APLICAREA LOGICII FUZZY IN

RETELE ELECTRICE DE
DISTRIBUTIE

In timp ce esena multor probleme de inginerie o reprezinta controlul diferitelor sisteme

si recunoasterea problemelor de trend (tendinte), care permit o mai buna intelegere a datelor si a
performantei sistemului, "Tehnica Logica fuzzy" a demonstrat performante sporite intr-o gama
larga de sisteme pornind de la clasicul pendul invers pana la sisteme sofisticate, pe scara larga.
Deoarece regulatoarele fuzzy si-au dovedit performantele in mai multe domenii ale
stiintei si tehnologiei, acest lucru a dus la dezvoltarea in continuare a teoriei sistemelor fuzzy,
pentru a avea posibilitatea de a rezolva probleme si mai complicate.
INTRODUCERE
''Este nevoie de logica fuzzy?"aceasta chestiune are un lung istoric de discutii animate si
dezbateri. Exista multe conceptii gresite despre logica fuzzy. Logica fuzzy nu este neclara.
Practic, logica fuzzy este o logica precisa de imprecizie si rationament aproximativ. Mai precis,
logica fuzzy poate fi privita ca o incercare de formalizare / mecanizare a doua capacitati umane
remarcabile. In primul rand, capacitatea de a conversa, a rationa si a lua decizii rationale intr-un
mediu de imprecizie, nesiguranta, incomplet in ceea ce priveste informatiile, informatii
contradictorii, partialitate de adevar si partialitate de posibilitate - pe scurt, intr-un mediu de
informare imperfect. Si in al doilea rand, capacitatea de a efectua o mare varietate de activitati
fizice si mentale fara masuratori sau orice fel de calcule. De fapt, una dintre contributiile
principale ale logicii fuzzy - o contributie care nu este recunoscuta pe larg - este marea sa putere
de precipitare. Logica fuzzy este mult mai mult decat un sistem logic. Ea are multe fatete.
Principalele aspecte sunt: logic, fuzzy-set-teoretic, epistemice si relationale. Cele mai
multe dintre aplicatiile practice ale logicii fuzzy sunt asociate cu aspectul relational [11].
In general, multe sisteme de control pot fi inlocuite cu un sistem de control bazat pe logica fuzzy.
Deci, logica fuzzy nu este un raspuns universal, ci trebuie sa fie utilizat atunci cand este cazul
pentru a asigura un control mai bun. In cazul in care un simplu circuit inchis sau un controler
PID functioneaza bine, atunci nu este nevoie de un controler fuzzy. Exista multe cazuri cand
reglajul unui controler PID sau proiectarea unui sistem de control pentru un sistem complicat
este coplesitoare. Abia atunci logica fuzzy are sansa de a iesi in evidenta.
Un alt domeniu important de aplicare a controlului fuzzy este in automatizari industriale.
PLC-uri bazate pe logica fuzzy au fost dezvoltate de companii precum Moeller. Aceste PLC-uri,
precum si alte implementari ale logicii fuzzy, pot fi folosite pentru a controla orice numar de
procese industriale.
Logica fuzzy gaseste de asemenea aplicatii in multe alte sisteme. De exemplu, sistemul de
animatie MASSIVE3D pentru generarea multimilor, foloseste logica fuzzy pentru inteligenta
artificiala. Acest program a fost utilizat pe scara larga in realizarea trilogiei Lord of the Rings,
precum si a filmelor Leul, Vrajitoarea si Garderoba.
Ca un ultim exemplu de logica fuzzy, aceasta poate fi utilizata si in alte domenii, nu doar
de control. Logica fuzzy poate fi utilizata in orice proces decizional, cum ar fi procesarea de
semnal sau de analiza a datelor, precum si recunoasterea de date si probleme de trend. Un
exemplu in acest sens este un sistem fuzzy logic, care analizeaza un sistem energetic si
diagnosticheaza orice tulburari armonice. Sistemul analizeaza tensiunea fundamentala, precum si
a treia, a cincea si a saptea armonica, precum si temperatura pentru a determina daca exista
motive de ingrijorare in functionarea sistemului. [13]

