Iva Pařízková 1 PREDIKČNÍ MODELY V TECHNOLOGII ZEVO
|
|
- Denis Marek
- před 8 lety
- Počet zobrazení:
Transkript
1 Iva Pařízková 1 PREDIKČNÍ MODELY V TECHNOLOGII ZEVO Abstrakt Hlavní podstatou stáže bylo vytvoření modelu pro predikci předávaného elektrické výkonu ve spalovně směsného komunálního odpadu ZEVO Malešice. Bylo nutné namodelovat technologické bloky, které podstatným způsobem zasahují do parního cyklu spalovny. Velké množství provozních dat umožnilo modelování pomocí lineární regrese a neuronových sítí v programu Statistica. Tento text je zaměřen právě na modelování pomocí neuronových sítí. Klíčová slova Neuronové sítě, spalovna odpadů, modelování 1 ÚVOD Stáž probíhala ve spalovně ZEVO Malešice provozované firmou Pražské služby a.s. Cílem stáže bylo vytvořit model pro predikci předávaného elektrického výkonu do přenosové soustavy. Bylo tedy nutné namodelovat pro tento účel podstatné technologické bloky. Prvním krokem byl sběr dat z provozu, jejich analýzu a filtrování (chybová data, nesmyslná data, atd.). Ačkoliv tato část práce není z publikačního hlediska zajímavá, je stěžejní pro tvorbu kvalitních modelů. K tvorbě některých modelů byla použita lineární regrese. Konkrétně se jedná o modely vlastních spotřeb páry, výkonu parní turbíny, vlastní spotřeby el. energie a další. K tvorbě modelu pro páru vyrobenou v kotlích a modelu odběru páry do firmy Laktos byly použity neuronové sítě. V konečné fázi byla u všech modelů vyhodnocena jejich kvalita a následně byly implementovány do grafického rozhraní v Excelu. V první kapitole je stručně zmíněna technologie ZEVO Malešice, následuje teorie k neuronovým sítím a v poslední kapitole jsou popsány výsledné modely. 1 Iva Pařízková, Ústav matematiky, Fakulta strojního inženýrství, Vysoké učení technické v Brně, Antonínská 548/1 Brno , y144863@stud.fme.vutbr.cz. 1
2 2 ZEVO MALEŠICE Spalovna ZEVO Malešice je největší ze tří spaloven komunálního odpadu v České Republice. Dalšími jsou SAKO Brno a Termizo Liberec. Celkem jsou české spalovny schopny zpracovat až 620 kt odpadu za rok. Následující kapitoly jsou zpracovány na základě [1] a [2]. 2.1 Historie spalování odpadu v Praze V Praze byla první spalovna postavena ve Vysočanech v letech Do provozu byla uvedena v roce Zařízení mělo 2 kotle o kapacitě 200 tun za den. Pára vzniklá při spalování se dodávala parovodem do okolních podniků a navíc zde byly instalovány 2 turbogenerátory o celkovém výkonu 10 MWe. Obr. 1: Spalovna ZEVO Malešice [3] V posledních letech provozu spalovala především uhlí a fungovala jako teplárna pro Vysočany. Provoz ukončila Nová spalovna byla uvedena do provozu v roce Její název je ZEVO Malešice (obr. 1) a leží na území Prahy 10. Zkratka ZEVO označuje zařízení pro energetické využití odpadu. Toto zařízení je provozováno společností Pražské služby a.s. a v současné době zpracovává okolo 300 kt komunálního odpadu ročně. 2.2 Energetické využití odpadu Energetické využití odpadu je moderní způsob nakládání s odpady, který nahrazuje jeho nehospodárné a neekologické ukládání na skládkách. Pára vzniklá ze spalování odpadu je využívána například k vytápění budov či výrobě elektrické energie. Energetické využití tuhého komunálního odpadu (TKO) vede k úsporám neobnovitelných zdrojů energie a surovin. Spálením tun TKO odpadu se ušetří asi tun hnědého uhlí nebo tun černého uhlí. Velkou výhodou je, že spálením se zničí choroboplodné zárodky a organické látky v odpadu. Redukce původní hmotnosti odpadu je asi na 25 % a objemu na 10 %. Vzniklou škváru lze využít ke stavebním účelům. 2
3 2.3 ZEVO Malešice Základem technologického zařízení jsou 4 kotle s válcovými rošty, přičemž každý může za hodinu spálit až 15 t tuhého komunálního odpadu (TKO) a vyrobit 36 t páry s parametry 235 C a 1,37 MPa. Běžně jsou v provozu 3 kotle. Za kotli je nejdříve nepravidelný odběr páry do firmy Laktos (běžně asi 6 t/h, maximum je 18 t/h). Zbytek páry jde na kondenzační turbínu, kde se část využívá pro výrobu tepla v CZT (neregulovaný odběr) a ze zbylé části se vyrábí elektrická energie. V zimním období, kdy je z CZT požadavek na větší teplotu páry, je nutné posílat část přes bypass, ke zvýšení parametrů páry v odběru. Zařízení disponuje rozsáhlým systémem čištění spalin. Díky tomuto systému jsou emisní limity dlouhodobě drženy asi na 10 % limitů stanovených zákony v souladu s EU. Stručné schéma je vidět na obr. 2. Obr. 2: Schéma ZEVO Malešice [4] Dodávka tepla, stejně tak i elektřiny, pokryje spotřebu zhruba pražských domácností. Ze zbytků po spalování je rovněž separována škvára a železo. Toto železo pak může být použito pro výstavbu asi 20 km železnice a škvára pro cca 12 km pozemních komunikací. 3
4 3 NEURONOVÉ SÍTĚ Modely neuronových sítí měly nejprve sloužit pouze k lepšímu pochopení naší nervové soustavy. Až později bylo zjištěno, že tyto sítě mají velmi široké uplatnění i v jiných oblastech. Dnes se hojně používají například k modelování různých dějů v technické praxi. V této práci byly neuronové sítě použity k namodelování párního výkonu kotlů a odběru páry do firmy Laktos. V této kapitole je uveden teoretický základ neuronových sítí. Části této kapitoly jsou zpracovány dle [5] a [6]. 3.1 Formální neuron Formální neuron (obr. 3), který je velmi podobný biologickému neuronu, je základním prvkem matematického modelu neuronové sítě. Obr. 3 Formální neuron [5] Do formálního neuronu vstupuje n obecně reálných vstupů x 1 x n (modelují dendrity), které jsou ohodnoceny reálnými synaptickými váhami w i w n. Výraz nazýváme vnitřní potenciál neuronu, který po dosažení prahové hodnoty h udává výstup (stav) neuronu y. Obvykle přidáváme další formální vstup x 0 = 1, jehož váha je w 0 = -h. Tuto váhu nazýváme bias. Po této úpravě je prahová hodnota h=0. Nelineární nárůst výstupní hodnoty y = σ(ξ) je dán tzv. aktivační (přenosovou) funkcí σ. Obr. 4: Ilustrace klasifikační funkce formálního neuronu [5] 4
