Sunteți pe pagina 1din 28

Universitatea Tehnic Gheorghe Asachi din Iai Facultatea de Inginerie Electric, Energetic i Informatic Aplicat Specializarea : Inginerie i management

TEMA DE CAS nr.1 TRANSPORTUL I DISTRIBUIA ENERGIEI ELECTRICE

Student : Cozma Ciprian Grupa: 6408

Iai, 2012-2013

PROVOCRI PRIVIND STUDIUL REELELOR ELECTRICE UTILIZND INTELIGENA ARTIFICIAL

CUPRINS
Cuprins................................................................................................................... 3 I.Scurt istoric.......................................................................................................... 3 II.Introducere.......................................................................................................... 4 III.Inteligena artificial n reelele electrice...........................................................5 VIII.Bibliografie..................................................................................................... 27

I.

SCURT ISTORIC

Inteligena artificial pornete de la premisa creia toate activitile cognitive pot fi modelate c procese de calcul. Aceasta premise are o tradiie de peste 2000 de ani, ncepnd cu Aristotel i Platon care credeau c gndirea, la fel ca orice alt fenomen fizic, poate fi studiat folosind interferenta logic. Mai trziu, Gottfried Leibnitz, prin cercetrile sale n care privea gndirea drept calcul, pune bazele tratatului lui George Boole despre logica simbolic. Apariia calculatoarelor i progresele fcute n domeniul calculului symbolic au dus la dezvoltarea unei ramuri a tiinei calculatoarelor, previziune fcut de Alan Turing, respectiv Inteligenta artificial. Inteligena artificial are ca scop tiinific nelegerea principiilor i mecanismelor care permit aciunea inteligenta i ca scop ingineresc proiectarea sistemelor care permit rezolvarea problemelor de dificultate considerabil, c-un nivel de competenta ridicat. De-a lungul scurtei, dar prolificei existente a domeniului i s-au propus diverse definiii ale inteligenei artificiale, cele mai multe variind de-a lungul a dou dimensiuni. n prima dimensiune, inteligenta artificial vzut c studiul proceselor de gndire i modelarea comportamentului intelligent. A doua dimensiune se refer la dezvoltarea modelelor cu performane similare gndirii umane. Momentul de nceput al inteligenei artificiale (IA) este considerat ca fiind anul 1956, cnd la Dartmouth College a avut loc o conferin ce-i propunea dezbaterea unor noi aspecte din domeniul calculatoarelor; aici s-a pus problema crerii unor maini de calcul inteligente. La aceast conferin John Mc Carthy a introdus conceptul de IA i astfel se consider c acesta este momentul n care aceasta s-a desprins din tiina calculatoarelor, devenind un domeniu independent.
3

Cercettorii i-au pus i problema realizrii unui limbaj capabil s modeleze posibilitile umane de procesare a informaiilor. S-a ajuns s se foloseasc metodele AI n energetic datorit complexitii problemelor de rezolvat ( dimensiune mare, soluionare n timp real, inexistenta unor algoritme demonstrate matematic), a caracteristicilor deciziilor din energetic ( impact economic, optimizarea deciziilor), a utlizarii masive a tehnicii de calcul i a asistentei activitii dispecerilor, etc. Astzi, avem o multitudine de aplicaii ale AI n energetic cum ar fi reglarea tensiunii i a circulaiei de putere reactiva din reelele electrice de transport i distribuie folosind regulatoare cu RNA cu sau fr component de tip fuzzy, algoritmi genetici, folosirea RNA i a tehnicilor fuzzy pentru prognoza consumului de energie, optimizarea regimurilor normale de funcionare a reelelor electrice folosind algoritmi genetici, sisteme expert pentru analiza regimurilor normale de funcionare, a avariilor, folosirea regulatoarelor fuzzy la conducerea proceselor din echipamente energetic, urmrirea arderii n cazane folosind recunoaterea imaginilor, utilizarea reelelor Petri pentru diagnosticarea defecteleor din sistemul energetic, optimizarea amplasrii surselor de putere reactiva, alocarea resurselor folosind sisteme expert, etc.

II.

INTRODUCERE

Inteligena Artificial (AI) este un termen tehnic care desemneaz un domeniu de cercetare n cadrul informaticii sau mai precis punctul n care se termin procesele de analiz i informatic i ncepe prelucrarea datelor prin procedee avnd implementate procese logice, intuitive i cognitive. Rezolvarea concret a problemelor complexe din domeniul energetic, precum, conducerea i planificarea dezvoltrii reelelor electrice, prelucrarea i adoptarea deciziilor n situaia lichidrii avariilor, prognoza sarcinii, diagnoza cauzelor defectelor, a implicat elaborarea unor metodologii bazate pe diferite forme ale inteligenei artificiale, cuprinznd soluii din domeniile Sistemelor expert (SE), Reelelor neuronale artificiale (RNA), Logicii fuzzy (LF) i Algoritmilor genetici (AG). Au fost tratate folosind LF i mulimile fuzzy probleme legate de incertitudini n ceea ce privete sarcinile reelelor electrice. n reelele de distribuie de medie tensiune, sarcinile din noduri sunt n general cunoscute cu aproximaie, datorit faptului c msurtorile se fac doar n staiile de transformare. n general, liniile i sarcinile nu sunt monitorizate. Astfel, n fiecare moment exist o incertitudine generalizat privind cererea de putere i, n consecin, ncrcarea liniilor. Pentru acest fel de incertitudini i inexactiti, numerele fuzzy ofer un cadru optim. n ceea ce privete tehnicile de clustering, acestea sunt tehnici special de aranjare a datelor de intrare pe baza dispunerii spaial a vectorilor corespunztori. Pentru a studia asemnarea/deosebirea dintre elementele unei mulimi, n vederea gruprii, fiecare dintre aceste elemente e definit printr-un vector, ale crui component sunt chiar caracteristicile reprezentative ale vectorului respectiv. n literatura de specialitate exist mai multe moduri de clasificare a metodelor de clustering. Astfel n lucrarea [Clustering] se prezint dou tipuri principale de clusterizare:
4

gruparea spaial ierarhic i gruparea spaial K-medii, ambele fiind descrise n cele ce urmeaz. Gruparea spaial ierarhic poate fi submprita, dup sensul de desfurare, n procedee de aglomerare i procedee de divizare. n cadrul procedeelor de aglomerare se pleac de la cele n grupe, fiecare coninnd un singur element/obiect, i prin fuziuni successive se ajunge la o singur grup. Gruparea ierarhic poate fi reprezentat printr-o diagram bidimensional denumit dendograma care ilustreaz fuziunea sau mprirea fcut la fiecare stadiu succesiv al analizei. Diferena dintre metode apare n modul de definire a distanei dintre grupe. n acest fel metodele de grupare spaial pot fi definite pe baza distanei minime, a distanei maxime, a distanei medii sau folosind metoda Ward. Pe de alt parte metoda K-medii este una dintre cea mai simpl metod de nvare nesupravegheat care rezolva bine cunoscut problem de grupare spaial. Tehnicile de clustering sunt folosite cu success n diferite aplicaii din cadrul sistemelor de distribuie, ca de exemplu, n evacuarea pierderilor de energie, n determinarea locului optim de amplasare a PMU ( Phasor Measurement Units), dar i n determinarea locului optim de amplasare a surselor de generare distribuit.