SISTEMUL DE CONTROL LA SCARA LARGA

O directie importanta in proiectarea sistemelor de inginerie s-a axat pe utilizarea de
modele matematice simplificate pentru a facilita procesul de proiectare. Aceasta constituie asanumita abordare de proiectare de sistem, bazata pe modele. O privire de ansamblu asupra
tehnicilor care stau la baza pot fi gasite in [17]. Cele mai multe rezultate disponibile au trecut cu
vederea pana in prezent cunoasterea operationala a sistemului dinamic. Pe de alta parte, o
abordare a sistemului bazata pe cunoastere [18] a fost propusa a se ocupa cu probleme de analiza
si proiectare pentru diferite clase de sisteme dinamice, incorporand atat cel mai simplu model
disponibil, cat si cele mai bune cunostinte disponibile despre sistem. Pentru sisteme fizice unice,
unul dintre eforturile anterioare in aceasta directie, a fost pe dezvoltarea unui sistem de invatare
expert, a se vedea [19-22] si referintele lor. O abordare alternativa a fost pe integrarea
elementelor sistemelor evenimentelor discrete cu ecuatii diferentiale [23]. O a treia abordare,
sustinuta practic a fost prin utilizarea de control fuzzy logic, prin aplicarea cu succes de seturi
fuzzy si teoria sistemelor [18].
Pentru sistemele interconectate, abordarea de mai sus motiveaza cercetarea in domeniul
controlului inteligent prin combinarea tehnicilor de control si de teoria sistemelor cu cele de
inteligenta artificiala. Accentul principal ar trebui sa fie pe integrarea unei baze de cunostiinte, un
rationament aproximativ (asemanator cu cel uman) si / sau un proces de invatare intr-o structura
ierarhica.
Controlerele fuzzy logic [23, 24, 25] sunt in general considerate aplicabile la instalatii
care sunt matematic slab intelese (nu exista un model matematic acceptabil pentru instalatie) si
deasemenea in cazul in care operatori umani cu experienta sunt disponibili pentru a controla
instalatia in mod satisfacator si sa furnizeze "reguli ale degetului mare" calitative (norme de
control calitative privind frazele vagi si fuzzy).
1) ordonarea ierarhica a regulilor fuzzy este utilizata pentru a reduce dimensiunea
motorului de inferenta.
2) implementarea in timp real sau simularea on-line a controlerelor fuzzy poate ajuta la
reducerea sarcinii seturilor de reguli de dimensiuni mari prin declansarea datelor
senzoriale inainte de introducerea datelor de iesire ale sistemului la motorul de inferenta.
Un efort concertat a fost facut pentru a reduce in mod oficial dimensiunea bazei de reguli
fuzzy pentru a face un control fuzzy atractiv pentru sistemele interconectate. Doua dintre
dificultatile in proiectarea oricarui sistem de control fuzzy sunt:
Forma functiilor de apartenenta.
Alegerea regulilor fuzzy.
Proprietatile unei functii de apartenenta fuzzy sunt de obicei neclare. Prin urmare, am
putea folosi diferite functii de apartenenta pentru a caracteriza aceeasi descriere. Conceptual,
exista doua abordari pentru a determina o functie de apartenenta. Prima abordare este de a utiliza
cunostiintele expertilor umani. De obicei, aceasta abordare nu poate da decat o formula
aproximativa a functiei de apartenenta; se necesita un reglaj fin. In cadrul celei de-a doua
abordari, datele sunt colectate de la diversi senzori pentru a determina functiile de apartenenta.
Deci, structurile functiilor de apartenenta sunt mentionate in primul rand, apoi reglajul fin al
parametrilor functiei de apartenenta ar trebui implementat pe baza datelor colectate [22].