5 Formální neuron dokáže řešit jednoduché klasifikační úlohy (viz obr. 4). Jestliže jsou vstupy x i body v rovině, pak zavedením biasu získáme nadrovinu (přímka), která dělí prostor na dvě poloroviny. Je zřejmé, že neuron klasifikuje, ve které polorovině daný bod leží. Neuron provádí tzv. dichotomii vstupního Funkce jednoho neuronu je však omezená na případy, kdy k oddělení skupin prvků stačí pouze jedna nadrovina, v opačném případě musíme použít neuronovou síť. Neuronová síť se skládá z formálních neuronů, které jsou propojeny tak, že výstup neuronu je obecně vstupem více neuronů. Počet neuronů a jejich vzájemné propojení určuje tzv. architekturu sítě. Rozlišuje vstupní, skryté a výstupní neurony. 3.2 Architektura neuronové sítě Rozlišujeme 2 typy neuronových sítí. Dopředná (acyklická) síť je charakteristická tím, že spoje mezi neurony vedou pouze z nižších vrstev do vyšších, nikoli naopak. Speciálním případem je tzv. vícevrstevná síť, kde do každého neuronu v příslušné vrstvě vede spoj z každého neuronu předcházející vrstvy. Architekturu této sítě lze zadat jen počty neuronů v jednotlivých vrstvách. Avšak řekneme-li, že síť je třívrstevná, pak to znamená, že má ve skutečnosti 4 vrstvy, jelikož platí, že vstupní vrstvu nepočítáme. Např. na obr. 5 vidíme dvouvrstevnou neuronovou síť, jejíž architektura se zadává čísly Obr. 5: Dopředná neuronová síť [7] V případě rekurentní (cyklické) sítě, existuje skupina neuronů, které jsou zapojeny v kruhu (cyklu). Nejjednodušším typem je tzv. zpětná vazba, kdy výstup neuronu je zároveň jeho vstupem. 3.3 Učení neuronové sítě Cílem učícího procesu je najít takovou konfiguraci vah, aby síť realizovala zadanou funkci co nejpřesněji (tedy aby vzniklá rezidua mezi skutečnými daty a výstupními daty ze sítě byla co nejmenší). Učení neuronové sítě je velmi složitý nelineární optimalizační proces. Existuje velké množství učících algoritmů, jejichž základem jsou dvě základní pravidla Hebbův zákon a Windrow-Hoffovo pravidlo. Základní myšlenkou Hebbova zákona je posilování vazeb u neuronů, které jsou ve stejnou chvíli aktivní. Pokud není aktivní ani jeden z dvojice propojených neuronů, vazba slábne. Je-li aktivní pouze jeden, vazba zůstává nezměněna. Je-li x j vstup do neuronu k, pak Hebbův zákon učení pro změnu váhy mezi neurony j a k můžeme zapsat takto: 5
6 kde 0 < γ < 1 udává rychlost učení. Windrow-Hoffovo pravidlo je založeno na rozdílu výstupu z neuronové sítě y k a požadované hodnoty d k. Je-li y j vstup do neuronu k, pak se váhy adaptují podle vzorce: Rozlišujeme dva základní druhy učení učení s učitelem a učení bez učitele. Učení s učitelem je založeno na použití tréninkové množiny, která obsahuje sadu vstupů a jejich výstupů. Pomocí těchto dvojic jsou upravovány váhy spojení tak, aby bylo dosaženo, co největší shody mezi výstupy z neuronové sítě a požadovanými výstupy. Na této metodě je založena například vícevrstevná perceptronová síť a její učící algoritmus Back-Propagation. V případě, že tréninková množina obsahuje jen vstupy sítě, je použito učení bez učitele. Síť si vzory organizuje do shluků a odhaduje jejich statisticky významné vlastnosti. Toto je užito například u Kohonenovy sítě. Nejrozšířenějším typem sítě je vícevrstevná perceptronová síť, která je užita asi v 80% případů všech aplikací neuronových sítí. Při učení perceptronové sítě (a nejen té) je nutné dbát na dostatečný počet učících vzorů. V případě malého počtu síť sice správně vyhodnotí vzory, ale mimo ně je chyba velká. V levé části na obr. 6 značí čerchovaná čára požadovaný průběh a plná čára ten, Obr. 6: Počet vzorů neuronové sítě [6] jenž byl získán s malým počtem vzorů. V pravé části je vzorů značně víc, a jak je vidět, síť je skutečnému průběhu velmi blízko. Problém může nastat i v případě, že zvolíme příliš velký počet skrytých neuronů. Bohužel neexistuje žádná metoda, která by dokázala určit optimální počet neuronů. 6
7 4 MODELY TVOŘENÉ POMOCÍ NEURONOVÝCH SÍTÍ Neuronové sítě byly nakonec užity k vytvoření dvou modelů modelů parního výkonu kotlů a modelu pro odběr páry do firmy Laktos. U Laktosu jsme k této možnosti přistoupili kvůli tomu, že v modelu je silná závislost na kategoriálních proměnných (čas v průběhu dne a den v týdnu). U parního výkonu kotlů to bylo z důvodů neuspokojivé kvality lineárních regresních modelů. 4.1 Model parního výkonu kotlů Model byl vytvářen pro každý kotel zvlášť, celkem tedy vznikly 4 modely. Výstupem modelu je množství páry, které v daném kotli vzniká spalováním odpadu. Faktory jako vlhkost v ovzduší a srážky nevykazovaly výraznější vliv. Na základě analýzy dat z provozu byly modely vytvářeny v závislosti na výkonu v minulých dnech. Kotel musí být například pravidelně odstavován z důvodu ucpávání katalyzátoru. Jak je vidět na obr. 7, této odstávce vždy předchází pokles množství produkované páry. Červený kroužek na tomtéž obrázku označuje odstávku z plného provozu, která se provádí z důvodu jiné technické poruchy na zařízení bloku. Protože se v tomto případě jedná o nestandardní situaci, kterou nelze předpovídat, tyto havarijní stavy nejsou v modelu zahrnuty. Jelikož se předpověď dělá den dopředu v dopoledních hodinách, nelze stav z tohoto Obr. 7: Odstávky kotle 1 dne použít jako vstup do modelu. Model je tedy vytvořen v závislosti na průměrném množství páry vyrobené dva, tři a čtyři dny zpět (tedy např. v případě modelu na úterý je to neděle, sobota a pátek). 7
