti vode pri določeni koti bazena. Opisani sistem obratuje od leta 1995, tako, da je na voljo kar precej podatkov, kar omogoča uporabo poskusnih modelov za napoved dotoka. Pri modeliranju naravnih procesov velikokrat naletimo na težave pri določitvi povezav med vhodi in izhodi, zato je v teh primerih težko določiti vpliv posameznih vhodnih podatkov na izhode na podlagi a priori znanja. Ker sodi tudi napoved dotoka v omenjeno kategorijo, določimo regresorje z metodo vzajemne informacije. Prvi korak pri izbiri regresorjev modela je določitev časovnih zakasnitev med padavinami in pretoki v zgornjem toku reke Soče in Idrijce ter dotoki v akumulacijski bazen HE Doblar. Časovne zakasnitve dobimo tako, da primerjamo vrednosti vzajemnih informacij posameznih časovno premaknjenih vhodnih podatkov. Na podlagi analize časovnih zakasnitev vhodnih podatkov in a priori znanja določimo razširjen regresijski vektor. Dotok v akumulacijski bazen čelne HE ni odvisen le od količine padavin, temveč tudi namočenosti zemlje in intenzivnosti vegetacije, zato smo poleg že omenjenih podatkov v regresijski vektor vključili še skupno količino padavin v zadnjih 24 urah ter tednu in faktor vegetacije. Podatka o količini padavin v zadnjih 24 urah ter tednu podajata informacijo o namočenosti zemlje, faktor vegetacije pa podaja informacijo o intenzivnosti vegetacije, saj le-ta vpliva na odtočni koeficient padavin. Faktor vegetacije je podan kot krivulja z vrednostmi med 0 in 1 v odvisnosti od letnega časa oziroma meseca v letu. Glede na relativno kratke časovne zakasnitve modeliranega sistema bi bila dolgoročnejša napoved dotoka na podlagi izmerjenih pretokov in padavin precej nezanesljiva, zato smo se odločili za izdelavo algoritma kratkoročne napovedi dotoka za 2, 4, 6 ter 8 ur vnaprej. Vrednosti vzajemne informacije posameznih regresorjev
4 Napoved dotoka v akumulacijski bazen HE Doblar 153 Slika 2. Informativnost kombinacije regresorjev 4-urne napovedi dotoka Figure 2. Mutual information values for most informative input varaible set for four hours ahead forcast razširjenega regresijskega vektorja štiri urne napovedi dotoka podaja slika 1. Na sliki 1 je s Spr. dotoka 1 ura (T) označena sprememba dotoka v HE Doblar v eni uri, oznaka (T) pa pomeni, da je to razlika med trenutnim dotokom in dotokom pred eno uro, s Padavine Pluž. 1 ura (T-2) pa urna količina padavin, ki jo je zabeležil ombrometer v Plužni pred dvema urama. Po pričakovanjih imajo največje vrednosti vzajemne informacije regresorji, ki podajajo vrednosti trenutnega dotoka ter vrednosti dotoka pred eno in dvema urama. Ker pa lahko zelo informativni signali nosijo podobne informacije, določimo optimalni regresijski vektor z metodo dodajanja regresorjev. Vzamemo regresor z največjo vrednostjo vzajemne informacije in mu postopoma dodajamo po en regresor, pri čemer vedno obdržimo le tistega, ki najbolj poveča vrednost vzajemne informacije regresijskega vektorja. Iz slike 1 je razvidno, da ima največjo vrednost vzajemne informacije trenutni dotok v akumulacijski bazen, zato poiščemo, v kombinaciji s katerim od drugih regresorjev je informativnost regresijskega vektorja največja. Kot prikazuje slika 2 dobimo za 4-urno napoved dotoka najbolj informativno kombinacijo dveh regresorjev, če trenutnemu dotoku v akumulacijski bazen HE Doblar dodamo še skupno izmerjeno količino padavin vseh treh obrometrskih postaj v zadnjih osmih urah. Optimalni regresijski vektor treh regresorjev vsebuje poleg dveh že omenjenih regresorjev še trenutni pretok Soče v Logu Čezsoškem itd. Zgornja slika podaja vrednosti vzajemne informacije kombinacij regresorjev, pri čemer veljajo vrednosti posameznih stolpcev za kombinacijo regresorja pod stolpcem ter vseh levo ležečih regresorjev. S primerjavo slik 1 in 2 ugotovimo, da je kljub veliki informativnosti regresorjev trenutnih in minulih dotokov vsakega zase, informativnost kombinacije teh vhodov le malenkost večja od informativnosti trenutnega dotoka. To je lepo razvidno iz slike 2, kjer sta vhodna podatka dotokov pred eno ter dvema urama vključena v optimalni regresijski vektor šele, ko ta vsebuje 11 oziroma 17 regresorjev. Čeprav se z vključitvijo več kot desetih regresorjev v regresijski vektor vrednost vzajemne informacije le malo poveča, smo zaradi relativno velike podatkovne baze za gradnjo modelov kratkoročne napovedi dotoka na podlagi UNO uporabili od 15 do 20 regresorjev. Poskusili smo učiti UNO tudi z manjšim in večjim številom regresorjev, vendar se je zgoraj omenjeno število regresorjev izkazalo kot optimalno. Sistem zajemanja podatkov o količini padavin in dotokov je v obratovanju že pet let tako, da je na voljo dovolj podatkov za učenje in testiranje umetnega nevronskega omrežja. Za testno množico smo vzeli podatke šestih mesecev leta 1999 ter prvih petih mesecev leta 2000, preostale podatke pa smo uporabili v učni množici. Vse vhodne podatke normiramo na vrednosti od - 0,9 do 0,9, s čimer dosežemo boljšo konvergenco algoritma učenja UNO [5]. Za učenje dvonivojskega perceptrona, ki ima v skritem nivoju logaritmično-sigmoidno v izhodnem nivoju pa linearno aktivacijsko funkcijo smo
5 154 Štokelj, Paravan, Golob, Dobnikar, Volk, Pristov uporabili Levenberg-Marquardtov algoritem vzvratnega učenja UNO. Namesto enega UNO s štirimi izhodi in sicer, napovedmi dotokov za 2, 4, 6 in 8 ur vnaprej, smo uporabili štiri ločena UNO z le enim izhodnim nevronom, s čimer izboljšamo proces učenja UNO. Pri izdelavi algoritma kratkoročne napovedi dotokov v akumulacijski bazen HE Doblar se kot optimalno izkaže UNO s petnajstimi nevroni v skritem nivoju. napoved dotoka v akumulacijski bazen HE Doblar, zato obe vrsti padavin združili v en vhodni podatek, ki podaja skupno količino napovedi obeh vrst padavin. Posamezne točke izračuna modela ALADIN/SI lahko na podlagi njihove informativnosti in časovnih zakasnitev razporedimo v tri področja, kot prikazuje slika Srednjeročna napoved dotoka Srednjeročna napoved dotoka temelji na napovedanih količinah padavin, ki so rezultat numeričnega prognostičnega modela ALADIN. ALADIN je model za napovedovanje vremena