III.

INTELIGENA ARTIFICIAL N REELELE ELECTRICE

III.1. REELE NEURONALE ARTIFICIALE Modelarea matematic a sistemelor complexe, cum este cazul celor din electroenergetica, e dificil, mai ales n condiiile utilizrii unui numr mare de variabile, dintre care unele sunt greu de cuantificat. Aceste impedimente ar putea fi depite prin utilizarea tehnicilor adecvate de inteligen artificial, mai exact, reelele neuronale artificiale. Aceste probleme sunt caracterizate frecvent de urmtoarele aspecte: - Imposibilitatea dezvoltrii unor metode matematice riguroase; - O parte din condiiile de funcionare, mai ales restriciile, nu pot fi ntotdeauna formalizate matematic; - Metodologiile de soluionare aplicate de experi nu pot fi ntotdeauna exprimate sub form matematic sau printr-un algoritm. Studiul RNA a nceput n 1943 cu prezentarea primului model de neuron artificial propus de W. McCulloch i W. Pitts. Dup crearea primului neuron formal, n 1962 este introdus conceputl de perceptron. Neuronul formal este un element de procesare a informaiei care modeleaz neuronul real. Cea mai simpl versiune de neuron formal este un automat binar cu dou stri: active (+1) i inactiv (-1). Starea neuronului se actualizeaz periodic dup urmtorul mechanism: se determina potenialul neuronal, calculnd suma ponderat a intrrilor (care reprezint ieirile altor neuroni din reea sau informaii provenind de la neuronii de intrare). Aceasta prelucrarea a informaiei n interiorul neuronului corespunde unei funcii de transfer de tip treapt (Heaviside), denumit funcie de activare.
5

x1 w11 x2 x3 xn w1n w12 w13

yi vi +1 -1

Fig. Modelul neuronului formal

Variatia starii neuronului intre +1 si -1 este graduala. Principalul avantaj al unei asemenea functii de activare il reprezinta proprietatea de continuitate pe intregul interval de definitie, proprietate esentiala daca se doreste aplicarea unor algoritmi de invatare performanti si eficienti. Exista doua tipuri de functii folosite mai des: functia tangent hiperbolic, care ia valori in intervalul (-1, +1) si functia sigmoid logistic, care ia valori in intervalul (0,+1). ARHITECTURA UNEI REELE NEURONALE ARTIFICIALE Neuronul formal calculeaz suma ponderat a intrrilor care e trecut prin funcia de activare. ndeplinirea unor funcii care s fac posibil abordarea unor problem de interes practic este posibil numai dac neuronii sunt asociai ntr-un sistem numit reea neuronal. RNA sunt formate din neuroni organizai pe straturi i legai prin conexiuni sinaptice, caracterizate de anumite ponderi.

z1 w2 y1 w1

z2

z3

y2

x1

x2

x3
6

Fig. Arhitectura tipica a unei RNA

Reeaua din figura conine trei straturi de neutron, dintre care primul este stratul de intrare [x], iar ultimul stratul de ieire [y], stratul intermediar numindu-se i strat ascuns [y]. Singurele straturi care realizeaz procesarea informaiei sunt stratul ascuns i stratul de ieire. Neutronii din primul strat au rol de a prelua mrimile de intrare n reea, aceti neutron nu au funcii de activare i folosesc funcii de activare identitate. Legturile dintre straturile RNA se realizeaz prin conexiuni sinaptice ponderate. Pentru RNA din figura fiecare neuron dintr-un strat este legat cu toi neuronii din stratul urmtor i nu exist legturi ntre straturile neconsecutive. O asemenea structur este cunoscut sub numele de RNA complet conectat. Structura RNA este descris complet de matricele ponderilor conexiunilor dintre dou straturi consecutive [W], ale crei elemente wij indica influent ape care ieirea neuronului j din stratul inferior o are asupra activrii neuronului I din stratul superior.

Proprieti: - Fiecare neuron acioneaz independent de ceilali neuroni din acelai strat; ieirea unui neuron depinde numai de semnalele ce se aplic pe conexiunile sinaptice de intrare; - Activarea fiecrui neuron depinde numai de informaii cu caracter local; - Numrul mare de conexiuni existente asigura un grad ridicat de rezervare i uureaz reprezentarea distribuit a informaiei. Primele dou proprieti permit funcionarea eficient a RNA, iar ultima le confer o sensibilitate redus fa de posibilele perturbaii i caliti de generalizare greu de obinut cu sistemele clasice de calcul. CARACTERISTICI PRINCIPALE I CLASIFICAREA RNA n ultimii ani au fost dezvoltate o mare varietate de modele de RNA pentru diverse scopuri, ele difer n structur, implementare i principii de funcionare, dar o serie de proprieti anume: - Procesarea informaiei i memoria sunt distribuite n ntreaga structur a reelei neuronale; - Neuronii artificiali sunt interconectai astfel nct starea unui neuron influeneaz potenialul unui numr mare de neuroni cu care e conectat. - Ponderile conexiunilor sunt de obicei adaptive. Deoarece modificarea lor poate avea loc oriunde n structura reelei, se vorbete de memorie distribuit a reelei; - Neuronii au asociat o funcie de activare, de regul, neliniara. Exist diferite moduri de conectare a neuronilor dintr-o reea, obinndu-se astfel diverse arhitecturi de RNA. Acestea pot fi capabile s realizeze lucruri complexe pe care neuronii singuri nu le-ar putea realiza.
7

Dup arhitectura RNA pot fi grupate n 3 mari categorii: a) Reele feedforward (statice) b) Reele feedback (dinamice) c) Reele de tip cellular (plas) n reelele feedforward care sunt numite i nebuclate, informaia circula ntr-un singur sens, de la intrare la ieire. Prin urmare, RNA nebuclate sunt structuri statice, folosite cu precdere pentru rezolvarea unor probleme de clasificare sau de identificare a proceselor statice. Din aceast categorie face parte reelele de tipul perceptronului multistrat. Reelele feedback, numite i buclate, sunt acele reele ale cror grafuri de conexiuni conin cicluri, circulaia informaiei are loc de aceast dat n ambele sensuri, att n intrareiesire, ct i iesire-intrare). RNA buclate au proprietile unor sisteme dinamice, fiind utilizate ca memorii associative i pentru identificarea sau controlul sistemelor dinamice.Una din reelele buclate folosite mai des n aplicaii este reeaua Hopfield. Reelele de tip celular constau din neuroni artificiali numii celule, organizai ntr-o plas bidimensional, neuroni neconectati se pot influena unul pe cellalt indirect din cauza propagrii semnalelor n timpul regimului dinamic. Un astfel de reea este reeaua Kohonen.