8 Tabulka 1: Globální analýza citlivosti Sítě dva Tři čtyři 1. MLP , , , MLP , , , MLP , , , MLP , , , MLP , , , Průměr 3, , , Dle analýzy globální citlivosti (Tabulka 1), která vypovídá o tom, jak důležité jsou jednotlivé faktory, má největší váhu stav dva dny zpět. Vliv tří a čtyř dnů dozadu však taky není zanedbatelný. Čím má daný faktor vyšší hodnotu, tím je důležitější. Faktory, které mají hodnotu menší než jedna, nejsou v dané síti důležité a mohou dokonce její výsledky zhoršovat [9]. Kvalita modelu byla stejně jako u regresních modelů hodnocena zejména podle koeficientu korelace R a průměrné absolutní chyby (MAE), která se počítá podle vztahu:. V následující tabulce jsou uvedeny výsledky pro jednotlivé kotle. Tabulka 2: modely kotlů Lineární regrese Neuronová síť MAE [t/h] R MAE [t/h] R 1. kotel 0,94 0,74 0,83 0,8 2. kotel 1,14 0,77 1,05 0,78 3. kotel 0,72 0,66 0,65 0,74 4. kotel 0,78 0,92 0,79 0,9 Podle tabulky 2 je vidět, že neuronová síť dává lepší predikci než lineární regresní analýza. Další přínos je ve schopnosti neuronové sítě dobře kopírovat kolísavý trend kotlů, jak je vidět na obr. 8, kde modrá křivka značí průběh skutečných dat a červená byla získána z neuronové sítě. 8
9 Obr. 8 spojnicový graf kotle Model Laktos Odběr ostré pár do firmy Laktos probíhá přes dvě parovodní potrubí, ozn. DN150 a DN200. Tento odběr je značně nepravidelný. Více páry se odebírá například v ranních hodinách či v zimním období, kdy je nižší venkovní teplota. Kvůli závislosti na na velkém množství kategoriálních proměnných (dny, hodiny) bylo přistoupeno k modelování pomocí neuronových sítí. Pára odváděná do firmy Laktos je tedy funkcí spojité proměnné venkovní teplota a kategoriálních proměnných den v týdnu a hodina v průběhu dne. Vyzkoušena byla taky regresní analýza v závislosti na teplotě po jednotlivých hodinách a jednotlivých dnech. Tyto modely však nepřinesly ani zdaleka takové výsledky jako neuronová síť. Kvalita byla stejně jako u předchozího modelu posuzována dle koeficientu korelace a MAE. Koeficient korelace u výsledné neuronové sítě R 0,9 a MAE 0,9 t/h. 9
10 4.3 Jak vzniká neuronová síť ve Statistice Analýza neuronové sítě se ukrývá v položce Data Mining. Zde po kliknutí na Automatizované neuronové sítě se objeví tabulka, kde si uživatel může zvolit, zda chce Obr. 9 SANN provádět regresní analýzu, klasifikaci či shlukovou analýzu (obr. 9). Po kliknutí na tlačítko OK uživatel zvolí cílové proměnné a predikátory (kategoriální a spojité). V další nabídce (obr. 10) volíme požadované vlastnosti neuronové sítě (počty skrytých neuronů, počet Obr. 11 SANN 2 trénovaných sítí, aktivační funkce a další). Po zvolení tlačítka Trénovat následuje různě dlouhý čas, kdy se trénují jednotlivé sítě. Poté si z výsledkového dialogu (obr. 11) necháme vypsat námi požadované údaje (zejména v sekci Predikce a Detaily). 10
11 Jak již bylo zmíněno výše, dobrým ukazatelem síly jednotlivých faktorů je globální analýza citlivosti. Jejím omezením ovšem je, že ji lze použít pouze tehdy, když se v modelu nevyskytují kategoriální proměnné. V tomto případě lze použít lokální analýzu citlivosti. Obě analýzy najdeme ve výsledkovém dialogu v sekci Detaily. Obr. 11 SANN 3 5 ZÁVĚR Stáž ve spalovně ZEVO Malešice byla velkým přínosem. Umožnila mi získat mnoho nových znalostí z oblasti regresní analýzy, neuronových sítí a technologie ve spalovně. Největší přínos však vidím ve zkušenosti s praktickým užitím těchto nástrojů v modelování konkrétního problému v technické praxi. Tím, že jsem se práce na modelu účastnila od počáteční, přípravné fáze až do konce, jsem poznala, že matematické modelování je jen malá část celého procesu a že stejně důležitý je i sběr dat a jejich důkladná analýza. Výsledkem práce, a tedy přínosem pro zařízení ZEVO Malešice jsou predikční modely, které lze využít při plánování výroby tepla a elektřiny. Dalším krokem logickým krokem je implementace do simulačního nástroje ve vhodném softwarovém prostředí. 11
12 Poděkování Příspěvek byl realizován za finančního přispění Evropské unie v rámci projektu Partnerství v oblasti energetiky, č. projektu: CZ.1.07/2.4.00/ Literatura [1] Přispěvatelé Wikipedie. Spalovna. Wikipedie: Otevřená encyklopedie [online]. [citováno ]. Dostupné z: [2] Pražské služby a. s. Energetické využívání odpadu. Pražské služby [online]. [citováno ]. Dostupné z: [3] Ekolist.cz. Spalovna Malešice. Ekolist.cz [online]. [citováno ]. Dostupné z: [4] VSCHT. Spalovna Malešice. Vysoká škola chemicko-technologická v Praze [online]. [citováno ]. Dostupné z: [5] ŠÍMA, Jiří, Roman NERUDA. Teoretické otázky neuronových sítí. 1. vydání. Praha: MatfyzPress, ISBN [6] KRÖSE, Ben, Patrick van der SMAGT. An introduction to Neural Network. The University of Amsterdam: [7] ARTINT. Neuronová síť. ARINT[online]. [citováno ]. Dostupné z: Keywords MODELS FOR PREDICTION IN WTE TECHNOLOGY Incinerator, neural network, prediction of electricity generation for export Summary The purpose of my intership was create a model for prediction of electricity generation for export and about it is the text above. In the beginning of this text is theory of neural network. The next part is about models (boilers, steam extraction for external technology), which was created with application of neural network in software Statistica. In the end of this chapter is short section about creation of neural network in Statistica. 12
František Janošťák 1 LINEÁRNÍ REGRESNÍ MODELY PRO PREDIKCI V TECHNOLOGII ZEVO