nad omejenim območjem. Rezultat sodelovanja HMZ pri mednarodnem projektu je uporaba slovenske različice modela ALADIN, ki jo imenujemo ALADIN/SI. Z modelom ALADIN/SI na HMZ operativno dvakrat na dan izračunajo prihodnja polja meteoroloških spremenljivk za prihodnjih 48 ur v horizontalni ločljivosti 11 km nad območjem kilometrov. Za vsako točko 11 km mreže smo nad prispevnim območjem reke Soče izbrali pet vrst podatkov za 16 triurnih časovnih obdobij, torej za 48 ur vnaprej. Ti podatki so količina konvektivnih (nevihtnih) deževnih in snežnih padavin, količina stratiformnih (ciklonskih) deževnih in snežnih padavin ter temperatura zraka na 2m nad tlemi. Tako imamo ob upoštevanju, da je znotraj ali v neposredni bližini prispevnega področja 17 točk =1360 podatkov padavin in temperatur zraka, k temu pa je treba prišteti še podatke trenutnega in predhodnih dotokov v akumulacijski bazen HE Doblar. Razpoložljiva podatkovna baza napovedi modela AL- ADIN/SI vsebuje približno 1100 vzorcev, vendar jih je le nekaj več kot 450 takšnih, ko so bile padavine napovedane vsaj v eni izmed točk. Tako majhno število vzorcev onemogoča neposredno uporabo metode vzajemne informacije za izbiro informativnih regresorjev iz množice razpoložljivih vhodov, zato regresijski vektor določimo na naslednji način. Iz razpoložljivih vhodnih podatkov najprej odstranimo podatke o napovedi snežnih padavin in temperatur, saj ob pomanjkanju podatkov o količini snega v hribih ti podatki dajejo le malo uporabne informacije. Dodatno lahko število razpoložljivih regresorjev zmanjšamo, če združimo točke s podobno časovno zakasnitvijo in informativnostjo. Z uvedbo principa drsečega okna šestnajstkrat povečamo število razpoložljivih vzorcev, kar omogoča uporabo metode vzajemne informacije za določitev časovnih zakasnitev med napovedanimi padavinami v posameznih računskih točkah in dotokom v akumulacijski bazen HE Doblar. S primerjavo informativnosti napovedi konvektivnih in stratiformnih padavin ugotovimo, da sta obe vrsti napovedanih padavin približno enako informativne za Slika 3. Združitev točk napovedi padavin modela ALADIN/SI glede na njihovo časovno zakasnitev Figure 3. Grouping of ALADIN/SI calculation points with the same properties Napovedi padavin v točkah s15 in s63 zanemarimo, ker je njihova informativnost za napoved dotoka v akumulacijski bazen HE Doblar zelo majhna, količino napovedanih padavin v točkah znotraj posameznih področij pa združimo v en podatek. Dodatno lahko zmanjšamo število regresorjev tako, da iz šestnajstih triurnih napovedi padavin modela ALADIN/SI sestavimo le nekaj takih regresorjev, ki so za določeno napoved dotoka najbolj informativni. Sestava regresorjev je odvisna od časovne zakasnitve posamezne skupine točk τ z ter od tega, za koliko ur naprej želimo napovedati dotok τ n.padavine, ki so padle pred več kotτ z urami, so že zajete v trenutnem dotoku v akumulacijski bazen, napovedane padavine čez več kotτ n τ z ur pa še ne bodo vplivale na dotok v akumulacijski bazen HE Doblar čez τ n ur. Torej so za napoved dotoka ob času T pomembne le napovedi padavin znotraj časovnega intervala od T τ z do T + τ n τ z. Dotok reke Soče lahko zelo hitro naraste ali pade, zato smo poleg skupne količine padavin v časovnem intervalu od T τ z do T +τ n τ z med regresorje vključili še količino padavin v zadnjih šestih urah tega časovnega intervala, kot je prikazano na sliki 4. S tem smo zmanjšali število regresorjev, ki vsebujejo informacijo o napovedi količine padavin modela AL- ADIN/SI na samo šest regresorjev, po dva za vsako območje. Če k tem regresorjem dodamo podobno kot v primeru kratkoročne napovedi dotoka še trenutni dotok, dotok pred eno in 24 urami, skupno izmerjeno količino padavin v vseh treh ombrometrskih postajah v zadnjem tednu ter faktor vegetacije, dobimo skupaj 11 regresor-
6 Napoved dotoka v akumulacijski bazen HE Doblar 155 Slika 4. Določitev regresorjev padavin Figure 4. Precipitation input variables to ANN jev modela UNO srednjeročne napovedi dotoka v akumulacijski bazen HE Doblar. 5 Verifikacija algoritmov napovedi dotokov Uporabnost skonstruiranih modelov srednjeročne in kratkoročne napovedi dotoka na podlagi UNO verificiramo na konkretnem primeru napovedi dotoka v akumulacijski bazen HE Doblar, ki je čelna akumulacija verige HE na reki Soči. 5.1 Kratkoročna napoved dotoka Algoritem kratkoročne napovedi dotokov v akumulacijski bazen HE Doblar smo verificirali na podatkih druge polovice leta 1999 in prvih petih mesecev leta 2000, ki niso bili uporabljeni med učenjem UNO. Odstopanja napovedi za enega izmed primerov hitre rasti dotoka prikazuje slika 5. Za prikazan primer s slike 5 lahko povzamemo, da so dvo- in štiriurne napovedi dotoka dokaj natančne, medtem, ko so pri šest- in predvsem osemurnih napovedih že vidna odstopanja od dejansko izmerjenih dotokov v akumulacijski bazen HE Doblar. Kot posledica relativno majhnega števila ombrometrskih postaj lahko obilnejše lokalne padavine vnesejo večja odstopanja napovedi dotokov, poleg tega vplivajo na dotok tudi temperatura zraka v okolici, višina snega v hribih in drugi dejavniki, katerih podatkov ni na voljo. Torej je lahko natančnost napovedi od primera do primera zelo različna, zato so v tabeli 1 poleg maksimalnih in povprečnih relativnih in absolutnih napak podane tudi njihove srednje vrednosti in standardne devijacije. Na podlagi prikazanih rezultatov analiz odstopanj kratkoročne napovedi dotoka lahko povzamemo, da so dvo- in štiriurne napovedi dotoka zelo natančne, medtem, ko se pri šest- in predvsem osemurnih napovedih dotokov že nastanejo nekoliko večja odstopanja. Ta odstopanja so predvsem posledica relativno kratkih časovnih zakasnitev med izmerjenimi padavinami in dotokom v akumulacijski bazen HE Doblar, zato je za dolgoročnejše napovedi dotokov treba uporabiti napovedi padavin. 