Iesiri z1 zi zm

Intrari y1 yi yj

yk

yp

yt x1 xi xn

Fig. Perceptronul Multistrat Iesiri (dupa convergenta)

x1

x2

xn-1

xn

z1

z2 .

Zn-1

zn

x1

x2

xn-1

xn

Intrari (la momentul initial)

Fig. Retea Hopfield

Exist de asemenea reele hibrid, care folosesc att legturi feedforward, ct i legturi feedback, un exemplu fiind reeaua Hamming. Un alt criteriu de clasificare a RNA are n vedere numrul straturilor de neuroni din reea. Din acest punct de vedere se disting: RNA cu un singur strat. n acest caz stratul unic joac rol dublu intrareiesire.Totodat, absena altor straturi impuse c aceste RNA s aib o topologie buclat. RNA cu dou straturi. n acest caz, primul strat este stratul de intrare, iar al doilea cel de ieire, neexistnd un strat ascuns. RNA multistrat. Reelele din aceast categorie pot avea un numr nelimitat de straturi. Toate straturile cu excepia primului i ultimului sunt straturi ascunse. n general, RNA sunt caracterizate nu numai prin arhitectura lor, ci i prin tipul neuronilor utilizai prin procedura de nvare. Metodele de antrenare sunt clasificate n dou categorii: antrenare supravegheat i antrenare nesupravegheat. Antrenarea supravegheat prezint urmtoarele particulariti: - Informaia prelucrat are caracter global; - Setul de date de nvare conine un numr finit de modele de nvare; - Necesita supravegherea din exterior a procesului de adaptare a ponderilor i pragurilor, prin calculul abaterii ntre ieirile reelei; - ncheierea etapei de antrenare se face la hotrrea supraveghetorului care decide dac performanele reelei sunt sau nu satisfctoare.

Neuroni iesire

x1

xi

xn
9

Fig. Retea Kohonen y1 y2 . yn

Fig. RNA cu doua straturi de tip feedforward

x1 y1 y2

x2

xn yn

.. x1 x2 xn Fig. RNA cu doua straturi de tip hibrid

intrari

Antrenarea retelei

iesiri reale

Corectia ponderilor

Algoritmul de antrenare

Calculul ponderilor

Iesiri dorite

Fig. Invatarea supravegheata


10

nvarea nesupravegheat prezint urmtoarele particulariti: - Informaia prelucrat are un character local Setul de date poate conine un numr nelimitat de exemplare, care se adug la setul iniial pe msur rafinrii performanelor reelei Procesul de adaptare a ponderilor i a pragurilor nu necesit supravegherea din exterior Etap de antrenare se termin n momentul n care se definitiveaz organizarea datelor din setul de date iniial.

intrari
Antrenarea retelei

iesiri

Corectia

ponderilor

Algoritmul de antrenare

Fig. Invatarea nesupravegheata

REELE NEURONALE DE TIP PERCEPTRON MULTISTRAT Reelele de tip Perceptron Multistrat (PMS) reprezint o clas de RNA feedforward, cu neuronii aranjai pe straturi. Toi neuronii de pe un strat sunt conectai cu toi neuronii straturilor adiacente, prin conexiuni unidirecionale, numite i ponderi sinaptice. Toate intrrile reelei neuronale sunt valori reale, normalizate ntr-un interval care poate fi unipolar sau bipolar. n present, cea mai utilizat funcie de activare este sigmoidul logistic, care are proprietatea c este continu i derivabila. Algoritmul de antrenare al reelei de tip PMS este cunoscut sub numele de Generalised Delta Rule sau Error Back Propagation i este primul care a rezolvat problema separaiei neliniare a datelor de intrare. ALGORITMUL STANDARD BACK-PROPAGATION PENTRU ANTRENAREA PMS Antrenarea unei RNA necesita construirea unui set de antrenare ( perechi intrariiesiri). Fiecare model din acest set de date este format din n intrri xi i m ieiri dorite.
11

Antrenarea Perceptronului Multistrat este gsirea valorilor tuturor ponderilor sinaptice astfel nct ieirea dorit s fie generat pentru intrrile corespunztoare. Antrenarea PMS const n modificarea tuturor ponderilor astfel nct msur erorii dintre ieirea dorit i ieirea curent pentru toate modelele din setul de date LMS care urmrete determinarea acelor ponderi, ce minimizeaz funcia de eroare. Exist dou abordri principale pentru gsirea minimului acestei funcii globale de eroare E. Prima este numit nvare on-line sau exemplu cu exemplu n care modelele de antrenare sunt prezentate secvenial, n ordine aleatorie. Termenul eroare este determinat pe baza termenilor eroare aparinnd stratului imediat superior.Diferena n corecia ponderilor stratului de ieire fa de straturile ascunse const n evaluarea termenilor eroare. Algoritmul de nvare Back-Propagation cuprinde urmtoarele etape: 1. Iniializarea ponderilor, cu valori mici 2. Prezentarea unui model- pentru anumite implementri extragerea modelului current se face n mod aleatoriu. 3. Propagarea inainte- modelul se aplic la intrarea reelei i se analizeaz propagarea nainte, n vederea determinrii valorilor reale la ieirea reelei. 4. Adaptarea ponderilor prin propagare inapoi- se folosete un algoritm pornind de la neuronii de ieire, propag gradientul erorii napoi, ctre neuronii de intrare. 5. Test convergenta- se prezint un nou model i algoritmul de adaptare a ponderilor continu, prin revenirea la Pasul 2, pn cnd eroarea global scade sub o valoare impus. ALGORITMUL BACK-PROPAGATION CU MOMENTUM

Algoritmul prezentat anterior are anumite dezavantaje. Pentru nceput, rata de nvare ar trebui s fie aleas de valoare mic pentru a realize minimizarea funciei globale eroare E. Pentru valori mici ale lui procesul de antrenare devine foarte lent. Valori foarte mari ale lui corespund unei nvri rapide, acestea din urm conduc la oscilaii prsite, care mpiedic algoritmul de convergen ctre soluia dorit. O cale simpl de mbuntire a algoritmului standard este netezirea modificrilor ponderilor prin suprarelaxare. ALGORITMUL DE NVARE BATCH BACK- PROPAGATION n algoritmul de nvare on-line descries anterior, este prezentat la intrare un model p din setul de nvare, apoi toate ponderile sunt actualizate , nainte ca ultimul model s fie analizat.Una din problemele algoritmului este aceea c poate fi capturat ntr-un minim local al funciei eroare. O tehnic simpl i eficient care permite evitarea minimelor locale const n prezentarea modelelor de antrenare ntr-o ordine aleatorie. O alt tehnic care mbuntete performanele reelei neuronale const n adugarea unei mici perturbaii peste datele de antrenare. Acesta perturba algoritmul de la tendina s de coborre ctre minime i adesea este sufficient pentru a ndeprta reeaua de minimele locale. ALGORITMUL RESILIENT PROPAGATION
12