František Janošťák 1 LINEÁRNÍ REGRESNÍ MODELY PRO PREDIKCI V TECHNOLOGII ZEVO Abstrakt Hlavní podstatou tohoto článku je stručně seznámit čtenáře s modelováním výroby elektrické energie na kondenzační
VíceNeuronové časové řady (ANN-TS)
Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci
Více5. Umělé neuronové sítě. Neuronové sítě
Neuronové sítě Přesný algoritmus práce přírodních neuronových systémů není doposud znám. Přesto experimentální výsledky na modelech těchto systémů dávají dnes velmi slibné výsledky. Tyto systémy, včetně
VícePV021: Neuronové sítě. Tomáš Brázdil
1 PV021: Neuronové sítě Tomáš Brázdil Cíl předmětu 2 Na co se zaměříme Základní techniky a principy neuronových sítí (NS) Přehled základních modelů NS a jejich použití Co si (doufám) odnesete Znalost základních
VíceMatematické modely v procesním inženýrství
Matematické modely v procesním inženýrství Věda pro praxi OP VK CZ.1.07/2.3.00/20.0020 Michal Touš AMathNet, Pavlov, 6. - 8. 6. 2011 Osnova 1. Procesní inženýrství co si pod tím představit? 2. Matematické
VíceVytěžování znalostí z dat
Pavel Kordík, Josef Borkovec (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 8 1/26 Vytěžování znalostí z dat Pavel Kordík, Josef Borkovec Department of Computer Systems Faculty of Information
VíceVyužití neuronové sítě pro identifikaci realného systému
1 Portál pre odborné publikovanie ISSN 1338-0087 Využití neuronové sítě pro identifikaci realného systému Pišan Radim Elektrotechnika 20.06.2011 Identifikace systémů je proces, kdy z naměřených dat můžeme
VíceAlgoritmy a struktury neuropočítačů ASN - P11
Aplikace UNS při rozpoznání obrazů Základní úloha segmentace obrazu rozdělení obrazu do několika významných oblastí klasifikační úloha, clusterová analýza target Metody Kohonenova metoda KSOM Kohonenova
VíceOdpadové hospodá ství a projekt Odpadové hospodá ství Brno. RNDr. Jana Suzová, Ing. Václav Hnaní ek
Konference projektu ClimactRegions Energetické využití odpad Staré M sto, 11. prosinec 2012 Odpadové hospodá ství a projekt Odpadové hospodá ství Brno RNDr. Jana Suzová, Ing. Václav Hnaní ek Nakládání
VíceAmbasadoři přírodovědných a technických oborů. Ing. Michal Řepka Březen - duben 2013
Ambasadoři přírodovědných a technických oborů Ing. Michal Řepka Březen - duben 2013 Umělé neuronové sítě Proč právě Neuronové sítě? K čemu je to dobré? Používá se to někde v praxi? Úvod Umělé neuronové
VíceDNY TEPLÁRENSTVÍ A ENERGETIKY
Hradec Králové 2015 DNY TEPLÁRENSTVÍ A ENERGETIKY Centrální zásobování teplem a spalovny komunálních odpadů doc. Ing. Zdeněk Skála, CSc Ing. Jiří Moskalík, Ph.D. Obsah Vznik a členění produkovaných odpadů
VíceTrénování sítě pomocí učení s učitelem
Trénování sítě pomocí učení s učitelem! předpokládá se, že máme k dispozici trénovací množinu, tj. množinu P dvojic [vstup x p, požadovaný výstup u p ]! chceme nastavit váhy a prahy sítě tak, aby výstup
VícePříprava a realizace projektu ODPADOVÉ HOSPODÁŘSTVÍ BRNO. Václav Hnaníček, vedoucí projektu SAKO Brno, a.s.
Příprava a realizace projektu ODPADOVÉ HOSPODÁŘSTVÍ BRNO Václav Hnaníček, vedoucí projektu SAKO Brno, a.s. Obsah Základní informace o projektu Příprava projektu Realizační fáze Rady a doporučení Konečný
Více3. Vícevrstvé dopředné sítě
3. Vícevrstvé dopředné sítě! Jsou tvořeny jednou nebo více vrstvami neuronů (perceptronů). Výstup jedné vrstvy je přitom připojen na vstup následující vrstvy a signál se v pracovní fázi sítě šíří pouze
VíceAlgoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů)
Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů) Autor: Vladimir Vapnik Vapnik, V. The Nature of Statistical Learning Theory.
VíceANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT. Institut biostatistiky a analýz
ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík,, CSc. NEURONOVÉ SÍTĚ otázky a odpovědi 1 AKD_predn4, slide 8: Hodnota výstupu závisí na znaménku funkce net i, tedy na tom, zda bude suma
VícePředpovídejte snadno a rychle
Předpovídejte snadno a rychle Newsletter Statistica ACADEMY Téma: Časové řady, exponenciální vyrovnávání Typ článku: Příklad Dnes se budeme zabývat situací, kdy chceme předpovídat, jak se bude v čase vyvíjet
VíceObr. P1.1 Zadání úlohy v MS Excel
Přílohy Příloha 1 Řešení úlohy lineárního programování v MS Excel V této příloze si ukážeme, jak lze řešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel. Výpočet budeme demonstrovat
VíceČástka 128. VYHLÁŠKA ze dne 16. listopadu 2010 o stanovení minimální účinnosti užití energie při výrobě elektřiny a tepelné energie
Strana 4772 Sbírka zákonů č.349 / 2010 349 VYHLÁŠKA ze dne 16. listopadu 2010 o stanovení minimální účinnosti užití energie při výrobě elektřiny a tepelné energie Ministerstvo průmyslu a obchodu (dále
VíceMĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ
MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ v praxi u jednoho prvku souboru se často zkoumá více veličin, které mohou na sobě různě záviset jednorozměrný výběrový soubor VSS X vícerozměrným výběrovým souborem VSS
VíceAlgoritmy a struktury neuropočítačů ASN - P10. Aplikace UNS v biomedicíně
Aplikace UNS v biomedicíně aplikace v medicíně postup při zpracování úloh Aplikace UNS v medicíně Důvod: nalezení exaktnějších, levnějších a snadnějších metod určování diagnóz pro lékaře nalezení šetrnějších
VíceStrana 1 / /2012 Sb. VYHLÁŠKA. ze dne 20. prosince o energetickém auditu a energetickém posudku
480/01 Sb. VYHLÁŠKA ze dne 0. prosince 01 o energetickém auditu a energetickém posudku Ministerstvo průmyslu a obchodu stanoví podle 14 odst. 4 zákona č. 406/000 Sb., o hospodaření energií, ve znění zákona
VícePřítomnost a budoucnost společnosti SAKO Brno, a.s.