5.2 Srednjeročna napoved dotoka Izdelali smo algoritem srednjeročne napovedi dotokov v akumulacijski bazen HE Doblar, za napovedi od 6 do 45 ur vnaprej. Razpoložljiva podatkovna baza izračunov modela ALADIN/SI je relativno majhna, zato je temu primerno majhna tudi testna množica, ki vsebuje le 145 vzorcev. Podatki testne množice si sledijo v kronološkem zaporedju, pri čemer je med dvema vzorcema časovni zamik 12 ur, kot posledica dejstva, da se izračun model ALADIN/SI in s tem tudi izračun algoritma srednjeročne napovedi dotokov izvaja vsakih 12 ur. Primerjavo med izmerjenimi dotoki in 9-, 24-, 36- ter 45-urnimi napovedmi dotokov v akumulacijski bazen HE Doblar prikazuje slika 6. Slika 5. Izmerjeni ter napovedani dotoki za: a) 2-urno, b) 4-urno, c) 6-urno in d) 8-urno napoved dotoka Figure 5. Messaured and forcasted inflows for: a) 2-hours ahead, b) 4-hours ahead, c) 6-hours ahead and d) 8-hours ahead Slika 6. Izmerjeni in napovedani dotoki za a) 9, b) 24, c) 36 ter d) 45 ur vnaprej Figure 6. Measured and forcasted inflows for: a) 9-hours ahead, b) 24-hours ahead, c) 36-hours ahead and d) 45-hours ahead Iz zgornje slike je razvidno, da se napake napovedi dotoka od primera do primera precej razlikujejo, zato
7 156 Štokelj, Paravan, Golob, Dobnikar, Volk, Pristov Napoved dotoka za 2 uri 4 ure 6ur 8ur Maksimalna napaka [m 3 /s] Povprečna napaka [m 3 /s] 1,65 2,81 4,05 6,29 Maksimalna napaka [%] Povprečna napaka [%] 1,89 3,01 4,89 8,41 Srednja vrednost napake [%] -0,27-1,02-1,63-4,67 Standardna devijacija napake [%] 3,81 6,71 11,30 16,23 Tabela 1. Statistični prikaz napake napovedi dotoka v bazen HE Doblar Table 1. Statistical analysis of short term water inflow forcast error Slika 7. Prikaz odstopanj napovedi dotokov v akumulacijski bazen HE Doblar Figure 7. Statistical analysis of the mid-term water inflow forcasts so rezultati statistične analize odstopanj srednjeročnih napovedi dotokov prikazani na spodnji sliki. Vpliv odstopanj napovedi količine padavin na odstopanja napovedi dotoka lahko le ocenimo, saj je natančnost napovedi padavin modela ALADIN/SI v Posočju moč verificirati le na treh lokacijah. Odvisnost odstopanj 24-urne napovedi dotoka v akumulacijski bazen HE Doblar od povprečnega odstopanja napovedi padavin v zadnjih 12 urah je predstavljena na sliki 8. Iz slike je razvidno, da se na splošno večja odstopanja napovedi dotokov dokaj dobro ujemajo z odstopanji napovedane količine padavin modela ALADIN/SI. 6 Sklep Odstopanja algoritma kratkoročne napovedi dotokov so v večini primerov zadovoljivo majhna, v posameznih primerih pa je napaka nekoliko večja. Analize pokažejo, da je v teh primerih napaka predvsem posledica intenzivnih lokalnih padavin, zato nameravamo dograditi sistem zbiranja podatkov z dodatnimi ombrometrskimi Slika 8. Vpliv odstopanj napovedi padavin na 24 urno napoved dotoka Figure 8. Correlation between error in percipitation forcasts and error in predicted water inflows for 24 hours ahead merilnimi postajami. Model ALADIN/SI je razmeroma novo orodje za napovedovanje vremena, zato je razpoložljiva podatkovna baza dokaj majhna, posledica tega pa je slabše učenje modela srednjeročne napovedi dotokov na podlagi UNO. Kljub razmeroma majhni testni množici lahko trdimo, da se je algoritem srednjeročne napovedi dotoka pokazal za zelo učinkovitega. Ker se s časom razpoložljiva podatkovna baza veča, je čez čas načrtovano ponovno učenje algoritma srednjeročne napovedi dotokov na podlagi UNO, saj je ob uporabi večje podatkovne baze v procesu učenja UNO moč pričakovati natančnejše napovedi dotokov. Poleg tega, je model ALADIN/SI še vedno v razvojni fazi in se tudi njegove napovedi s časom izboljšujejo, kar bo po pričakovanjih še dodatno izboljšalo napoved dotoka v akumulacijski bazen HE Doblar. Na podlagi prikazanih rezultatov lahko povzamemo, da sta tako algoritem kratkoročne napovedi dotoka kot algoritem srednjeročne napovedi dotoka uspešno prestala testiranje in je ob njihovi namestitvi v območni center vodenja moč pričakovati bolj ekonomično ter varno obrato-
8 vanje verige HE. 7 Literatura [1] A. Dobnikar, Nevronske Mreže, Didakta, Radovljica, [2] B. Bonnlander, Nonparametric selection of input variables for connectionist learning, Doktorska disertacija, University of Colorado, [3] N. Pavešič, Informacija in kodi, Fakulteta za elektrotehniko, Ljubljana, [4] V. A. Epanechnikov, Nonparametric estimation of a multivariate probability density, Theory of Probability and its Aplication, 14: , [5] S. Haykin, Neural Networks, Macmillan College Publishing Company, New York, [6] M. Žagar, Napovedovanje pojavov majhnih razsežnosti z dinamičnim prilagajanjem, Doktorska disertacija, FMF, Ljubljana, Tomaz Štokelj je diplomiral, magistriral in doktoriral na Fakulteti za elektrotehniko v Ljubljani (1995, 1998 in 2001). Zaposlen je na SENG, obenem pa je član raziskovalne skupine za EES na FE v Ljubljani, kjer se ukvarja v glavnem z optimizacijo obratovanja elektrarn. Dejan Paravan je diplomiral leta 1999 na Fakulteti za elektrotehniko v Ljubljani, kjer se je zaposlil kot mladi raziskovalec. Je član raziskovalne skupine za EES na FE v Ljubljani, kjer se ukvarja z razvijanjem računalniških orodij za trg z električno energijo. Robert Golob je diplomiral, magistriral in doktoriral na Fakulteti za elektrotehniko v Ljubljani (1989, 1992 in 1994). Po enoletnem izpopolnjevanju na Georgia Tech, ZDA se je zaposlil na FE kot docent za področje energetskih pretvornikov in proizvodnje električne energije. Leta 1999 je opravljal funkcijo državnega sekretarja za energetiko. Andrej Dobnikar je diplomiral, magistriral in doktoriral na Fakulteti za elektrotehniko v Ljubljani (1971, 1973, 1984). Od leta 1976 je zaposlen na ljubljanski univerzi, najprej kot asistent in docent na Fakulteti za elektrotehniko, nato pa kot izredni in redni profesor na Fakulteti za računalništvo in informatiko. Ukvarja se predvsem z metodami mehkega računanja, paralelnim procesiranjem in dinamičnimi sistemi. Rajko Volk je diplomiral na Fakulteti za elektrotehniko v Ljubljani (1986). Zaposlen je na SENG, kjer se ukvarja predvsem z daljinskim vodenjem hidroelektrarn. Neva Pristov je diplomirala in magistrirala na Fakulteti za fiziko in matematiko v Ljubljani (1988 in 1995). Zaposlena je na Hidrometeorološkem zavodu Republike Slovenije, kjer dela na področju numeričnega napovedovanja vremena.
