Moderní způsoby ovládání energeticky nezávislých měřicích zařízení

Abstract

Cílem této práce je najít optimální strategii pro četnost měření energeticky nezávislého měřicího zařízení. Toto zařízení je umístěno v prostředí bez přístupu k elektrické síti. V práci jsou popsány jednotlivé soft-computing metody,~které by se pro řešení této problematiky daly použít. Výsledný algoritmus využívá zpětnovazebního učení,~konkrétně Q-learning. Chování algoritmu bylo otestováno ve vytvořené simulaci v programovacím jazyku $C\# .NET Core$. Predikované hodnoty byly vypočítávány pomocí aproximace polynomem. Pro testování simulace byla použita meteorologická data v průběhu pěti let a šest kombinaci konstant rychlosti učení a stupně polynomu. Výsledkem testování je, že kvalitu predikce ovlivňuje stupeň polynomu.

The aim of this thesis is to find an optimal strategy for the frequency of measerument of energy independent measuring device. This device is located in an enviroment,~where it is not possible to supply energy demands from power grid. The thesis describes particular soft-computing methods that could be used to solve this problem. The final algorithm uses reinforcement learning,~specifically Q-learning. The behavior of the algorithm was tested in the designed simulation. The simulation was programmed in $C\# .NET Core$. The predicted values were calculated using polynomial approximation. Meteorological data over five years and six combinations of learning rate and polonomial degree were used to test the simulation. The testing shows that the quality of the prediction is influenced by the degree of the polynomial.