Přítomnost a budoucnost společnosti SAKO Brno, a.s. v systému nakládání s komunáln lními odpady v regionu Jihomoravského kraje Ing. Karel Peroutka, RNDr. Jana Suzová NEAPOL dlouhodobé neřešen ení problému
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VícePRAŽSKÉ SLUŽBY, a.s. PREZENTACE SPOLEČNOSTI
PRAŽSKÉ SLUŽBY, a.s. PREZENTACE SPOLEČNOSTI ŽIVOTNÍ CYKLUS ODPADU PRAŽSKÉ SLUŽBY, a. s. OLYMPIK - 06. 11. 2008 Životní cyklus odpadu Odpad je každá movitá věc, které se osoba zbavuje nebo má úmysl nebo
VíceEnergetické využití odpadů. Ing. Michal Jirman
Energetické využití odpadů Ing. Michal Jirman KOGENERAČNÍ BLOKY A SPALOVÁNÍ ODPADŮ Propojení problematiky odpadů, ekologie a energetiky Pozitivní dopady na zlepšení životního prostředí Efektivní výroba
VíceK možnostem krátkodobé předpovědi úrovně znečištění ovzduší statistickými metodami. Josef Keder
K možnostem krátkodobé předpovědi úrovně znečištění ovzduší statistickými metodami Josef Keder Motivace Předpověď budoucí úrovně znečištění ovzduší s předstihem v řádu alespoň několika hodin má význam
VíceNeuronové sítě. 1 Úvod. 2 Historie. 3 Modely neuronu
Neuronové sítě L. Horký*, K. Břinda** Fakulta jaderná a fyzikálně inženýrská, Břehová 7, 115 19 Praha 1 *horkyladislav@seznam.cz, **brinda@fjfi.cvut.cz Abstrakt Cílem našeho příspěvku je získat uživatelský
VíceNeuronové sítě Ladislav Horký Karel Břinda
Neuronové sítě Ladislav Horký Karel Břinda Obsah Úvod, historie Modely neuronu, aktivační funkce Topologie sítí Principy učení Konkrétní typy sítí s ukázkami v prostředí Wolfram Mathematica Praktické aplikace
VíceNakládání s odpady v Brně
Nakládání s odpady v Brně Ing. Jiří Kratochvil ředitel akciové společnosti Představení společnosti Představení společnosti Nakládání s odpady PŘEDCHÁZENÍ VZNIKU ODPADU OPĚTOVNÉ VYUŽITÍ MATERIÁLOVÉ VYUŽITÍ
VíceYou created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com)
Závislost náhodných veličin Úvod Předchozí přednášky: - statistické charakteristiky jednoho výběrového nebo základního souboru - vztahy mezi výběrovým a základním souborem - vztahy statistických charakteristik
VíceModerní systémy pro získávání znalostí z informací a dat
Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:
VíceKombinovaná výroba elektřiny a tepla v roce 2008
Energetická statistika Kombinovaná výroba a tepla v roce 2008 Výsledky statistického zjišťování duben 2010 Oddělení surovinové a energetické statistiky Impressum oddělení surovinové a energetické statistiky
VíceProblémy navrhování a provozu tepelných sítí. Jan Havelka, Jan Švec
Problémy navrhování a provozu tepelných sítí Jan Havelka, Jan Švec Obsah prezentace Úvod Příklady úloh řešených na parních sítích Příklady úloh řešených na vodních sítích Stručné představení softwaru MOP
VíceIng. David Kupka, Ph.D. Řešeno v rámci projektu Nakládání s odpady v Moravskoslezském a Žilinském kraji
Ing. David Kupka, Ph.D. Řešeno v rámci projektu Nakládání s odpady v Moravskoslezském a Žilinském kraji Nakládání s odpady Předcházení vzniku Opětovné použití Materiálově využití by mělo být upřednostněno
VíceNeuronové sítě v DPZ
Univerzita J. E. Purkyně v Ústí nad Labem Fakulta životního prostředí Neuronové sítě v DPZ Seminární práce z předmětu Dálkový průzkum Země Vypracovali: Jan Lantora Rok: 2006 Zuzana Vašková Neuronové sítě
VíceGRAFICKÉ ŘEŠENÍ ROVNIC A JEJICH SOUSTAV
GRAFICKÉ ŘEŠENÍ ROVNIC A JEJICH SOUSTAV Mgr. Jitka Nováková SPŠ strojní a stavební Tábor Abstrakt: Grafické řešení rovnic a jejich soustav je účinná metoda, jak vysvětlit, kolik různých řešení může daný
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
VíceTéma 9: Vícenásobná regrese
Téma 9: Vícenásobná regrese 1) Vytvoření modelu V menu Statistika zvolíme nabídku Vícerozměrná regrese. Aktivujeme kartu Detailní nastavení viz obr.1. Nastavíme Proměnné tak, že v příslušném okně viz.
VíceDiagnostika regrese pomocí grafu 7krát jinak
StatSoft Diagnostika regrese pomocí grafu 7krát jinak V tomto článečku si uděláme exkurzi do teorie regresní analýzy a detailně se podíváme na jeden jediný diagnostický graf. Jedná se o graf Předpovědi
VícePřílohy. Příloha 1. Obr. P1.1 Zadání úlohy v MS Excel
Přílohy Příloha 1 Řešení úlohy lineárního programování v MS Excel V této příloze si ukážeme, jak lze řešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel 2007. Výpočet budeme demonstrovat
VíceÚvod do optimalizace, metody hladké optimalizace
Evropský sociální fond Investujeme do vaší budoucnosti Úvod do optimalizace, metody hladké optimalizace Matematika pro informatiky, FIT ČVUT Martin Holeňa, 13. týden LS 2010/2011 O čem to bude? Příklady
VíceAlgoritmy a struktury neuropočítačů ASN P4. Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby
Algoritmy a struktury neuropočítačů ASN P4 Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby Vrstevnatá struktura - vícevrstvé NN (Multilayer NN, MLNN) vstupní vrstva (input layer)
VíceFLUIDNÍ KOTLE. Fluidní kotel na biomasu(parní) parní výkon 16 150 t/h tlak páry 1,4 10 MPa teplota páry 220 540 C. Fluidní kotel
FLUIDNÍ KOTLE Osvědčená technologie pro spalování paliv na pevném roštu s fontánovou fluidní vrstvou. Možnost spalování široké palety spalování pevných paliv s velkým rozpětím výhřevnosti uhlí, biomasy
VíceModelování a simulace Lukáš Otte
Modelování a simulace 2013 Lukáš Otte Význam, účel a výhody MaS Simulační modely jsou nezbytné pro: oblast vědy a výzkumu (základní i aplikovaný výzkum) analýzy složitých dyn. systémů a tech. procesů oblast