Microsoft Word - A-3-Dezelak-SLO.doc
20. posvetovanje "KOMUNALNA ENERGETIKA / POWER ENGINEERING", Maribor, 2011 1 ANALIZA OBRATOVANJA HIDROELEKTRARNE S ŠKOLJČNIM DIAGRAMOM Klemen DEŽELAK POVZETEK V prispevku je predstavljena možnost izvedbe
Prikaži večMODELSKA NAPOVED MOČNIH PADAVIN V ZAHODNI SLOVENIJI (7. in 8. novembra 1997) Model Forecast of Heavy Precipitation in Western Slovenia Mark Žagar*, Gr
MODELSKA NAPOVED MOČNIH PADAVIN V ZAHODNI SLOVENIJI (7. in 8. novembra 1997) Model Forecast of Heavy Precipitation in Western Slovenia Mark Žagar*, Gregor Gregorič**, Tomaž Vrhovec*** UDK 551.50(497.4)
Prikaži več26. MEDNARODNO POSVETOVANJE»KOMUNALNA ENERGETIKA 2017«J. Pihler Algoritem za izračun napovedi trenutne moči sončne elektrarne s pomočjo nevronskih omr
26. MEDNARODNO POSVETOVANJE»KOMUNALNA ENERGETIKA 2017«J. Pihler Algoritem za izračun napovedi trenutne moči sončne elektrarne s pomočjo nevronskih omrežij MIHAEL SKORNŠEK & GORAZD ŠTUMBERGER 39 Povzetek
Prikaži večŠTEVCI PROMETA IN NJIHOVA UPORABA ZA NAMENE STATISTIK ČRT GRAHONJA
ŠTEVCI PROMETA IN NJIHOVA UPORABA ZA NAMENE STATISTIK ČRT GRAHONJA Navdih Poizvedovanje po BD podatkovnih virih, ki imajo časovno dimenzijo in so dostopni. Večji promet pomeni večje število dobrin in močnejšo
Prikaži večOptimizacija z roji delcev - Seminarska naloga pri predmetu Izbrana poglavja iz optimizacije
Univerza v Ljubljani Fakulteta za matematiko in fiziko Seminarska naloga pri predmetu Izbrana poglavja iz optimizacije 2. junij 2011 Koncept PSO Motivacija: vedenje organizmov v naravi Ideja: koordinirano
Prikaži večMicrosoft PowerPoint - cigre_c2_15.ppt [Compatibility Mode]
Univerza v Mariboru Fakulteta za elektrotehniko, računalništvo in informatiko Boštjan Polajžer, Drago Dolinar, Jožef Ritonja (FERI) bostjan.polajzer@um.si Andrej Semprimožnik (ELES) KAZALNIKI KAKOVOSTI
Prikaži večUniverza v Mariboru Fakulteta za naravoslovje in matematiko Oddelek za matematiko in računalništvo Enopredmetna matematika IZPIT IZ VERJETNOSTI IN STA
Enopredmetna matematika IN STATISTIKE Maribor, 31. 01. 2012 1. Na voljo imamo kovanca tipa K 1 in K 2, katerih verjetnost, da pade grb, je p 1 in p 2. (a) Istočasno vržemo oba kovanca. Verjetnost, da je
Prikaži večKLIMATSKE ZNAČILNOSTI LETA 1993 Aleška Bernot-lvančič* Leto 1993 je bilo glede na podatke 30-letnega klimatološkega niza nadpovprečno toplo, s
KLIMATSKE ZNAČILNOSTI LETA 1993 Aleška Bernot-lvančič* Leto 1993 je bilo glede na podatke 30-letnega klimatološkega niza 1961-90 nadpovprečno toplo, sončno in suho. Po vremenu bi ga lahko razdelili na
Prikaži večREPUBLIKA SLOVENIJA MINISTRSTVO ZA OKOLJE IN PROSTOR AGENCIJA REPUBLIKE SLOVENIJE ZA OKOLJE SPREMLJANJE HIDROLOŠKIH RAZMER Pot do hidroloških opozoril
SPREMLJANJE HIDROLOŠKIH RAZMER Pot do hidroloških opozoril ARSO Oddelek za hidrološke prognoze Dravograd, 3. december 2015 Vsebina Kako lahko sami spremljate meteorološke in hidrološke razmere ter kako
Prikaži večAvtomatizirano modeliranje pri celostnem upravljanju z vodnimi viri
Univerza v Ljubljani Fakulteta za gradbeništvo in geodezijo 36. Goljevščkov spominski dan Modeliranje kroženja vode in spiranja hranil v porečju reke Pesnice Mateja Škerjanec 1 Tjaša Kanduč 2 David Kocman
Prikaži večOsnove statistike v fizični geografiji 2
Osnove statistike v geografiji - Metodologija geografskega raziskovanja - dr. Gregor Kovačič, doc. Bivariantna analiza Lastnosti so med sabo odvisne (vzročnoposledično povezane), kadar ena lastnost (spremenljivka
Prikaži večUčinkovita izvedba algoritma Goldberg-Tarjan Teja Peklaj 26. februar Definicije Definicija 1 Naj bo (G, u, s, t) omrežje, f : E(G) R, za katero v
Učinkovita izvedba algoritma Goldberg-Tarjan Teja Peklaj 26. februar 2009 1 Definicije Definicija 1 Naj bo (G, u, s, t) omrežje, f : E(G) R, za katero velja 0 f(e) u(e) za e E(G). Za v V (G) definiramo presežek
Prikaži večIme in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 6. julij 2018 Navodila Pazljivo preberite be
Ime in priimek: Vpisna št: FAKULEA ZA MAEMAIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 6 julij 2018 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Za pozitiven rezultat
Prikaži večUNIVERZA V LJUBLJANI FAKULTETA ZA MATEMATIKO IN FIZIKO Katja Ciglar Analiza občutljivosti v Excel-u Seminarska naloga pri predmetu Optimizacija v fina
UNIVERZA V LJUBLJANI FAKULTETA ZA MATEMATIKO IN FIZIKO Katja Ciglar Analiza občutljivosti v Excel-u Seminarska naloga pri predmetu Optimizacija v financah Ljubljana, 2010 1. Klasični pristop k analizi
Prikaži večMicrosoft Word - zelo-milo-vreme_dec-jan2014.doc
ARSO Državna meteorološka služba Ljubljana,. 1. 1 Zelo milo vreme od. decembra 13 do 3. januarja 1 Splošna vremenska slika Od konca decembra do sredine januarja je nad našimi kraji prevladoval južni do
Prikaži večDatum in kraj
Ljubljana, 5. 4. 2017 Katalog znanj in vzorci nalog za izbirni izpit za vpis na magistrski študij Pedagoško računalništvo in informatika 2017/2018 0 KATALOG ZNANJ ZA IZBIRNI IZPIT ZA VPIS NA MAGISTRSKI
Prikaži večMicrosoft Word - SevnoIII.doc
Naše okolje, april 8 METEOROLOŠKA POSTAJA SEVNO Meteorological station Sevno Mateja Nadbath V Sevnem je klimatološka meteorološka postaja Agencije RS za okolje. Sevno leži na prisojnem pobočju Sevniškega
Prikaži več(Microsoft Word - 3. Pogre\232ki in negotovost-c.doc)
3.4 Merilna negotovost Merilna negotovost je parameter, ki pripada merilnem rezltat. Označje razpršenost vrednosti, ki jih je mogoče z določeno verjetnostjo pripisati merjeni veličini. Navaja kakovost
Prikaži večMicrosoft Word - SI_vaja5.doc
Univerza v Ljubljani, Zdravstvena fakulteta Sanitarno inženirstvo Statistika Inštitut za biostatistiko in medicinsko informatiko Š.l. 2011/2012, 3. letnik (1. stopnja), Vaja 5 Naloge 1. del: t test za
Prikaži večOSNOVE UMETNE INTELIGENCE
OSNOVE UMETNE INTELIGENCE 2017/18 regresijska drevesa ocenjevanje učenja linearni modeli k-nn Zoran Bosnić del gradiva povzet po: Bratko: Prolog programming for AI, Pearson (2011) in Russell, Norvig: AI:
Prikaži večUniverza v Ljubljani Fakulteta za elektrotehniko Kristjan Ažman Identifikacija dinamičnih sistemov z Gaussovimi procesi z vključenimi linearnimi model
Univerza v Ljubljani Fakulteta za elektrotehniko Kristjan Ažman Identifikacija dinamičnih sistemov z Gaussovimi procesi z vključenimi linearnimi modeli Magistrsko delo Mentor: prof. dr. Juš Kocijan V Ljubljani,
Prikaži večModel IEUBK za napoved vsebnosti svinca v krvi otrok in njegova uporaba na primeru Zgornje Mežiške doline
MODEL IEUBK ZA NAPOVED VSEBNOSTI SVINCA V KRVI OTROK IN NJEGOVA UPORABA NA PRIMERU ZGORNJE MEŢIŠKE DOLINE ZZV Ravne na Koroškem mag. Matej Ivartnik Portorož 25.11.2011 IEUBK model Računalniško orodje,
Prikaži večPoskusi s kondenzatorji
Poskusi s kondenzatorji Samo Lasič, Fakulteta za Matematiko in Fiziko, Oddelek za fiziko, Ljubljana Povzetek Opisani so nekateri poskusi s kondenzatorji, ki smo jih izvedli z merilnim vmesnikom LabPro.