CONTROLUL PUTERII REACTIVE SI IMBUNATATIREA FACTORULUI DE

PUTERE
In zilele noastre, factorul de putere este o problema importanta. Utilizarea tot mai intensa a
electronicii de putere, in toate tipurile de aplicatii industriale si cerintele severe ale standardelor
imping cercetarea spre gasirea de noi solutii pentru a mentine factorul de putere industriala in
anumite limite [38].
O formulare matematica pentru controlul optim al puterii reactive este discutat in [39]. De
asemenea, un fuzzy logic optimizat si controlere digitale PID pentru un convertor de corectie
pentru o singura faza a factorului de putere, utilizat la UPS online ca "sursa de alimentare
neintrerupta" sunt demonstrate in [40, 41]. Parametri ca functii de intrare de apartenenta,
functiile de iesire de apartenenta, regulile de inferenta ale controlerului fuzzy si castigul
proportional, castigul integral si controlerul PID derivat sunt selectate si optimizate prin
algoritmi genetici. In plus, sunt implementate aplicatiile unui convertor hibrid in [42].
Capitolul 6 se axeaza pe utilizarea seturilor fuzzy logic pentru a controla factorul de putere de
alimentare. Spre deosebire de abordarea conventionala capacitiva pentru imbunatatirea factorului
de putere in sistem de curent alternativ, sistemul de control propus are avantajul ca evita
complexitatile asociate cu modelarea matematica neliniara a convertoarelor de comutare.
Schema de control fuzzy logic propusa consta din doua controlere bazate pe abordarea
liniarizata a "Puterii reactive curba unghiului de tragere". Primul controler (FGC) este
conceput pentru a da cea mai apropiata valoare dorita a unghiului de tragere, necesara pentru
compensarea puterii sursa reactive. Cu toate acestea, corectia la iesire a acestui controler nu este
suficient de precisa si, prin urmare, este nevoie de o alta etapa de corectie. Astfel, al doilea
controler (FFC) verifica valoarea factorului sursa de putere si o imbunatateste la o valoare
prestabilita dorita. Mai multe cazuri de studiu sunt ilustrate pentru a asigura perfectionarea
propusa a controlerului.
LOCALIZARI DEFECTE DIN RETEAUA ELECTRICA
In general vorbind, sistemele electrice de distributie a energiei electrice includ toate
partile sistemelor de utilitati electrice dintre sursele de alimentare in masa si echipamentele
service-intrare la consumatori. Functia principala a retelei de distributie este de a furniza energie
electrica produsa din surse mari catre consumatori la nivelul de tensiune dorit si cu un grad de
fiabilitate adecvat [62].
Marile retele de distributie, releele de distanta [62] sau dispozitivele sofisticate detectoare
de erori sunt folosite pe langa metodele traditionale pentru a localiza defectele. In general, toate
metodele de mai sus sunt fie costisitoare sau necesita mult timp pentru a localiza defectele si,
mai mult, atunci cand reteaua este mare si proiectarea sa este complicata. Situatia devine mai
complexa dupa caz intr-o retea multi-inel, mai ales atunci cand citirile efective de eroare sunt
disponibile numai la substatia majora pentru reteaua studiata aici. In ultimii 10 ani, au fost facute
mai multe eforturi pentru a rezolva problemele de localizare a defectelor folosind tehnici
inteligente de programare [65, 66, 67].
O metoda rapida si cu cost relativ redus pentru localizarea defectelor de retea prin utilizarea
tehnicii de fuzzy clustering c-mean este exeplificata in lucrare. Aceasta tehnica introduce metode
pentru normalizarea datelor disponibile si selectarea numarului optim de clustere pentru
clasificarea datelor.