VíceNG C Implementace plně rekurentní
NG C Implementace plně rekurentní neuronové sítě v systému Mathematica Zdeněk Buk, Miroslav Šnorek {bukz1 snorek}@fel.cvut.cz Neural Computing Group Department of Computer Science and Engineering, Faculty
VíceFORTANNS. havlicekv@fzp.czu.cz 22. února 2010
FORTANNS manuál Vojtěch Havlíček havlicekv@fzp.czu.cz 22. února 2010 1 Úvod Program FORTANNS je software určený k modelování časových řad. Kód programu má 1800 řádek a je napsán v programovacím jazyku
VícePARNÍ KOTEL, JEHO FUNKCE A ZAČLENĚNÍ V PROCESU ENERGETICKÉHO VYUŽITÍ PRŮMYSLOVÝCH A KOMUNÁLNÍCH ODPADŮ
Energetické využití odpadů PARNÍ KOTEL, JEHO FUNKCE A ZAČLENĚNÍ V PROCESU ENERGETICKÉHO VYUŽITÍ PRŮMYSLOVÝCH A KOMUNÁLNÍCH ODPADŮ komunální a průmyslové odpady patří do kategorie tzv. druhotných energetických
VíceSOLVER UŽIVATELSKÁ PŘÍRUČKA. Kamil Šamaj, František Vižďa Univerzita obrany, Brno, 2008 Výzkumný záměr MO0 FVT0000404
SOLVER UŽIVATELSKÁ PŘÍRUČKA Kamil Šamaj, František Vižďa Univerzita obrany, Brno, 2008 Výzkumný záměr MO0 FVT0000404 1. Solver Program Solver slouží pro vyhodnocení experimentálně naměřených dat. Základem
Vícelní vývoj v ČR Biomasa aktuáln pevnými palivy 2010 Ing. Jan Koloničný, ný, Ph.D. Mgr. Veronika Hase 3.11. 4.11.2010 v Hotelu Skalní mlýn
Biomasa aktuáln lní vývoj v ČR Ing. Jan Koloničný, ný, Ph.D. Mgr. Veronika Hase Seminář: Technologické trendy při vytápění pevnými palivy 2010 3.11. 4.11.2010 v Hotelu Skalní mlýn Výroba elektřiny z biomasy
Více3. Optimalizace pomocí nástroje Řešitel
3. Optimalizace pomocí nástroje Řešitel Rovnováha mechanické soustavy Uvažujme dvě různé nehmotné lineární pružiny P 1 a P 2 připevněné na pevné horizontální tyči splývající s osou x podle obrázku: (0,0)
VíceStatSoft Úvod do neuronových sítí
StatSoft Úvod do neuronových sítí Vzhledem k vzrůstající popularitě neuronových sítí jsme se rozhodli Vám je v tomto článku představit a říci si něco o jejich využití. Co si tedy představit pod pojmem
VíceUES: Softwarová optimalizace v oblasti výroby elektřiny a tepla
UES: Softwarová optimalizace v oblasti výroby elektřiny a tepla Bystrá, Liptovský Ján, Slovensko, 18.-20.5.2004 Jáchym Vohryzek Optimalizace a procesní řízení SW řešení: Pokročilé řízení/ Optimalizace
VíceEmergence chování robotických agentů: neuroevoluce
Emergence chování robotických agentů: neuroevoluce Petra Vidnerová, Stanislav Slušný, Roman Neruda Ústav Informatiky, AV ČR Kognice a umělý život VIII Praha 28. 5. 2008 Evoluční robotika: EA & neuronové
VíceCvičení ze statistiky - 3. Filip Děchtěrenko
Cvičení ze statistiky - 3 Filip Děchtěrenko Minule bylo.. Dokončili jsme základní statistiky, typy proměnných a začali analýzu kvalitativních dat Tyhle termíny by měly být známé: Histogram, krabicový graf
VíceSSOS_ZE_3.14 Spalovny komunálního odpadu
Číslo a název projektu Číslo a název šablony DUM číslo a název CZ.1.07/1.5.00/34.0378 Zefektivnění výuky prostřednictvím ICT technologií III/2 - Inovace a zkvalitnění výuky prostřednictvím ICT SSOS_ZE_3.14
VícePOZNÁMKY K PŘEDMĚTU PROJEKT
POZNÁMKY K PŘEDMĚTU PROJEKT Ing. Ivo Bukovský, Ph.D. http://www.fsid.cvut.cz/~bukovsk/ Obsah KOMENTÁŘE K MODELOVÁNÍ A ANALÝZE SYSTÉMŮ...2 ZADÁNÍ...5 1 Bio...5 1.1 Teoretická část (umělá data)...5 1.2 Praktická
VíceAutomatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011
Automatická detekce anomálií při geofyzikálním průzkumu Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Cíle doktorandské práce Seminář 10. 11. 2010 Najít, implementovat, ověřit a do praxe
VícePŘÍLOHA A. Novohradská 3 370 01 České Budějovice
PŘÍLOHA A Technicko-ekonomický propočet k ekonomické části Studie proveditelnosti Chotíkov porovnání variant závodů na využití tuhého komunálního odpadu s kapacitou 60.000 tun za rok Novohradská 3 370
VíceÚLOHA S2 STATICKÁ CHARAKTERISTIKA KONDENZÁTORU BRÝDOVÝCH PAR
VYSOKÁ ŠKOLA CHEMICKO-TECHNOLOGICKÁ V PRAZE Ústav počítačové a řídicí techniky Ústav fyziky a měřicí techniky LABORATOŘ OBORU IIŘP ÚLOHA S2 STATICKÁ CHARAKTERISTIKA KONDENZÁTORU BRÝDOVÝCH PAR Zpracoval:
VíceReálné gymnázium a základní škola města Prostějova Školní vzdělávací program pro ZV Ruku v ruce
2 MATEMATIKA A JEJÍ APLIKACE UČEBNÍ OSNOVY 2. 2 Cvičení z matematiky Časová dotace 7. ročník 1 hodina 8. ročník 1 hodina 9. ročník 1 hodina Charakteristika: Předmět cvičení z matematiky doplňuje vzdělávací
VíceUmělé neuronové sítě
Umělé neuronové sítě 17. 3. 2018 5-1 Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce 5-2 Neuronové aktivační
VíceSTATISTICA Téma 8. Regresní a korelační analýza, regrese prostá
STATISTICA Téma 8. Regresní a korelační analýza, regrese prostá 1) Lineární i nelineární regrese prostá, korelace Naeditujeme data viz obr. 1. Obr. 1 V menu Statistika zvolíme submenu Pokročilé lineární/nelineární
VíceExperimentální realizace Buquoyovy úlohy
Experimentální realizace Buquoyovy úlohy ČENĚK KODEJŠKA, JAN ŘÍHA Přírodovědecká fakulta Univerzity Palackého, Olomouc Abstrakt Tato práce se zabývá experimentální realizací Buquoyovy úlohy. Jedná se o
VíceTeplárenské cykly ZVYŠOVÁNÍ ÚČINNOSTI. Pavel Žitek
Teplárenské cykly ZVYŠOVÁNÍ ÚČINNOSTI 1 Zvyšování účinnosti R-C cyklu ZÁKLADNÍ POJMY Tepelná účinnost udává, jaké množství vloženého tepla se podaří přeměnit na užitečnou práci či elektrický výkon; vypovídá
VíceNejprve si uděláme malé opakování z kurzu Množiny obecně.