Prikaži večUvodno predavanje
RAČUNALNIŠKA ORODJA Simulacije elektronskih vezij M. Jankovec 2.TRAN analiza (Analiza v časovnem prostoru) Iskanje odziva nelinearnega dinamičnega vezja v časovnem prostoru Prehodni pojavi Stacionarno
Prikaži večMicrosoft Word - Meteoroloıka postaja Kobarid3.doc
Naše okolje, avgust 28 METEOROLOŠKA POSTAJA KOBARID Meteorological station Kobarid Mateja Nadbath V zahodni polovici Slovenije je ena izmed meteoroloških padavinskih postaj v Kobaridu. To je kraj v Srednji
Prikaži večSZGG_2012_Dolsak_Sraj
Izdelava Huffovih krivulj in njihova analiza za izbrane padavinske postaje v Sloveniji Domen Dolšak, Mojca Šraj * Povzetek Prispevek predstavlja izdelavo, rezultate in analizo Huffovih krivulj za izbrane
Prikaži večElektrotehniški vestnik 70(1-2): 5 10, 2003 Electrotechnical Review, Ljubljana, Slovenija Računalniški program za razbremenitev kritičnih prenosnih poti David Grgič 1, Marko Bajec 2, Ferdinand Gubina 1,
Prikaži večAnaliza infrardecih spektrov z globokimi nevronskimi mrežami
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Tina Avbelj Analiza infrardečih spektrov z globokimi nevronskimi mrežami DIPLOMSKO DELO INTERDISCIPLINARNI UNIVERZITETNI ŠTUDIJSKI PROGRAM
Prikaži večKONTINGENČNI PRISTOP K OBLIKOVANJU SISTEMA STRATEŠKEGA POSLOVODNEGA RAČUNOVODSTVA: EMPIRIČNA PREVERBA V SLOVENSKIH PODJETJIH
Temelji poslovodnega računovodstva(1) Uvod v poslovodno računovodstvo (kontroling) Prof. dr. Simon Čadež simon.cadez@ef.uni-lj.si 2 CILJI PREDMETA Opredeliti vlogo managerjev in poslovodnega računovodstva
Prikaži večRAM stroj Nataša Naglič 4. junij RAM RAM - random access machine Bralno pisalni, eno akumulatorski računalnik. Sestavljajo ga bralni in pisalni
RAM stroj Nataša Naglič 4. junij 2009 1 RAM RAM - random access machine Bralno pisalni, eno akumulatorski računalnik. Sestavljajo ga bralni in pisalni trak, pomnilnik ter program. Bralni trak- zaporedje
Prikaži večIme in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 31. avgust 2018 Navodila Pazljivo preberite
Ime in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 31 avgust 018 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Za pozitiven
Prikaži več(Microsoft Word - EV_Ga\232peri\350_1.doc)
Elektrotehniški vestnik 7(4): 203-208, 2004 Electrotechnical Review; Ljubljana, Slovenija Nova zasnova regulacije napetosti v distribucijskem omrežju Samo Gašperi, Curk Jurij 2, Ferdinand Gubina Fakulteta
Prikaži večMicrosoft Word - Met_postaja_Jelendol1.doc
Naše okolje, junij 212 METEOROLOŠKA POSTAJA JELENDOL Meteorological station Jelendol Mateja Nadbath V Jelendolu je padavinska meteorološka postaja; Agencija RS za okolje ima v občini Tržič še padavinsko
Prikaži večVerjetnost in vzorčenje: teoretske porazdelitve standardne napake ocenjevanje parametrov as. dr. Nino RODE prof. dr. Blaž MESEC
Verjetnost in vzorčenje: teoretske porazdelitve standardne napake ocenjevanje parametrov as. dr. Nino RODE prof. dr. Blaž MESEC VERJETNOST osnovni pojmi Poskus: dejanje pri katerem je izid negotov met
Prikaži večPrilagajanje kmetijstva na podnebne spremembe – pomoč AGROMETEOROLOGIJE pri izboljšanju upravljanja z vodo
MINISTRSTVO ZA OKOLJE IN PROSTOR AGENCIJA REPUBLIKE SLOVENIJE ZA OKOLJE REPUBLIKA SLOVENIJA Vojkova 1b, 1000 Ljubljana p.p. 2608, tel.: +386(0)1 478 40 00 fax.: +386(0)1 478 40 52 Prilagajanje kmetijstva
Prikaži večOsnove matematicne analize 2018/19
Osnove matematične analize 2018/19 Neža Mramor Kosta Fakulteta za računalništvo in informatiko Univerza v Ljubljani Funkcija je predpis, ki vsakemu elementu x iz definicijskega območja D f R priredi natanko
Prikaži več3. Preizkušanje domnev
3. Preizkušanje domnev doc. dr. Miroslav Verbič miroslav.verbic@ef.uni-lj.si www.miroslav-verbic.si Ljubljana, februar 2014 3.1 Izračunavanje intervala zaupanja za vrednosti regresijskih koeficientov Motivacija
Prikaži več2. Model multiple regresije
2. Model multiple regresije doc. dr. Miroslav Verbič miroslav.verbic@ef.uni-lj.si www.miroslav-verbic.si Ljubljana, februar 2014 2.1 Populacijski regresijski model in regresijski model vzorčnih podatkov
Prikaži večMicrosoft Word - Meteoroloıka postaja Kanèevci1.doc
Naše okolje, april 21 METEOROLOŠKA POSTAJA KANČEVCI/IVANOVCI Meteorological station Kančevci/Ivanovci Mateja Nadbath N a vzhodnem delu Goričkega, na stiku vasi Kančevci in Ivanovci, je padavinska postaja.