O soluie foarte eficient pentru creterea vitezei de convergen a algoritmului de antrenare este oferit de algoritmul Resilient Propagation. Aspectul inovativ al algoritmului const n faptul c nu se iau n considerare valorile derivatelor funciei eroare, ci doar informaiile referitoare la semnul acestora i se folosesc rate de nvare diferite pentru fiecare conexiune. Chiar dac se utilizeaz o rat de nvare variabil algoritmul poate fi total perturbat de anumite comportri neateptate ale derivatelor pariale. Dac reeaua se gsete ntr-o zon neted a suprafeei de eroare, convergenta este foarte lent, n concordant cu faptul c derivata funciei eroare este foarte mic.

REELE DE TIP PERCEPTRON MULTISTRAT CU CONEXIUNI FEEDBACK O clas particular de reele de tip PMS este aceea format din reele neuronale care necesit ca intrri i una sau mai multe ieiri ale iteraiilor anterioare, pentru a calcula pasul current. O reea format din straturi cu neuroni avnd funcii de activare continue i neliniare este capabil s aproximeze o funcie cu variabile vectoriale, nu este posibil s se coreleze ieirile care corespund unor momente de timp diferite. Soluia pentru aceasta limitare const n utilizarea unei variante foarte interesante a regulii clasice de antrenare, cunoscut sub numele de retropropagare n timp. Retropropagarea este o metod eficient pentru calculul tuturor derivatelor de funcii de eroare n raport cu un mare set de parametri. BPTT extinde aceast metod, nct s fie aplicat la sistemele dinamice. Acest algoritm permite calculul derivatelor necesare pentru optimizarea unei reele neuronale cu memorie. BPTT este utilizat n recunoaterea modelelor. n anumite aplicaii, cum ar fi detectarea submarinelor, clasificarea la momentul t va fi mult mult mai exact dac se poate lua n considerare ce s-a ntmplat n momentele anterioare.

13

Fig. Retea neuronala desfasurata in timp

Retropropagarea poate fi aplicat oricrui sistem cu o ordine bine definit a calculelor, chiar dac aceste calculi depend de alte calcule. APLICAII ARE REELELOR NEURONALE ARTIFICIALE Principalele aplicaii ale RNA au aprut n anii `70. Gama aplicaiilor este extrem de larg. Cteva din operaiile pe care le pot executa cu succes RNA sunt: clasificarea modelelor, asocierea modelelor, completarea modelelor, filtrarea de semnale, probleme de optimizare i control. Dintre aplicaiile practice ale RNA n studiul reelelor electrice amintim prognoza sarcinii electrice ANNSTLF, aplicat la 32 de sucursale de distribuie n ri precum S.U.A i Canada.

III.2 CALCUL EVOLUTIV Calculul evolutiv se refer la studiul fundamentelor i aplicaiilor unor anumite tehnici euristice care se bazeaz pe principiile seleciei naturale i geneticii. Acestea pot fi clasificate n urmtoarele categorii:
CALCUL EVOLUTIV

14

Algoritmi genetici

Strategii de evolutie

Programare evolutiva

Fig. Structura calculului evolutiv Algoritmul evolutiv cuprinde trei etape importante: selecia, reproducerea i nlocuirea. La etapa de selecie se creaz o populaie temporar la care numrul indivizilor mai bine adaptai sunt mai muli dect cei mai slabi adaptai. La etapa de reproducere vom aplica asupra indivizilor din populaie care formeaz apoi o nou populaie. nlocuirea este operaia n care populaia iniial va fi nlocuit cu indivizi nou creai.

III.2.1 ALGORITMI GENETICI Algoritmii genetici (AG) reprezint tehnica cea mai performant a calcului evolutiv. AG lucreaz prin modificarea repetitiv a structurilor artificiale dintr-o populaie de structuri prin intermendiul operatorilor de selecie, ncruciare i mutaie. Alegerea unei structuri pentru o problem este factorul determinant n succesul algoritmului genetic. AG sunt utilizai pentru problem de optimizare, ns pot fi la fel de bine folosii i n probleme de clasificare i predicie. Selecia este operatorul de mbuntire a populaiei. n principal aici se modifica structurile cu cea mai bun funcie de adaptare i se terg cele cu cea mai sczut funcie de adaptare. ncruciarea este operatorul care conduce la componente din ce n ce mai bune ale structurilor. Urmaii sunt rezultatul tierii i mbinrii structurilor printe n diferite puncte de ncruciare. Mutaia reprezint operatorul care creaz noi structuri similare cu cele curente, prin modificarea aleatorie a componentelor cromozomilor. Pentru orice problem de optimizare tratat cu ajutorul AG este necesar parcurgerea unei etape preliminare, destinat modelarii lanurilor de cromozomi, care s reprezinte soluii pentru problema analizat. Cea mai simpl i rspndit cale de codificare a problemei analizate const n reprezentarea fiecrui parametrude intrare din vectorul x sub forma unei gene i constituirea acestora ntr-un lan cromozomial de lungime fix. Din ce n ce mai multe aplicaii recente necesita lanuri cromozomiale cu reprezentare non-binara. Gene formate din numere ntregi sau reale sunt utilizate n numeroase domenii c optimizarea funciilor, problem de reordonare cum ar fi i cea a comis-voiajorului.
15

n majoritatea aplicaiilor AG, selecia cromozomilor-parinti se realizeaz dup dou metode: formarea unui bazin de ncruciri sau principiul ruletei. Alegerea cromozomilorparinti dup principiul ruletei se face pornind de la calculul ponderii fiecrui cromozom n ansamblul populaiei. ncruciarea se realizeaz folosind funciile de adaptare i urmrete constituirea unei noi populaii pornind de la materialul genetic al populaiei curente. Operatorul genetic care asigura realizarea recombinrilor este operatorul de ncruciare. Din populaia curent se aleg doi cromozomi-parinti care dau natere la doi cromozomi-urmasi ce trec n generaia urmtoare. Unele implementri ale AG sunt folosite n cazul unor cromozomi de lungimi mari, se utilizeaz ncruciarea n dou puncte, ceea ce asigur o diversificare mai rapid a populaiei. Cromozom urmas 1

