Optimizing the effciency of hydropower plants with Artificial Neuronal Networks

Abstract

Als Grundlage dieser Arbeit dient ein Computerprogramm der Firma AFRY Austria. Das Programm erhält hydrologische Zuflusszeitreihen und kann auf Grundlage der Wasserbilanz die Stromerzeugung eines Wasserkraftwerkes simulieren. Das Ziel dieser Arbeit ist es die Modellierung der elektromechanischen Ausrüstung zu verbessern, indem das Optimierungsproblem der optimalen Lastverteilung auf eine beliebig wählbare Anzahl an Maschinensätzen im Kraftwerk gelöst wird. Zu diesem Zweck wurde ein Neuronales Netz mit radialen Basisfunktionen erstellt und dessen Parameter mit dem NSGAII-Algorithmus optimiert. Die Arbeit besteht aus der Formulierung der Zielfunktion für das vorliegende Problem, der Entwicklung des aus Radialen Basis Funktionen bestehenden Neuronalen Netzwerkes (RBFNN) und der Optimierung der Parameter unter Verwendung des NSGAII-Algorithmus. Es wird eine angepasst Netzwerkstruktur vorgeschlagen und eine Gleichung zur optimalen Auswahl der Netzwerkgröße präsentiert, welche im Laufe der Arbeit entwickelt wurde. Um die Ergebnisse validieren zu können, wurde ein zweiter Algorithmus entwickelt. Dieser berechnet die optimale Lösung durch die Methode der rohen Gewalt, das bedeutet es werden alle möglichen Lösungen berechnet und anschließend der optimale Lösungspfad ausgewählt. Die Ergebnisse der beiden Programme werden verglichen und analysiert. Die Ergebnisse bestätigen die Fähigkeit des RBFNN die Zielfunktion zu approximieren. Im Vergleich zur Validierungsmethode konnte das Ergebnis des RBFNN jedoch nicht das Optimum mit der gleichen Genauigkeit bestimmen. Bei komplexeren Aufgaben war es nicht möglich die Parameter des RBFNN ausreichend zu optimieren, um zufriedenstellende Ergebnisse zu erhalten. Die Arbeit diskutiert, dass das entwickelte RBFNN Modell für maschinelles Lernen verwendet werden könnte. Für die aktuelle Anwendung mit einem Optimierer zur Suche der optimalen RBFNN-Parameter, erweist sich die Methode auf Grund des hohen Rechenaufwandes und der mangelnden Transparenz der Berechnung als ineffizient.

The motivation for this work is an existing computer program developed by AFRY Austria. The program receives hydrological inflow time series and can simulate electricity generation based on the water flow distribution and hydro power plant characteristics. The aim of this work is to improve the modelling of the electro-mechanical equipment by solving the optimisation task of optimal load distribution in a hydro power plant with an arbitrary number of machine sets. For this purpose, a computer program was developed, which creates a Radial Basis Function Neural Network (RBFNN) and optimises its parameters with the NSGAII algorithm. The work consists of the mathematical formulation of the objective function for the underlying problem, the development of an RBFNN and the optimisation of the network parameters with the NSGAII algorithm. A special RBFNN structure is proposed and adapted to the problem. An equation for estimating a proper network size according to the simulated power plant was developed. For validating the results, a second algorithm was developed. It finds the optimal solution to the problem by brute force, meaning that it calculates every possible solution and selects the optimum. The results of both programs are compared and analysed. The results confirmed that the RBFNN is capable of approximating the objective function. However, compared to the validation method, the RBFNN ́s output could not reach the optimum of the objective function. For tasks with several power units of different characteristics, it was not possible to optimise the RBFNN ́s parameters to achieve satisfying results. The work concludes that the RBFNN can be used in a machine learning task for the same problem, but the method using an optimiser for finding the optimal RBFNN parameters proves to be computationally inefficient, while lacking transparency of the solution process.