Prikaži večMicrosoft Word - agrobilten_ doc
Dekadni bilten vodnobilančnega stanja v Sloveniji 1. april 3. april 9 OBVESTILO Ob prehodu v drugo polovico aprila so se tla že zelo izsušila. A visoke temperature zraka so popustile in po večini Slovenije
Prikaži večPoglavje 3 Reševanje nelinearnih enačb Na iskanje rešitve enačbe oblike f(x) = 0 (3.1) zelo pogosto naletimo pri reševanju tehničnih problemov. Pri te
Poglavje 3 Reševanje nelinearnih enačb Na iskanje rešitve enačbe oblike f(x) = 0 (3.1) zelo pogosto naletimo pri reševanju tehničnih problemov. Pri tem je lahko nelinearna funkcija f podana eksplicitno,
Prikaži večglava.dvi
Lastnosti verjetnosti 1. Za dogodka A in B velja: P(A B) = P(A) + P(B) P(A B) 2. Za dogodke A, B in C velja: P(A B C) = P(A) + P(B) + P(C) P(A B) P(A C) P(B C) + P(A B C) Kako lahko to pravilo posplošimo
Prikaži več10. Meritev šumnega števila ojačevalnika Vsako radijsko zvezo načrtujemo za zahtevano razmerje signal/šum. Šum ima vsaj dva izvora: naravni šum T A, k
10. Meritev šumnega števila ojačevalnika Vsako radijsko zvezo načrtujemo za zahtevano razmerje signal/šum. Šum ima vsaj dva izvora: naravni šum T A, ki ga sprejme antena in dodatni šum T S radijskega sprejemnika.
Prikaži večEVRO.dvi
Management tehnologije dr. Cene Bavec Management tehnologije postaja v gospodarsko in tehnološko razvitih državah eno temeljnih managerskih znanj. V Sloveniji nimamo visokošolskih in univerzitetnih programov
Prikaži večFGG13
10.8 Metoda zveznega nadaljevanja To je metoda za reševanje nelinearne enačbe f(x) = 0. Če je težko poiskati začetni približek (še posebno pri nelinearnih sistemih), si lahko pomagamo z uvedbo dodatnega
Prikaži večUniverza v Ljubljani FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Tržaška c. 25, 1000 Ljubljana Realizacija n-bitnega polnega seštevalnika z uporabo kvan
Univerza v Ljubljani FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Tržaška c. 25, 1000 Ljubljana Realizacija n-bitnega polnega seštevalnika z uporabo kvantnih celičnih avtomatov SEMINARSKA NALOGA Univerzitetna
Prikaži večMicrosoft Word - CelotniPraktikum_2011_verZaTisk.doc
Elektrotehniški praktikum Sila v elektrostatičnem polju Namen vaje Našli bomo podobnost med poljem mirujočih nabojev in poljem mas, ter kakšen vpliv ima relativna vlažnost zraka na hitrost razelektritve
Prikaži večresitve.dvi
FAKULTETA ZA STROJNISTVO Matematika Pisni izpit. junij 22 Ime in priimek Vpisna st Navodila Pazljivo preberite besedilo naloge, preden se lotite resevanja. Veljale bodo samo resitve na papirju, kjer so
Prikaži večMicrosoft Word - UP_Lekcija04_2014.docx
4. Zanka while Zanke pri programiranju uporabljamo, kadar moramo stavek ali skupino stavkov izvršiti večkrat zaporedoma. Namesto, da iste (ali podobne) stavke pišemo n-krat, jih napišemo samo enkrat in
Prikaži večOsnove verjetnosti in statistika
Osnove verjetnosti in statistika Gašper Fijavž Fakulteta za računalništvo in informatiko Univerza v Ljubljani Ljubljana, 26. februar 2010 Poskus in dogodek Kaj je poskus? Vržemo kovanec. Petkrat vržemo
Prikaži več2
Drsni ležaj Strojni elementi 1 Predloga za vaje Pripravila: doc. dr. Domen Šruga as. dr. Ivan Okorn Ljubljana, 2016 STROJNI ELEMENTI.1. 1 Kazalo 1. Definicija naloge... 3 1.1 Eksperimentalni del vaje...
Prikaži večStrojna oprema
Asistenta: Mira Trebar, Miha Moškon UIKTNT 2 Uvod v programiranje Začeti moramo razmišljati algoritmično sestaviti recept = napisati algoritem Algoritem za uporabo poljubnega okenskega programa. UIKTNT
Prikaži večSlide 1
Projektno vodenje PREDAVANJE 7 doc. dr. M. Zajc matej.zajc@fe.uni-lj.si Projektno vodenje z orodjem Excel Predstavitev Najbolj razširjeno orodje za delo s preglednicami Dva sklopa funkcij: Obdelava številk
Prikaži večReliability estimation of individual predictions
Ocenjevanje zanesljivosti posameznih napovedi pri nadzorovanem učenju Darko Pevec DOKTORSKA DISERTACIJA PREDANA FAKULTETI ZA RAčUNALNIšTVO IN INFORMATIKO KOT DEL IZPOLNJEVANJA POGOJEV ZA PRIDOBITEV NAZIVA
Prikaži več3. Metode, ki temeljijo na minimalnem ostanku Denimo, da smo z Arnoldijevim algoritmom zgenerirali ON bazo podprostora Krilova K k (A, r 0 ) in velja
3. Metode, ki temeljijo na minimalnem ostanku Denimo, da smo z Arnoldijevim algoritmom zgenerirali ON bazo podprostora Krilova K k (A, r 0 ) in velja AV k = V k H k + h k+1,k v k+1 e T k = V kh k+1,k.
Prikaži večVeč varovanja, manj varnosti?
Optimizacija razporedov/izmen s pomočjo strojnega učenja Mag. Valerij Grašič, Iskratel valerij.grasic@iskratel.si FIŠ, Novo mesto, 4.4.2019 Portfolio produktov Iskratel SI3000 Portfolio produktov Public
Prikaži večFIZIKA IN ARHITEKTURA SKOZI NAŠA UŠESA
FIZIKA IN ARHITEKTURA SKOZI NAŠA UŠESA SE SPOMNITE SREDNJEŠOLSKE FIZIKE IN BIOLOGIJE? Saša Galonja univ. dipl. inž. arh. ZAPS marec, april 2012 Vsebina Kaj je zvok? Kako slišimo? Arhitekturna akustika
Prikaži večPRILOGA 2 Minimalni standardi kakovosti oskrbe za izbrane dimenzije kakovosti oskrbe in raven opazovanja posameznih parametrov kakovosti oskrbe 1. NEP
PRILOGA 2 Minimalni standardi kakovosti oskrbe za izbrane dimenzije kakovosti oskrbe in raven opazovanja posameznih parametrov kakovosti oskrbe 1. NEPREKINJENOST NAPAJANJA 1.1. Ciljna raven neprekinjenosti
Prikaži večMicrosoft Word - padavine med1506in i.doc
Ljubljana, 10. oktober 2014 Padavine med 15. junijem in 15. septembrom 2014 Poletje 2014 je izstopalo po nadpovprečni višini padavin, še posebej po 15. juniju; pogoste in občasno tudi zelo obilne padavine
Prikaži večVaje: Matrike 1. Ugani rezultat, nato pa dokaži z indukcijo: (a) (b) [ ] n 1 1 ; n N 0 1 n ; n N Pokaži, da je množica x 0 y 0 x
Vaje: Matrike 1 Ugani rezultat, nato pa dokaži z indukcijo: (a) (b) [ ] n 1 1 ; n N n 1 1 0 1 ; n N 0 2 Pokaži, da je množica x 0 y 0 x y x + z ; x, y, z R y x z x vektorski podprostor v prostoru matrik
Prikaži večMicrosoft PowerPoint - CIGER - SK 3-15 Izkusnje nadzora distribucijskih transformatorjev s pomo... [Read-Only]
CIRED ŠK 3-15 IZKUŠNJE NADZORA DISTRIBUCIJSKIH TRANSFORMATORJEV S POMOČJO ŠTEVCEV ELEKTRIČNE ENERGIJE ŽIGA HRIBAR 1, BOŠTJAN FABJAN 2, TIM GRADNIK 3, BOŠTJAN PODHRAŠKI 4 1 Elektro novi sistemi. d.o.o.,
Prikaži večUniverza v Ljubljani Fakulteta za računalništvo in informatiko David Možina Argumentirano strojno učenje z uporabo logistične regresije MAGISTRSKO DEL
Univerza v Ljubljani Fakulteta za računalništvo in informatiko David Možina Argumentirano strojno učenje z uporabo logistične regresije MAGISTRSKO DELO MAGISTRSKI PROGRAM DRUGE STOPNJE RAČUNALNIŠTVO IN
Prikaži večMicrosoft PowerPoint - OVT_4_IzolacijskiMat_v1.pptx
Osnove visokonapetostne tehnike Izolacijski materiali Boštjan Blažič bostjan.blazic@fe.uni lj.si leon.fe.uni lj.si 01 4768 414 013/14 Izolacijski materiali Delitev: plinasti, tekoči, trdni Plinasti dielektriki
Prikaži večMicrosoft Word - zagaretal_2011.doc
IZZIVI REGIONALNEGA KLIMATSKEGA MODELIRANJA N. Žagar, J. Rakovec, G. Skok in L. Honzak * Povzetek Članek predstavlja izzive povezane z regionalnim klimatskim modeliranjem s poudarkom na procesu povezovanja
Prikaži večKein Folientitel
Eksperimentalno modeliranje Se imenuje tudi: y = f x; β + ε - system identification, - statistical modeling, - parametric modeling, - nonparametric modeling, - machine learning, - empiric modeling - itd.