Cromozom parinte 1 +

Cromozom parinte 2

Cromozom urmas 2

Fig. Incrucisarea lanturilor cromozomiale intr-un singur punct

Cromozom urmas 1

Cromozom parinte 1 +

Cromozom parinte 2 Cromozom urmas 2

Fig. Incrucisarea lanturilor cromozomiale in doua puncte Datorit numrului finit de cromozomi ce formeaz populaia, AG conduce la explorarea unui subspaiu relativ restrns din spaiul de definiie a problemei. Stagnarea AG poate fi evitat dac cromozomii urmai sunt supui mutaiilor. Mutaiile se realizeaz prin alegerea aleatorie a unei gene i bascularea valorii ntre 0 i 1. Mutaiile se realizeaz numai dac un numr m este mai mic dect o valoare prescris pentru
16

rata mutaiilor. Mutaiile contribuie nu numai la depirea extremelor locale, ci i la o diversificare mai rapid a populaiei. Formarea unei noi populaii prezint riscul unor soluii apropiate de soluia optimal, atunci cnd structura cromozomilor este afectat n cursul mutaiilor. Pstrarea acestor soluii se poate realiza prin tehnica de elitism. n acest caz cromozomul optimal este trecut n generaia urmtoare, nlocuind cromozomul cu performanele cele mai slabe. III.2.2 STRATEGII DE EVOLUIE Strategiile de evoluie, ca i algoritmii genetici cauta o soluie optimal pentru o problem ntr-un spaiu de cutare fr a testa toate soluiile. Strategiile de evoluie tind a fi utilizate mai ales pentru experimente empirice care sunt dificil de a fi modelate mathematic. Se bazeaz pe principiul cauzalitii puternice; cauze similare conduc la efecte similare. Strategiile de evoluie pornesc de la o populaie iniial care de la o generaie la alta, este supus transformrilor, urmrindu-se legturile comportamentale care se stabilesc ntre prini i urmai. Cea mai simpl form a unei strategii de evoluie destinat unei problem de optimizare se desfoar n 4 etape: - Se stabilete populaia iniial, cu distribuie uniform n spaiul de definiie, format din p vectori prini, - Cei p prini produc u urmai prin intermediul mutaiilor; - Fiecare generaie a strategiei de evoluie implica p prini i u urmai; exist 4 variante de strategii care conduc la formarea unei noi generaii: p,u cei mai buni p prini sunt alei pentru a produce u urmai folosind doar mutaiile, p/r, u process evoluie asemntor celui anterior, dar se realizeaz recombinri asupra cromozomilor prini; p+u cei mai buni prini produc u urmai folosind doar mutaiile; p/r+u process de evoluie se realizeaz recombinri asupra cromozomilor prini. - Procesul continu, prin revenirea la pasul 2, pn la satisfacerea unei condiii de oprire. III.2.3 PROGRAMAREA EVOLUTIV Programarea evolutiv urmrete simularea comportrii inteligente a sistemelor, n scopul stabilirii unor predicii, care s se adapteze ct mai bine modificrilor care se produc n mediul n care evolueaz sistemul. Programarea evolutiv se difereniaz de algoritmii genetici prin dou aspecte importante: Nu exist nici o restrictive privind reprezentarea soluiilor Operaia de mutare schimba soluiile n concordant cu o distribuie static care pondereaz micile variaii n comportarea urmailor. n ceea ce privete diferenele eseniale dintre strategiile de evoluie i programarea evolutiv se pot preciza:
17

o Strategiile evolutive se bazeaz pe o selecie strict determinista, pe cnd programarea evolutiv folosete selecia probabilistic o Strategiile de evoluie codific structurile cromozomilor, spre deosebire de programarea evolutiv care se ocup de codificarea populaiilor reproductive.

IV.

SISTEMELE FUZZY

Teoria mulimilor fuzzy a deschis noi perspective tratrii problemelor caracterizate de incertitudini. Metodele de decizie bazate pe logic fuzzy sunt incluse n conceptul de inteligen artificial. n domeniul energetic s-au propus aplicaii ale sistemelor fuzzy, n probleme cum ar fi: Planificarea dezvoltrii sistemelor energetic cum ar fi repartizarea resurselor energetic pe un orizont ndeprtat; Analiza securitii reelelor i instalaiilor electrice; Optimizarea structurii reelelor de transport i distribuie a energiei electrice; Impactul instalaiilor energetic asupra mediului nconjurtor; Reglajul tensiunii n reelele electrice; Amplasarea optim a filtrelor de armonici n reelele de distribuie; Analiza postvrie a reelelor electrice; Mentenana sistemelor de protecie a sistemelor electroenergetice. Mulimile fuzzy se deosebesc de mulimile tradiionale prin aceea c nu se poate indica granita care separa elementele mulimii de elemente care nu-i aparin. Propoziiile i raionamentele n logica fuzzy nu sunt considerate ca fiind n totalitate adevrate sau false. Valoare de adevr este nuanata conform unor funcii de apartenen. Prin asocierea unor semnificaii lingvistice pentru un set de valori numerice se obin un set de valori de mrimi fuzyy, operaia poart numele de fuzzyficare. Operaia invers poart numele de defuzzyficare. Fuzzyficarea este un proces prin care operatorul atribuie grade lingvistice unui domeniu fizic i stabilete funcii de apartenena conform propriilor cunotine. Defuzzyficarea permite stabilirea unei valori numerice, cu ajutorul unei expresii ce combina mai multe funcii de apartenen. Raionamentul fuzzy implica totalitatea totalitatea legilor i procedurilor care permit stabilirea gradului de adevr al unei inferene. La baza raionamentului fuzzy sta implicaia fuzyy, problema central n dezvoltarea logicii fuzzy este constituit de evacuarea gradului de adevr al implicaiilor fuzzy. Forma funciilor de apartenena a mulimilor fuzzy depinde de tipul interferentei logice. Astfel sunt utilizate: - Interferene bazate pe corelare prin minim- aici se face referire la faptul c ieirile fuzzy sunt mulimi fuzzy - Interferene correlate prin produs- aici ieirile rezult din multiplicarea funciilor de apartenena ale mulimilor fuzzy.

18

Alegerea formei funciei de apartenena reprezint una din etapele cele mai importante n cazul operrii cu mulimi fuzzy. n scopul alegerii ct mai corecte unei astfel de funcii se estimeaz pentru valoare respective, valorile minime i maxime. Plecnd de la aceste valori se stabilete alura funciilor de apartenen. n general, pentru funcia de apartenena se poate considera orice form de funcie, dar cele mai folosite sunt de tipul: liniara, liniara pe poriuni, hiperbolic, triunghiular, trapezoidala i gaussiana. Operaiile cu mulimi fuzzy const n operaii cu funciile de apartenena ale acestora. Astfel operaiile cu numere i mulimi pot fi extinse i la operaii cu numere fuzzy, folosind principiul de extindere. Logica fuzzy reprezint un instrument aproximativ, dar n acelai timp, eficace de descriere a comportrii sistemelor cu structura complex, ca exemplu fiind sistemul energetic sau electroenergetic, datorit fie impreciziei datelor de intrare, fie a dificultilor de analiz matematic. n general, logica formal implica operaii precum fuzzyficarea, inferena fuzzy i defuzzyficarea. Creat i dezvoltat pentru a opera cu date incerte, logica fuzzy se poate aplica n majoritatea domeniilor de activitate, nu n ultimul rnd i n controlul proceselor din industria energetic. Una din cele mai importante aplicaii ale tehnicilor fuzzy const n rezolvarea problemelor de optimizare multicriteriala, deoarece conduc la simplificarea metodelor de optimizare fuzzy, iar algoritmii de soluionare prezint avantaje foarte attractive.