@021 3. Řešení grafické přímka v kartézské soustavě souřadnic Nejprve si uděláme malé opakování z kurzu Množiny obecně. Rovnice ax + by + c = 0, kde aspoň jedno z čísel a,b je různé od nuly je v kartézské
VícePrimární a sekundární odpady pro WtE M. Pavlas, R. Šomplák, J. Gregor, J. Kropáč, V. Nevrlý, P. Stehlík
Primární a sekundární odpady pro WtE M. Pavlas, R. Šomplák, J. Gregor, J. Kropáč, V. Nevrlý, P. Stehlík Ústav procesního inženýrství, Fakulta strojního inženýrství, Vysoké učení technické v Brně 2 Sofistikované
VíceMatematika - Kvarta. řeší ekvivalentními úpravami rovnice s neznámou ve jmenovateli
- Kvarta Matematika Výchovné a vzdělávací strategie Kompetence k řešení problémů Kompetence komunikativní Kompetence sociální a personální Kompetence občanská Kompetence k učení Kompetence pracovní Učivo
VíceSMĚRNICE O PRŮMYSLOVÝCH EMISÍCH PŘECHODNÉ OBDOBÍ PRO TEPLÁRNY
Ochrana ovzduší ve státní správě - teorie a praxe VII SMĚRNICE O PRŮMYSLOVÝCH EMISÍCH PŘECHODNÉ OBDOBÍ PRO TEPLÁRNY Ing. Martin Hájek, Ph.D. ředitel výkonného pracoviště 9. listopadu 2011, Hustopeče Představení
VíceNeuronové sítě (11. přednáška)
Neuronové sítě (11. přednáška) Machine Learning Naučit stroje se učit O co jde? Máme model výpočtu (t.j. výpočetní postup jednoznačně daný vstupy a nějakými parametry), chceme najít vhodné nastavení parametrů,
VíceModelové řešení revitalizace průmyslových regionů a území po těžbě uhlí na příkladu Podkrušnohoří
Univerzita J. E. Purkyně, Fakulta životního prostředí Registrační číslo projektu: MMR WD-44-07-1 Modelové řešení revitalizace průmyslových regionů a území po těžbě uhlí na příkladu Podkrušnohoří Závěrečná
VíceKRAJSKÉ INTEGROVANÉ CENTRUM VYUŽÍVÁNÍ KOMUNÁLNÍCH ODPADŮ PRO MORAVSKOSLEZSKÝ KRAJ
KRAJSKÉ INTEGROVANÉ CENTRUM VYUŽÍVÁNÍ KOMUNÁLNÍCH ODPADŮ PRO MORAVSKOSLEZSKÝ KRAJ Plánovaný projekt v rámci optimalizace krajského systému integrovaného systému nakládání s komunálním odpadem Obsah krajský
VícePowerOPTI Řízení účinnosti tepelného cyklu
PowerOPTI Řízení účinnosti tepelného cyklu VIZE Zvýšit konkurenceschopnost provozovatelů elektráren a tepláren. Základní funkce: Spolehlivé hodnocení a řízení účinnosti tepelného cyklu, včasná diagnostika
VíceZPRACOVÁNÍ A ENERGETICKÉ VYUŽITÍ ODPADŮ V REGIONECH A MIKROREGIONECH
ZPRACOVÁNÍ A ENERGETICKÉ VYUŽITÍ ODPADŮ V REGIONECH A MIKROREGIONECH Petr Stehlík Vysoké učení technické v Brně Ústav procesního a ekologického inženýrství NETME Centre Obsah Úvod Koncepční a komplexní
VíceODPADY 2014 a jak dál aneb budeme mít maskované spalovny?
MBÚ + RDF CHCEME TO? ODPADY 2014 a jak dál aneb budeme mít maskované spalovny? 24. dubna 2014 Jiřina Vyštejnová, Envifinance s.r.o. MBÚ nebo EVO? Obecné srovnávání MBÚ nebo EVO je zavádějící. Lze hodnotit
VíceAlgoritmy a struktury neuropočítačů ASN - P1
Algoritmy a struktury neuropočítačů ASN - P1 http://amber.feld.cvut.cz/ssc www.janatuckova.cz Prof.Ing. Jana Tučková,CSc. Katedra teorie obvodů K331 kancelář: 614, B3 tel.: 224 352 098 e-mail: tuckova@fel.cvut.cz
VíceMetoda Monte Carlo a její aplikace v problematice oceňování technologií. Manuál k programu
Metoda Monte Carlo a její aplikace v problematice oceňování technologií Manuál k programu This software was created under the state subsidy of the Czech Republic within the research and development project
VíceModerní kotelní zařízení
Vysoká škola báňská Technická univerzita Ostrava Fakulta strojní Katedra energetiky Moderní kotelní zařízení Text byl vypracován s podporou projektu CZ.1.07/1.1.00/08.0010 Inovace odborného vzdělávání
Víceanalytické geometrie v prostoru s počátkem 18. stol.
4.. Funkce více proměnných, definice, vlastnosti Funkce více proměnných Funkce více proměnných se v matematice začal používat v rámci rozvoje analtické geometrie v prostoru s počátkem 8. stol. I v sami
VícePříprava výstavby ZEVO v Kraji Vysočina Zdeněk Chlád
Příprava výstavby ZEVO v Kraji Vysočina Zdeněk Chlád radní pro oblast životního prostředí Kraje Vysočina Historie ISNOV Historické důvody řešení ISNOV trvalé neplnění cílů Plánu odpadového hospodářství
Vícevýrobní faktory peněžní vyjádření Výnosy Klasifikace vstupů ekonomické analýzy Roční produkce Diagramy odběru
Klasifikace vstupů ekonomické analýzy výrobní faktory kapitál, práce a přírodní zdroje peněžní vyjádření Výnosy Energetické výrobny získávají výnosy prodejemzboží a služeb elektřina teplo Roční výnos se
VícePožadavky k opravným zkouškám z matematiky školní rok 2013-2014
Požadavky k opravným zkouškám z matematiky školní rok 2013-2014 1. ročník (první pololetí, druhé pololetí) 1) Množiny. Číselné obory N, Z, Q, I, R. 2) Absolutní hodnota reálného čísla, intervaly. 3) Procenta,
VíceU Úvod do modelování a simulace systémů
U Úvod do modelování a simulace systémů Vyšetřování rozsáhlých soustav mnohdy nelze provádět analytickým výpočtem.často je nutné zkoumat chování zařízení v mezních situacích, do kterých se skutečné zařízení
VíceÚvod do problematiky. Možnosti energetického využití biomasy
Úvod do problematiky Možnosti energetického využití biomasy Cíle Uvést studenta do problematiky energetického využití biomasy Klíčová slova Biomasa, energie, obnovitelný zdroj 1. Úvod Biomasa představuje
VíceOperační výzkum. Síťová analýza. Metoda CPM.