Prikaži več1 Diskretni naklju ni vektorji 1 1 Diskretni naklju ni vektorji 1. Dopolni tabelo tako, da bosta X in Y neodvisni. X Y x x x x x
1 Diskretni naklju ni vektorji 1 1 Diskretni naklju ni vektorji 1. Dopolni tabelo tako, da bosta X in Y neodvisni. X Y 0 1 2 1 1-1 x x 20 10 1 0 x x x 10 1 1 x x x 20 x x x 1 Dolo i ²e spremenljivko Z,
Prikaži več2019 QA_Final SL
Predhodni prispevki v enotni sklad za reševanje za leto 2019 Vprašanja in odgovori Splošne informacije o metodologiji izračuna 1. Zakaj se je metoda izračuna, ki je za mojo institucijo veljala v prispevnem
Prikaži večE-nepremična inženirska zakladnica
Smetanova ulica 17 2000 Maribor, Slovenija E-NEPREMIČNA INŽENIRSKA ZAKLADNICA - TEHNIŠKE FAKULTETE Naročnik: Energetika Maribor d.o.o. Vodja projekta: Daniela Dvornik Perhavec Fakultete za gradbeništvo,
Prikaži večC:/Users/Matevž Èrepnjak/Dropbox/FKKT/testi in izpiti/ /IZPITI/FKKT-februar-14.dvi
Kemijska tehnologija, Kemija Bolonjski univerzitetni program Smer: KT K WolframA: DA NE Računski del izpita pri predmetu MATEMATIKA I 6. 2. 2014 Čas reševanja je 75 minut. Navodila: Pripravi osebni dokument.
Prikaži večpredstavitev fakultete za matematiko 2017 A
ZAKAJ ŠTUDIJ MATEMATIKE? Ker vam je všeč in vam gre dobro od rok! lepa, eksaktna veda, ki ne zastara matematičnoanalitično sklepanje je uporabno povsod matematiki so zaposljivi ZAKAJ V LJUBLJANI? najdaljša
Prikaži večPowerPoint Presentation
Predstavitev učinkovitega upravljanja z energijo in primeri dobrih praks v javnih stavbah Nova Gorica, 23.1.2019 Projekt CitiEnGov Tomaž Lozej, GOLEA Nova Gorica Energetski manager Agencija GOLEA opravlja
Prikaži večDelavnica Načrtovanje digitalnih vezij
Laboratorij za načrtovanje integriranih vezij Univerza v Ljubljani Fakulteta za elektrotehniko Digitalni Elektronski Sistemi Osnove jezika VHDL Strukturno načrtovanje in testiranje Struktura vezja s komponentami
Prikaži večAAA
BONITETNO POROČILO ODLIČNOSTI Izdajatelj: BISNODE, družba za medije ter poslovne in bonitetne informacije d.o.o. Član skupine BISNODE, Stockholm, Švedska Javno podjetje Ljubljanska parkirišča in tržnice,
Prikaži večMicrosoft Word - ELEKTROTEHNIKA2_ junij 2013_pola1 in 2
Šifra kandidata: Srednja elektro šola in tehniška gimnazija ELEKTROTEHNIKA PISNA IZPITNA POLA 1 12. junij 2013 Čas pisanja 40 minut Dovoljeno dodatno gradivo in pripomočki: Kandidat prinese nalivno pero
Prikaži večČlen 11(1): Frekvenčna območja Frekvenčna območja Časovna perioda obratovanja 47,0 Hz-47,5 Hz Najmanj 60 sekund 47,5 Hz-48,5 Hz Neomejeno 48,5 Hz-49,0
Člen 11(1): Frekvenčna območja Frekvenčna območja Časovna perioda obratovanja 47,0 Hz-47,5 Hz Najmanj 60 sekund 47,5 Hz-48,5 Hz Neomejeno 48,5 Hz-49,0 Hz Neomejeno 49,0 Hz-51,0 Hz Neomejeno 51,0 Hz-51,5
Prikaži večMATLAB programiranje MATLAB... programski jezik in programersko okolje Zakaj Matlab? tipičen proceduralni jezik enostaven za uporabo hitro učenje prir
MATLAB programiranje MATLAB... programski jezik in programersko okolje Zakaj Matlab? tipičen proceduralni jezik enostaven za uporabo hitro učenje priročno programsko okolje tolmač interpreter (ne prevajalnik)
Prikaži več4. tema pri predmetu Računalniška orodja v fiziki Ljubljana, Grafi II Jure Senčar
4. tema pri predmetu Računalniška orodja v fiziki Ljubljana, 6.4.29 Grafi II Jure Senčar Relativna sila krčenja - F/Fmax [%]. Naloga Nalogo sem delal v Excelu. Ta ima vgrajeno funkcijo, ki nam vrne logaritemsko
Prikaži večMB_Studenci
RAZISKOVALNI PROJEKT TRAJNE MERITVE ELEKTROMAGNETNIH SEVANJ V SLOVENSKIH OBČINAH Mestna občina Maribor (Mestna četrt Studenci) 13.12. - 15.12. 2009 MERILNA KAMPANJA OBČINA MARIBOR (MČ STUDENCI) stran 2
Prikaži več(Microsoft PowerPoint - vorsic ET 9.2 OES matri\350ne metode 2011.ppt [Compatibility Mode])
8.2 OBRATOVANJE ELEKTROENERGETSKEGA SISTEMA o Matrične metode v razreševanju el. omrežij Matrične enačbe električnih vezij Numerične metode za reševanje linearnih in nelinearnih enačb Sistem algebraičnih
Prikaži večMicrosoft PowerPoint - p_TK_inzeniring_1_dan_v5_shortTS.ppt [Compatibility Mode]
Telekomunikacijski inženiring dr. Iztok Humar Vsebina Značilnosti TK prometa, preprosti modeli, uporaba Uvod Značilnosti telekomunikacijskega prometa Modeliranje vodovno komutiranih zvez Erlang B Erlang
Prikaži večLaTeX slides
Linearni in nelinearni modeli Milena Kovač 22. december 2006 Biometrija 2006/2007 1 Linearni, pogojno linearni in nelinearni modeli Kriteriji za razdelitev: prvi parcialni odvodi po parametrih Linearni
Prikaži večMicrosoft Word - 10-Selekcijski intervju _4.del_.docx
številka 10,27.avg. 2004, ISSN 1581-6451, urednik:radovan Kragelj Pozdravljeni! V prejšnji številki mesečnika smo si ogledali, katera področja moramo vsebinsko obdelati v sklopu delovne zgodovine. V današnji
Prikaži večEU-TPD 1 PODROBNOSTI KODIRANJA Informacije za trgovino JB za DCTA, (Final 1.2) Obveznost kodiranja izdelka, urejena s predpisom EU-TPD se n