V.

SISTEME EXPERT

Sistemele expert sunt formate dintr-un grup de programe i o colecie de informaii specifice, cu ajutorul crora se poate purta un dialog om-computer, n vederea rezolvrii problemelor. Sistemele expert constituie cele mai importante aplicaii practice i comerciale ale inteligenei artificiale. Sistemele expert sunt construite din programe ce conin cunotinele unui expert uman i sunt responsabile de luarea deciziilor pentru soluionarea problemelor.Ceea ce este remarcabil pentru sistemele expert , este aria de aplicabilitate ce a cuprins multe domenii de activitate. Primele sisteme expert dezvoltate n domenii aplicative au fost: - DENDRAL, destinat analizei structurilor moleculare - MYCIN, un sistem expert pentru diagnosticul i tratamentul infeciilor sanguine,
19

Sistemele EMYCIN, HEADMED, CASNET i INTERNIST pentru domeniul medical, PROSPECTOR pentru evaluarea prospeciunilor i forajelor geologice TEIRESIAS pentru achiziia inteligent a cunoaterii.

Au urmat i sisteme expert pe care le-au implementat firmele de contabilitate sau audit cum ar fi : ExpertTAX, Risk Advisor (Coopers & Lybrand), Loan Probe, Peat/1040 (KPMG), VATIA, Flow Eval (Ernst & Young), Planet, Compas, Comet (Price Waterhouse), Rice (Arthur Andersen), Audit Planning Advisor, World Tax Planner (Deloitte Touche), etc. Un sistem expert este format din cinci componente: Baza de cunotine servete pentru stocarea tuturor pieselor de cunoatere preluate de la experii umani sau din alte surse. Motorul de inferene este un program care conine cunoaterea de control cu ajutorul cruia se exploateaz baza de cunotine n vederea obinerii de soluii sau concluzii. Interfaa de dialog permite dialogul cu utilizatorii n timpul sesiunilor de consultare. Modulul explicativ are rolul de a explica utilizatorilor cunoaterea de care dispune sistemul n sesiunile de consultare. Spre deosebire de majoritatea programelor de calcul, care cer informaii complete pentru luarea deciziilor, sistemele expert sunt proiectate s gseasc soluia optim pe baza datelor disponibile. Un sistem expert reprezint un program alctuit din dou componente: o baz larg de date i un set de reguli de cutare n aceast baz cu scopul gsirii soluiei optime pentru o problem.

VI.

PROVOCRI PRIVIND STUDIUL REELELOR ELECTRICE UTILIZND INTELIGENTA ARTIFICIAL

Aceste metode permit determinarea regimurilor optime de funcionare n procesele de proiectare i exploatare a sistemelor de distribuie a energiei electrice, stabilirea nivelului opti a consumului tehnologic n faza de proiectare, depistarea zonelor cu pierderi mari n reelele electrice, estimarea eficienei diferitelor msuri de cretere a randamentului reelelor electrice, e mbuntire a parametrilor de calitate a energiei electrice, n scopul reducerii daunelor produse consumatorilor determinate de calitatea energiei livrate.

20

VI.1 EVACUAREA PIERDERILOR DE PUTERE I ENERGIE N REELELE ELECTRICE FOLOSIND INTELIGENTA ARTIFICIAL

O cale de abordare a problemei evacurii pierderilor de putere i energie folosete mijloace specifice inteligenei artificial, mai exact reele neuronale artificial(RNA). Metodele folosite pn n prezent au urmrit creterea preciziei n evacuarea pierderilor. RNA reprezint o cale alternativ la aceste metode care permit obinerea unor rezultate satisfctoare. n contextul acestei probleme se urmrete proiectarea i antrenarea unui RNA care s realizeze aproximarea unei funcii. Procesul de proiectare al RNA include urmtoarele etape: - Pregtirea setului de date de antrenare- acesta conine perechi de form [x], F[x] i se obine prin calcule de regim repetate pentru diverse intrri [x]. - Alegerea arhitecturii optime pentru RNA: n cadrul acestei etape se stabilesc numrul de straturi ascunse i component acestora, care asigur o eroare global sub o valoare limita impus; - Antrenarea RNA folosind setul de date de antrenare i un algoritm de tipul gradientului conjugat; - Evaluarea performanelor RNA dup antrenare: se folosete un set de date diferit de cel de antrenare i se evalueaz precizia rezultatelor furnizate. Este posibil ca o structur stabilit n cel de-al doilea pas al procesului s nu permit antrenarea RNA pn la o eroare suficient de mic. n aceast situaie, arhitectura trebuie schimbat i reeaua reantrenata. Setul de date de antrenare a fost construit considernd limite minime i maxime pentru puterile active i reactive din noduri, precum i pentru tensiunea nodului de echilibru. Reeaua neuronal artificial cuprinde un singur strat ascuns, cu 8 neuroni. Pe stratul de ieire exist doi neuroni, corespunztor pierderilor de putere activ i reactiva. Analiza unor reele cu o configuraie mai complex ridic o serie de problem, n etapa de antrenare, problem care duc la creteri importante ale timpului de calcul, fr a obine o reducere semnificativ a erorilor. Pentru creterea performanelor RNA este de dorit c stabilirea datelor care reprezint intrrile RNA s se realizeze pe baza unei analize statice, a corelaiilor pierderilor de putere cu diferite mrimi, cum ar fi puterile active i reactive injectate, tensiuni nodale, etc. Performanele RNA pot fi appreciate mai correct dac se utilizeaz un set test, care nu a fost folosit n etapa de antrenare. Rezultatele obinute asigura o evaluare a pierderilor de putere cu o bun precizie. Aceasta, asociat cu un timp de calcul redus sunt argument n sprijinul utilizrii RNA la evaluarea pierderilor de putere n reelele complex buclate.

