Energija, ekonomija, ekologija, 4, XXVII (2025) (27-31 стр.)
АУТОР(И) / AUTHOR(S):Stefan Čubonović 
Aleksandar Ranković Marko Krstić
Download Full Pdf 
DOI: https://doi.org/10.46793/EEE25-4.27C
САЖЕТАК / ABSTRACT:
Ovo istraživanje nastavlja prethodne napore uložene u primeni veštačkih neuronskih mreža za predikciju snage na izlazu hidroelektrane, sa ciljem daljeg unapređenja preciznosti i robusnosti modela. U radu je fokus na implementaciji i evaluaciji kombinovanog modela koji koristi klaster analizu podataka o protoku vode kroz turbinu sa zadatim pragom i dva modela veštačkih neuronskih mreža: veštačku neuronsku mrežu sa jednosmernim prostiranjem signala (FF-ANN – feedforward artificial neural network) i rekurentnu neuronsku mrežu (RNN – recurrent neural network). Klaster analiza podataka sa zadatim pragom, koji je definisan na osnovu stabilnosti protoka, primenjena je za odabir jednog od dva predložena modela veštačkih neuronskih mreža. Na taj način osigurano je poverenje u preciznost modela i identifikovali specifični operativni uslovi hidroelektrane. Analiza obuhvata podatke prikupljene tokom različitih hidroloških ciklusa u jednoj godini, testirajući prilagodljivost predloženih modela. Rezultati ovog istraživanja obećavaju značajna poboljšanja efikasnosti prethodno kreiranog modela za predikciju snage hidroelektrane.
КЉУЧНЕ РЕЧИ / KEYWORDS:
veštačka neuronska mreža, FF-ANN, RNN, hidroelektrana, klaster analiza, protok
ПРОЈЕКАТ / ACKNOWLEDGEMENT:
Istraživanja prezentovana u ovom radu su delimično finansirana sredstvima Ministarstva nauke, tehnološkog razvoja i inovacija RS, ugovor br. 451-03-137/2025-03/200132 čiji je realizator Fakultet tehničkih nauka u Čačku – Univerziteta u Kragujevcu.
ЛИТЕРАТУРА / REFERENCES:
- Čubonović, S., Ranković, A., Krstić, M. The Application of Artificial Neural Networks for Predicting the Power Output of a Hydroelectric Power Plant , Energija, Ekonomija, Ekologija, Vol. 26, No.2, pp. 47-54, 2024. https://doi.org/10.46793/EEE24-2.47C
- Thaeer, H.A,, Mohd, H.B.S.N., Abdalla, A. Prediction of small hydropower plant power production in Himreen Lake dam (HLD) using artificial neural network, Alexandria Engineering Journal, Vol. 57, No. 1, pp. 211-221, 2018. https://doi.org/10.1016/j.aej.2016.12.011
- Renöfält, B.M., Jansson, R., Nilsson, C. Effects of hydropower generation and opportunities for environmental flow management in Swedish riverine ecosystems, Freshwater Biology, Vol. 55, No. 1, pp. 49-67, 2009. https://doi.org/10.1111/j.1365-2427.2009.02241.x
- Reed, R.D., Marks, R.J. Neural smithing: Supervised learning in Feedforward Artificial Neural Networks, IMT Press, 1999. https://doi.org/10.7551/mitpress/4937.001.0001
- Mandic, D.P., Chambers, J.A. Recurrent neural networks for prediction: Learning algorithms, architectures, and stability, Chichester: John Wiley, 2001. https://doi.org/1002/047084535X
- Jain, A.K., Murty, M.N., Flynn, P.J. Data Clustering: A Review, ACM Computing Surveys, Vol. 31, No. 3, 1999. https://doi.org/10.1145/331499.331504
- Zhang, , Guo, Q., Wang, J. Big data analysis using neural networks, Advanced Engineering Sciences, Vol. 49, No 1, pp. 9-18, 2017. https://doi.org/10.15961/j.jsuese.2017.01.002
- Aggarwal, C.C. A framework for clustering evolving data streams, in Proc. Proceedings 2003 VLDB Conference, San Francisco, pp. 81-92, 2003. https://doi.org/10.1016/B978-012722442-8/50016-1
- Gama, J., Medas, P., Castillo, G., Rodrigues, P. Learning with drift detection, in Proc. Brazilian Symposium on Artificial Intelligence – SBIA 2004, pp. 286-295, https://doi.org/10.1007/978-3-540-28645-5_29
- Baier, L., Kühl, N., Satzger, G. How to Cope with Change? Preserving Validity of Predictive Services over Time, in Proc. 52nd Hawaii International Conference on System Sciences – HICSS-52, 1085-1094, 2019.https://doi.org/10.5445/IR/1000085769