Tehnica dezvoltata este aplicata unei retele de distributie existente de 13,8 kilovolti, care
serveste un camp de productie de petrol si se intinde pe o suprafata de aproximativ saizeci
kilometri patrati.
Rezultatele simularii au demonstrat fezabilitatea si eficienta metodei sugerate de
localizare a defectelor.
MASURI FUZZY
In [68], lucrarea prezinta anumite proprietati ale functiilor masurabile in raport cu masura fuzzy.
De asemenea, unele relatii dintre functiile masurabile si multifunctionalele total-masurabile sunt
stabilite in aceasta lucrare. Lucrarea este pur matematica, si nu a furnizat nici o aplicatie care
poate fi propusa pentru un astfel de algoritm.
In capitolul 9, vom da o bibliografie scurta [68], si, prin urmare, propunem unele aplicatii care
pot fi gasite in aceasta lucrare.
TEHNICA FUZZY CLUSTERING C-MEAN
Clustering incearca sa evalueze relatiile dintre modelele de date stabilite de organizarea
modelelor in grupuri sau clustere, astfel incat modelele dintr-un grup sunt mai asemanatoare intre
ele decat sunt modele apartinand clusterelor diferite. Multi algoritmi pentru clustering fuzzy si de
hard au fost dezvoltate pentru a realiza acest lucru. Un aspect important este strans legat de
valabilitatea clusterului, care se ocupa cu semnificatia structurii impuse printr-o metoda de
clustering.
ALGORITM FUZZY C-MEANS CLUSTERING
Algoritmul fuzzy c-means clustering (FCM) este echivalentul fuzzy al celui mai apropiat
algoritm de hard clustering , care minimizeaza functia urmatoare a obiectivului cu privire la
apartenenta fuzzy ij, si centrul de greutate Vi.
Jm = ci nj (ij)m . ( Xj,Vi ) 2
Unde:
X = vector care reprezinta datele
i = 1,2,c
j = 1,2,n
c = numarul de clustere
n = numarul de puncte de date
m = index fuzzy (mai mare de 1)
Algoritmul FCM este executat in urmatorii pasi:
1. Initializeaza apartenentele ij ale lui Xj apartinand clusterului i in asa fel incat nj ( ij) = 1
2. Calculati centrul de greutate fuzzy Vi pentru I = 1,2, ..., C, utilizand:

3. Actualizati apartenenta fuzyy ij utilizand

4. Repetati pasii 2 si 3 pana cand valoarea lui
Jm nu
mai este in scadere.
FCM converge intotdeauna la minimul
local
strict al lui Jm pornind de la o presupunere
initiala
a ij, dar diferite optiuni ale lui ij initial ar putea duce la minime locale.
VALABILITATEA FUZZY CLUSTER:
Calitatea unui cluster este data de cat de strans sunt asociate punctele de date la centrele
clusterului, iar functiile de apartenenta sunt cele care masoara nivelul de asociere sau clasificare.
Daca valoarea uneia dintre apartenente este semnificativ mai mare decat celelalte pentru un
anumit punct de date, atunci acest punct este identificat ca fiind o parte a subsetului de date
reprezentate de centrul clusterului corespunzator. Dar, fiecare punct de date are c apartenente,
deci, este de dorit a rezuma informatiile cuprinse in apartenenta de un singur numar, care arata
cat de bine este clasificat punctul de date de clustering. Acest lucru poate fi realizat intr-o
varietate de moduri, de exemplu, pentru un punct de date Xj cu apartenenta ij , .., cj, s-ar putea
folosi oricare din urmatoarele:
Index1= ci(ij)2
Index2= - ciijlog(ij)
Index3= maxi(ij)
Index4=mini(ij)/ maxi(ij)
De fapt, primii trei indici ai acestora au fost folositi ca masura a calitatii de clustering si
reprezinta baza pentru coeficientul de valabilitate al partitiei, clasificarea entropiei, si exponentul
proportiei, respectiv [70,71].
Pentru a ilustra folosirea functiei de valabilitate, ne vom concentra pe tehnica
coeficientului de partitie, care va fi folosita in capitolul 4 si 5 din cauza simplitatii sale. Se
bazeaza pe utilizarea Sj = ci(ij)2 ca o masura a clasificarii punctului de date KTH. Acesta este un
indicator rezonabil pentru ca, cu cat mai aproape este un punct de date de un centru cluster, cu
atat mai aproape este Sj de 1, valoarea maxima pe care ar putea-o avea. Invers, cu cat mai
departe este punctul KTH de toate centrele de cluster cu atat mai aproape este valoarea Sj de 1/c,
valoarea minima posibila. Coeficientul de partitie este atunci media pe setul de date a lui Sj. In
special, pentru un set de date X = (x1, ..., xj), precum si o gama specifica de c si m, se obtine
iesirea lui FCM si se calculeaza coeficientul de partitie (PC) din PC = J ( i ( ij)2)/ n. Cu cat
mai aproape este aceasta valoare de alta, cu atat mai bine sunt datele clasificate. Deci, in teorie,
se calculeaza PC pentru iesirile unei varietati de valori ale lui c si m selecteaza cel mai bun
clustering ca si cel corespunzator coeficientului celei mai mari partitii.