VI.2 ESTIMAREA PIERDERILOR BAZATE PE MODELAREA FUZZY A FACTORULUI DE PIERDERI

Se propune o metod pentru estimarea pierderilor de energie bazat pe modelarea fuzzy a factorului de pierderi i pe descrierea profilelor tip de sarcin.
21

Rezultatele care se obin folosind aceast metod evideniaz avantajele acesteia referitoare la timpul de calcul relativ redus i erori de estimare mici. Pentru a estima pierderile de energie anuale vom folosi urmtoarea formula de calcul:
WT = (PL + PCu ) FP + PFe 8760

Unde: PL este pierderea de putere n linia corespunztoare sarcinii


maxime, n [Kw] pierderea de putere n nfurrile transformatoarelor corespunztoare sarcinii maxime, n [Kw]

PCu

PFe pierderea de putere n fierul transformatoarelor


corespunztoare sarcinii maxime, n [Kw]

FP factorul de pierderi

n ultimii ani sarcinile au fost modelate apelnd la msurtori de sarcin nregistrate la diverse tipuri de consumatori, acesta conduce la aprecierea sarcinilor folosind mrimile fuzzy. n scopul modelarii sarcinii pentru fiecare nod se folosete expresia a doua variabile fuzzy, cel al factorului de ncrcare ki [%], al transformatoarelor din PT a reelei de distribuie i factorul de putere cos, nct reprezentarea fuzzy s fie corespunztoare puterilor active i reactive rezultnd din relaiile: ki S n cos 100 Q = P tg P= Pentru determinarea factorului de pierderi pentru reeaua analizat, la fiecare distribuitor n parte, vom folosi relaia de calcul: FP = (0.124 + Tmax 2 ) 8760 10000

Tmax = WP2 + WQ2 Unde: Tmax este durata de utilizare a sarcinii maxime aparente n ore
Wp energia activa vehiculata pe perioada de studiu Wq- energia reactiva vehiculata pe perioada de studiu

Pe baza variabilelor ki i cos modelate fuzzy s-au determinat pierderile de putere. Pierderile de putere fuzzy n linii, n nfurrile i n miezul transformatorului associate factorului de ncrcare ki i factorului de putere cos se folosesc n procesul de estimare a pierderilor de energie.
22

S-a ajuns la concluzia c modelarea reelelor electrice prin tehnici fuzzy ofer rezultate bune n procesul de estimare a pierderilor de energie n reelele de distribuie a energiei electrice. Pentru estimarea pierderilor de putere ntr-o reea electric de distribuie ce cuprinde un numr mult mai mare de distribuitori se pot folosi tehnicile de clustering. Folosirea tehnicilor de clustering n determinarea profilelor tip de sarcin presupune folosirea metodelor ierarhice de clustering:
Masuratori

Prelucrarea preliminara a datelor masurate Clasificarea Tipul nodului

Determinarea profilelor tip de sarcina pentru fiecare nod

Fig. Diagrama de determinare a profilurilor tip de sarcina

VI.3 OPTIMIZAREA AMPLASRII SURSELOR DE PUTERE REACTIVA FOLOSIND ALGORITMI GENETICI I STRATEGII DE EVOLUIE

Utilizarea algoritmului se bazeaz pe o metod de simulare, ar conduce la timpi de calculi mari. O alternativ care permite reducerea timpului de calcul, n procesul de optimizare a amplasrii surselor de putere reactiva const n utilizarea algoritmilor genetici i a strategiilor de evoluie. Etapele algoritmului realizeaz o combinative ntre principiile AG i SE: Step 1: Generaia Step 2: Evaluarea soluiilor: se genereaz aleatoriu m cromozomi i se calculeaz valorile funciei de adaptare pentru aceast generaie
23

Step 3: Selecia se refer la selectarea cromozomilor prini, dup principiul ruletei n vederea realizrii ncrucirilor Step 4: ncruciarea cromozomilor se refer la ncruciarea cromozomilor prini cu o anumit probabilitate. Step 5: Mutaiile presupun modificarea unei gene dintr-un cromozom urma. Step 6: Competitia- fiecare individ dintr-o populaie extins participa la o competitive cu toi ceilali indivizi pentru a supravieui i a transmite n generaia urmtoare. Step 7:Elitismul- cel mai bun cromozom nlocuiete cromozomul cu funcia de adaptare minim Step 8: Generation= Generation+1 Step 9: Verifica condiia de oprire: dac nu e ndeplinit se reia paii 3+8, n caz contrar soluia optim se gsete n cromozomul cu funcia de adaptare maxim din ultima generaie. Populaia iniial are o structur aleatorie, fiecare cromozom conine ntr-o gen un numr de uniti tipizate de compensare, ntre 0 i numrul maxim posibil. Pe lng operaiile specific AG, metoda introduce i un process de competitive la nivelul unei populaiei extinse, format din vechea generaie i noii urmai, proces specific SE. Noua generaie este format din cromozomi rezultai, cu funcii de adaptare cele mai mari. Cromozomul cu funcia de adaptare maxim se numete cromozom optimal. Oprirea algoritmului se realizeaz atunci cnd funcia de adaptare a cromozomului optimal nu mai descrete. VI.4 UTILIZAREA REELELOR NEURONALE ARTIFICIALE N PROGNOZA PE TERMEN SCURT A CONSUMULUI DE ENERGIE ELECTRIC

Tehnicile folosite de inteligenta artificial, n special reele neuronale artificial reprezint metode de abordare a prognozei mult mai puternice i mult mai flexibile. Totodat RNA are avantajul de a permite modelarea unor serii de timp foarte complexe care pot fi descrise cu ajutorul metodelor tradiionale. Majoritatea metodelor neuronale folosesc algoritmul Back-Propagation ca algoritm de antrenare a RNA. Motivarea folosirii acestuia se gsete n capacitatea unui RNA de a descoperi interdependentele care se manifest ntre componentele unei serii de date, fr intervenia unui operator, n simplitatea construciei i a utilizrii acestora. RNA pot memora relaii complexe fiind concepute pentru tratarea problemelor neliniare.Pentru realizarea unei prognoze a sarcinii electrice sau a consumului de energie electric pe termen scurt, folosim o reea neuronal de tip PMS.Aceasta ns poate prezenta dou dezavantaje cum ar fi: - Setul de antrenare nu este iniial sufficient de cuprinztor - Setul de antrenare nu acoper sufficient de bine spaiul de definiie al problemei. Reelele neuronale recurente par s fac mai bine faa la natura secveniala a funciilor i la sarcina electric. Folosind acest tip de reea, sarcina electric poate fi considerat o succesiune de nregistrri. n acest caz, RNA este capabil s exploateze toate informaiile suplimentare posibile, ascunse n funcia de timp a sarcinii electrice. O clas
24

particular a RNR s-au dovedit a fi reelele cu arhitecturi multistrat, formate din neuroni statici i dinamici. Aceste reele sunt foarte eficiente i prezint alte caracteristici temporal ca intrri cum ar fi capacitatea de a i aminti succesiuni de nregistrri nu foarte ndeprtate de timp i capacitatea de a uita pe cele care sunt considerate prea ndeprtate pentru a introduce informaii folositoare n semnalele de intrare. Pentru a realiza prognoza sarcinii electrice este necesar s avem ca intrri nu numai vrful de sarcin al zilei anterioare i intrrile exogene, cum ar fi tipul zilei, condiiile meteorologice i sarcinile orare cu 1, 2, 3 sau 4 ore n urm. Un pas important n generalizarea acestei reele este creat de introducerea posibilitii de a defini conexiuni diferite, cu sau fr ntrzieri de timp. Indiferent de ct de complicat e problema, informaiile sunt stocate n ponderile sinaptice, n timpul etapei de antrenare. Un alt pas spre generalizare este dat de faptul ca operatorul poate specifica ieiri diferite pentru copii diferite ale reelei de baz. Astfel, se poate construe o reea cu o arhitectur general, care poate rezolva probleme complicate.