Operační výzkum Síťová analýza. Metoda CPM. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky a managementu Registrační číslo
VíceObsah. Předmluva 13. O autorovi 15. Poděkování 16. O odborných korektorech 17. Úvod 19
Předmluva 13 O autorovi 15 Poděkování 16 O odborných korektorech 17 Úvod 19 Co kniha popisuje 19 Co budete potřebovat 20 Komu je kniha určena 20 Styly 21 Zpětná vazba od čtenářů 22 Errata 22 KAPITOLA 1
VíceNázev školy. Moravské gymnázium Brno s.r.o. Mgr. Marie Chadimová Mgr. Věra Jeřábková. Autor
Číslo projektu CZ.1.07/1.5.00/34.0743 Název škol Moravské gmnázium Brno s.r.o. Autor Tematická oblast Mgr. Marie Chadimová Mgr. Věra Jeřábková Matematika. Funkce. Definice funkce, graf funkce. Tet a příklad.
VíceODBORNÉ VZDĚLÁVÁNÍ ÚŘEDNÍKŮ PRO VÝKON STÁTNÍ SPRÁVY OCHRANY OVZDUŠÍ V ČESKÉ REPUBLICE. Spalování paliv - Kotle Ing. Jan Andreovský Ph.D.
ODBORNÉ VZDĚLÁVÁNÍ ÚŘEDNÍKŮ PRO VÝKON STÁTNÍ SPRÁVY OCHRANY OVZDUŠÍ V ČESKÉ REPUBLICE Spalování paliv - Kotle Ing. Jan Andreovský Ph.D. Kotle Emisní zátěž Praktický příklad porovnání emisní zátěže a dalších
VíceNOVÉ MOŽNOSTI ŘÍZENÍ VÝROBY TEPELNÉ ENERGIE
NOVÉ MOŽNOSTI ŘÍZENÍ VÝROBY TEPELNÉ ENERGIE J. Šípal Velmi aktuálním a často diskutovaným tématem je zvyšující se spotřeba energií. Hledají se nové zdroje energie i nové způsoby úspor všech forem energie.
VíceVYHLÁŠKA ze dne 21. ledna 2016 o elektřině z vysokoúčinné kombinované výroby elektřiny a tepla a elektřině z druhotných zdrojů
Strana 394 Sbírka zákonů č. 37 / 2016 37 VYHLÁŠKA ze dne 21. ledna 2016 o elektřině z vysokoúčinné kombinované výroby elektřiny a tepla a elektřině z druhotných zdrojů Ministerstvo průmyslu a obchodu stanoví
VícePříloha č. 8 Energetický posudek
Příloha č. 8 Energetický posudek ÚVOD Povinnou přílohou plné žádosti podle znění 1. výzvy je energetický posudek, který podle platné legislativy účinné od 1. 7. 2015 bude požadován pro posouzení proveditelnosti
VíceP ílohy. P íloha 1. ešení úlohy lineárního programování v MS Excel
P ílohy P íloha 1 ešení úlohy lineárního programování v MS Excel V této p íloze si ukážeme, jak lze ešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel 2007. Výpočet budeme demonstrovat
VíceVÝZKUMNÉ ENERGETICKÉ CENTRUM
VÝZKUMNÉ ENERGETICKÉ CENTRUM VŠB Technická univerzita Ostrava EMISNÉ ZAŤAŽENIE ŽIVOTNÉHO PROSTREDIA, 11. 12. 06. 2015 Ing. Jan Koloničný, Ph.D. Stručně o VEC Založeno roku 1999 pracovníky z Katedry energetiky
VíceEfektivní využití kogeneračních jednotek v sítích SMART HEATING AND COOLING NETWORKS
Efektivní využití kogeneračních jednotek v sítích SMART HEATING AND COOLING NETWORKS Pavel MILČÁK 1,2, Patrik UHRÍK 2 1 VÍTKOVICE ÚAM a.s., Ruská 2887/101, 703 00 Ostrava, Česká republika 2 VUT v Brně,
Vícexrays optimalizační nástroj
xrays optimalizační nástroj Optimalizační nástroj xoptimizer je součástí webového spedičního systému a využívá mnoho z jeho stavebních bloků. xoptimizer lze nicméně provozovat i samostatně. Cílem tohoto
VíceIBM SPSS Neural Networks
IBM Software IBM SPSS Neural Networks Nové nástroje pro tvorbu prediktivních modelů Aby mohla Vaše organizace zlepšit rozhodovaní ve všech procesních postupech, potřebuje odhalit vztahy a souvislosti v
VíceMožnosti výroby elektřiny z biomasy
MOŽNOSTI LOKÁLNÍHO VYTÁPĚNÍ A VÝROBY ELEKTŘINY Z BIOMASY Možnosti výroby elektřiny z biomasy Tadeáš Ochodek, Jan Najser Žilinská univerzita 22.-23.5.2007 23.5.2007 Cíle summitu EU pro rok 2020 20 % energie
VíceAnalýza dat pomocí systému Weka, Rapid miner a Enterprise miner
Vysoká škola ekonomická v Praze Analýza dat pomocí systému Weka, Rapid miner a Enterprise miner Dobývání znalostí z databází 4IZ450 XXXXXXXXXXX Přidělená data a jejich popis Data určená pro zpracování
VíceMožnosti energetického využívání tzv. palivového mixu v podmínkách malé a střední energetiky
Možnosti energetického využívání tzv. palivového mixu v podmínkách malé a střední energetiky 24. 5. 25. 5. 2017 Technologie pro elektrárny a teplárny na tuhá paliva Ing. Ondřej Grolig EVECO Brno, s.r.o.
Víceznění pozdějších předpisů. Výkupní ceny elektřiny dodané do sítě v Kč/MWh Zelené bonusy v Kč/MWh Datum uvedení do provozu
Návrh cenového rozhodnutí Energetického regulačního úřadu ke dni 26. října 2010, kterým se stanovuje podpora pro výrobu elektřiny z obnovitelných zdrojů energie, kombinované výroby elektřiny a tepla a
Více