EU-TPD 1 PODROBNOSTI KODIRANJA Informacije za trgovino Obveznost kodiranja izdelka, urejena s predpisom EU-TPD se nanaša na tobačne izdelke na trgu EU in na tobačne izdelke, izdelane v EU, vključno s tistimi
Prikaži večPodatkovni model ER
Podatkovni model Entiteta- Razmerje Iztok Savnik, FAMNIT 2018/19 Pregled: Načrtovanje podatkovnih baz Konceptualno načtrovanje: (ER Model) Kaj so entite in razmerja v aplikacijskem okolju? Katere podatke
Prikaži večREŠEVANJE DIFERENCIALNIH ENAČB Z MEHANSKIMI RAČUNSKIMI STROJI Pino Koc Seminar za učitelje matematike FMF, Ljubljana, 25. september 2015 Vir: [1] 1
REŠEVANJE DIFERENCIALNIH ENAČB Z MEHANSKIMI RAČUNSKIMI STROJI Pino Koc Seminar za učitelje matematike FMF, Ljubljana, 25. september 2015 Vir: [1] 1 Nekateri pripomočki in naprave za računanje: 1a) Digitalni
Prikaži več(Microsoft Word - Kisovec meritve PM10 in te\236kih kovin-februar 13.doc)
REPUBLIKA SLOVENIJA MINISTRSTVO ZA KMETIJSTVO IN OKOLJE AGENCIJA REPUBLIKE SLOVENIJE ZA OKOLJE KISOVEC-MERITVE DELCEV PM 10 IN TEŽKIH KOVIN Kisovecmeritve delcev PM 10 in težkih kovin AGENCIJA REPUBLIKE
Prikaži večUrejevalna razdalja Avtorji: Nino Cajnkar, Gregor Kikelj Mentorica: Anja Petković 1 Motivacija Tajnica v posadki MARS - a je pridna delavka, ampak se
Urejevalna razdalja Avtorji: Nino Cajnkar, Gregor Kikelj Mentorica: Anja Petković 1 Motivacija Tajnica v posadki MARS - a je pridna delavka, ampak se velikokrat zmoti. Na srečo piše v programu Microsoft
Prikaži večUNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Andrej Grah Napovedovanje pozicij obrambnih igralcev z nevronskimi mrežami DIPLOMSKO DE
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Andrej Grah Napovedovanje pozicij obrambnih igralcev z nevronskimi mrežami DIPLOMSKO DELO NA VISOKOŠOLSKEM STROKOVNEM ŠTUDIJU Mentor: doc.
Prikaži večNavodila za uporabo Mini prenosna HD kamera s snemalnikom
Navodila za uporabo Mini prenosna HD kamera s snemalnikom www.spyshop.eu Izdelku so priložena navodila v angleščini, ki poleg teksta prikazujejo tudi slikovni prikaz sestave in delovanja izdelka. Lastnosti
Prikaži večDES11_realno
Laboratorij za načrtovanje integriranih vezij Univerza v Ljubljani Fakulteta za elektrotehniko Digitalni Elektronski Sistemi Delovanje realnega vezja Omejitve modela vezja 1 Model v VHDLu je poenostavljeno
Prikaži večMicrosoft PowerPoint - IPPU-V2.ppt
Informatizacija poslovnih procesov v upravi VAJA 2 Procesni pogled Diagram aktivnosti IPPU vaja 2; stran: 1 Fakulteta za upravo, 2006/07 Procesni pogled Je osnova za razvoj programov Prikazuje algoritme
Prikaži večP r e d m e t n i k Seznam skupnih izbirnih predmetov v študijskem programu Izbirni predmeti Zap. št. Predmet Nosilec Kontaktne ure Klinične Pred. Sem
P r e d m e t n i k Seznam skupnih izbirnih predmetov v študijskem programu 001 Akustika in ultrazvok Jurij Prezelj 002 Diferencialne enačbe Aljoša Peperko 003 Eksperimentalne metode v nosilec bo znan
Prikaži večMicrosoft Word - ge-v01-osnove
.. Hidroelektrarna Gladina akumulacijskega jezera hidroelektrarne je 4 m nad gladino umirjevalnega bazena za elektrarno. Skozi turbino teče 45 kg/s vode. Temperatura okolice in vode je 0 C, zračni tlak
Prikaži večMicrosoft Word - CNC obdelava kazalo vsebine.doc
ŠOLSKI CENTER NOVO MESTO VIŠJA STROKOVNA ŠOLA STROJNIŠTVO DIPLOMSKA NALOGA Novo mesto, april 2008 Ime in priimek študenta ŠOLSKI CENTER NOVO MESTO VIŠJA STROKOVNA ŠOLA STROJNIŠTVO DIPLOMSKA NALOGA Novo
Prikaži večIme in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost Pisni izpit 5. februar 2018 Navodila Pazljivo preberite
Ime in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost Pisni izpit 5 februar 018 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Nalog je
Prikaži več10. Vaja: Kemijsko ravnotežje I a) Osnove: Poznamo enosmerne in ravnotežne kemijske reakcije. Za slednje lahko pišemo določeno konstanto kemijskega ra
10. Vaja: Kemijsko ravnotežje I a) Osnove: Poznamo enosmerne in ravnotežne kemijske reakcije. Za slednje lahko pišemo določeno konstanto kemijskega ravnotežja (K C ), ki nam podaja konstantno razmerje
Prikaži večAAA
BONITETNO POROČILO ODLIČNOSTI Izdajatelj: BISNODE, družba za medije ter poslovne in bonitetne informacije d.o.o. Član skupine BISNODE, Stockholm, Švedska JELE KITT proizvodno podjetje d.o.o. Izdano dne
Prikaži večPoročilo za 1. del seminarske naloge- igrica Kača Opis igrice Kača (Snake) je klasična igrica, pogosto prednaložena na malce starejših mobilnih telefo
Poročilo za 1. del seminarske naloge- igrica Kača Opis igrice Kača (Snake) je klasična igrica, pogosto prednaložena na malce starejših mobilnih telefonih. Obstaja precej različic, sam pa sem sestavil meni
Prikaži večNaloge 1. Dva električna grelnika z ohmskima upornostma 60 Ω in 30 Ω vežemo vzporedno in priključimo na idealni enosmerni tokovni vir s tokom 10 A. Tr
Naloge 1. Dva električna grelnika z ohmskima upornostma 60 Ω in 30 Ω vežemo vzporedno in priključimo na idealni enosmerni tokovni vir s tokom 10 A. Trditev: idealni enosmerni tokovni vir obratuje z močjo
Prikaži več