VI.5 REELELE ELECTRICE INTELIGENTE (SMART GRID)

SMART GRID, n traducere reea inteligenta, face referire la reeaua electric, reprezint o legtur ntre elementele componente ale unei reele electrice i elementele de tehnologia informaiilor. n domeniul larg al conceptului de SMART GRID, aplicabilitatea sa este la fiecare nivel: de la producerea energiei din surse convenionale sau regenerabile distribuite, la transportul energiei electrice produse, la distribuia acesteia i nu n ultimul rnd la nivelul utilizrii acesteia de ctre consummator. Dintre tehnologiile mai uzuale care sunt corelate cu noiunea de SMART GRID putem aminti: - la nivel de furnizare a energiei electrice avem contoarele inteligente sau sisteme complexe de telegestiune, capabile s fie programate s ia decizii n funcie de or sau n funcie de consum. - la nivel de distribuie a energiei electrice, sistemele de automatizare a distribuiei care sunt corelate cu tehnologii specifice sistemelor de tip SCAD de la nivelul staiilor electrice, bazate pe echipamentele de tip RTU sau alte IED-uri cu inteligena distribuit care comanda echipamentele primare montate la nivel de staii, posturi de transformare sau punctele de alimentare. - la nivel de transport sau chiar de producie de energie electric sistemele de msurare sincron a fazorilor i sistemele care pot fi dezvoltate pornind de la acestea, care sunt utilizabile att pentru urmrirea noilor surse regenerabile dar i pentru monitorizarea strii sistemului energetic la un nivel cel puin regional. - la nivel de producere a energiei electrice, un aspect de mare actualitate este integrarea surselor distribuite de energie regenerabil eoliene sau chiar solare, care pot avea un impact semnificativ asupra sistemului
25

Reelele electrice inteligente sunt reele electrice care pot s integreze n mod inteligent comportamentul i micrile fiecrui utilizator conectat la ele pentru o aprovizionare electric eficienta, economic i sigur. Tehnologia de reea inteligent este un ansamblu de sisteme de control i management al reelei, de senzori i mijloace de comunicare i informare care ncorporeaz att elemente tradiionale ct i de ultima generaie. Ea combina elemente de software i hardware menite s mbunteasc semnificativ modul n care este operat sistemul electric actual, oferind n acelai timp i posibilitatea modernizrii ulterioare. Smart Grid nu presupune nlocuirea reelei existente. Reelele electrice inteligente sunt din ce n ce mai prezente n viaa cotidian.Acestea sunt folosite n iluminatul public, semafoare inteligente, camere video de supraveghere, etc. Din punct de vedere al inteligenei artificiale n reelele electrice, aceasta are o aplicabilitate cum ar fi n: Contoare Electronice inteligente Automatizri n reele Iluminat public eficient Transport cu vehicule electrice Integrarea surselor de energie regenerabil Sisteme de stocare a energiei Dispozitive pentru creterea gradului de contientizare a consumatorilor asupra consumului

VII. CONCLUZII

n viitorul apropiat reelele electrice inteligente vor fi din ce n ce mai prezente n industria electroenergetic, acestea fiind utilizate n scopul pentru care reeaua inteligenta va fi creat: s fac sistemul energetic mai sigur, mai fiabil i mai economic. Inteligena artificial este folosit n reelele electrice pentru optimizarea costurilor, sisteme de tarifare mbuntite, utilizeaz tehnologia informaiei i comunicrii, ca instrumente de management intelligent, mbuntete calitatea vieii prin trecerea la un viitor cu emisii reduse de carbon, scopul final fiind dezvoltarea durabil. Consider c reeaua inteligenta va permite reelei s se adapteze mai bine la producia distribuit, ajutnd productorii i consumatorii s rspund cerinelor de calitate a reelei, cu toate avantajele aferente.
26

Datorit inteligenei artificiale, se vor putea reduce pierderile de energie. Astzi, unele companii sunt nevoite s produc mai mult energie dect cea necesar pentru a compensa energia care se pierde pe cauza ineficientei transportului i distribuiei. Dac se va dispune de inteligen artificial n reelele electrice, companiile de electricitate vor putea controla mai bine energia pentru o eficien mai ridicat, ncercnd s se obin performante ct mai bune. Cu ajutorul tehnologiei ca rspuns la cerinele pieii, companiile vor putea cerceta modaliti prin care, prin reducerea sarcinii sau a necesarului de energie, ar putea s gestioneze mai bine variaiile produciei de energie. Este necesar s se nceap pregtirea pentru a integra inteligenta artificial n reelele electrice pentru creterea eficienei i a fiabilitii. Prin punerea n aplicare a tuturor celor amintite utiliznd tehnologiile moderne, s-a contribuit la punerea bazelor inteligenei artificiale n reelele electrice. Inteligena artificial n reelele electrice se bucura de o atenie deosebit n ultimul timp. Un succes n domeniul energetic este modelarea fuzzy, folosirea acesteia la dezvoltarea i conducerea sistemelor electrice de distribuie, dar i utilizarea tehnicilor de clustering cu scopul de a rezolva problemele aprute n conducerea reteleleor electrice. Folosind metodele propuse n estimarea pierderilor de energie n sistemele de distribuie a energiei electrice, avnd la baza modelarea fuzzy, se dovedesc a fi metode uor de aplicat, cu erori de calcul relativ mici. Concluziile prezentate n aceast tem de casa arat necesitatea tehnicilor de inteligen artificial i contribuie la dezvoltarea altor metode privind conducerea inteligent a reelelor electrice.

VIII.

BIBLIOGRAFIE

http://www.electricianul.ro (2009, May)Retele inteligente si retelele viitorului: http://www.eurelectric.org (2011). Elemente de inteligenta artificiala in electroenergetica, Ioan Borlea, Timisoara. Georgescu, G. (2007). Sisteme de distributie a energiei electrice, Volumul I, Partea a II-a. Iasi, Romania: Editura Politehnium. 27

Gh.Georgescu, B. Neagu. (2011). Proiectarea si exploatarea asistata de calculator a sistemelor publice de repartitie si distributie a energiei electrice, Volumul 1, Partea a II-a. Iasi, Romania: Editura PIM.

28