BIBLIOGRAFIE(SELECIE)
[3] Muhammad MAS Mahmoud, A New Approach to Fuzzy Control Large Scale System. WSEAS Recent
Researches in Neural Networks, Fuzzy Systems, Evolutionary Computing and Automation, ISBN: 978-960-474292-9, Pp 161-168, Brasov, 2011.
[6] Muhammad MAS Mahmoud Accurate Reactive Power Controller and Power Factor Correction using Fuzzy
Logic Journal of Energy and Power Engineering, 1, May 2013. [6]. (To Be Published)
[8A] Muhammad MAS Mahmoud , Electrical Short Circuit Finding in MV Network Using Fuzzy Clustering
Techniques, WSEAS- Advances in Power and Energy Systems, Pp 122-126, Romania 2012.
[8B] Muhammad MAS Mahmoud , 3-Phase Fault Finding in Oil Field MV Distribution Network Using Fuzzy
Clustering Techniques, Journal of Energy and Power Engineering, JEPE12101102, Pp 155-161, January 2013.
[10] Muhammad MAS Mahmoud New Area in Fuzzy Applications Fuzzy Controllers Recent Advances in
Theory and Applications (Book), Chapter 17, ISBN 978-953-51-0759-0, Pp 385 440. Intech, Croatia, 2012.
[11] Lotfi A. Zadeh, Is there a need for fuzzy logic?, ELSEVIER, Information Sciences 178 (2008) 27512779.
[14] M. S. Mahmoud, M. F. Hassan and M. G. Darwish, Large Scale Control Systems: Theories
and Techniques, Marcel Dekker Inc., New York, 1985.
[16] M. S. Mahmoud, Computer-Operated Systems Control, Marcel Dekker Inc., New York, 1991.
[25]. Takagi, and M. Sugeno ,Fuzzy Identification of Systems and its Applications to Modelling and Control,
IEEE Trans. On System, Man,and Cybernetics, Vol. 15, 1985 , pp. 116-132.
[38] Suciu, C. ; Liliana; Dafinca; Kansara M.; Margineanu , Switching capacitor fuzzy controller for power factor
correction on inductive circuit, Power Electronics Specialist Conference, 31st Annual, 2000, IEEE, vol. 2,pp
[39] K.H . Abdul-Rahman, S.M. Shahidehpour, Application of Fuzzy Sets to Opteimal Reactive Power Planning
With Security Constrains, Transaction of Power System . 1994Vol. 9, No. 2, Pp 569-597.
[40] Yu Qin; ShanShan Du, To Design Fuzzy and Digital Controller for a Single Phase Power Factor
Preregulator-Genetic Algorithm Approach, Industrial Application Conference, Annual, 1997 IEEE, vol, 2, pp 791[42] Borges da Silva, L.E.; Ferreira da silva; M.; Lambert-Torres, G., An Intelligngent Hybrid Active Power Factor
Compensator for Power Systems, Man and Cybernetcs, 1995. Intellegent system for the 21st Century, IEEE, vol.2
pp1367-1371.
[46] Mohammad T. Bina, David C. Hamill, The Bootstrap Variable Inductance, A New Facts control Element,
IEEE , Power Electronics Specialists Conference, 1999. PESC 99. 30th Vol.2 Pp 619-625, 1999.
Investigation Guide Human Factors Accident and Incident Analysis Checklist Summary,
(2005).
[65] Q. Zhang, Y. Zhang, W. Song and Y. Yu, Transmission line fault location for phase-to-earth fault using oneterminal data, IEE March 1999, Vol. 146, Issue2, (p.121)
[66] Z.Q. Bo, G. Weller and M.A. Redfern, Accurate fault location technique for distribution system using faultgenerated high-frequency transient voltage signals, IEE January 1999, Vol. 146 Issue 1 (p.73).
[70] James C. Bezdek and Sankar K. Pal, Fuzzy Models For Pattern Recognition, The Institution of Electrical and
Electronics Engineering, Inc. NY 10017-2394, USA,.1992
[71] Michael P. Windham, Cluster Validity For The Fuzzy C-Means Clustering Algorithm,
IEEE Trans. Pattern Anal Machine Intell., vol. PAMI-4, no. 4, pp. 357-363,1982.