REELE NEURONALE CU NVARE NESUPRAVEGHEAT DE TIP KOHONEN.

Utilizarea RNA pentru rezolvarea unor probleme practice necesit parcurgerea, unei
etape eseniale - etapa de nvare sau antrenare. n majoritatea cazurilor, antrenarea unei RNA
const n determinarea ponderilor conexiunilor sinaptice dintre neuroni wij i a pragurilor fiecrui
neuron i , care asigur performanele optime ale reelei, n sensul n care, pentru un set de date
aplicat la intrare, reeaua ofer la ieire rspunsul cel mai apropiat de soluia exact a problemei
studiate. Din punctul de vedere al metodei de antrenare, reelele neuronale pot fi clasificate n
dou mari categorii: reele cu antrenare supravegheat i reele neuronale cu antrenare
nesupravegheat.
Perceptronul multistrat este cea mai reprezentativ i des utilizat reea neuronal cu
antrenare supravegheat. Din a doua categorie, fac parte reelele Hopfield i Kohonen.

Reele neuronale artificiale de tip Kohonen

Reelele SOFM hri de trsturi cu auto-organizare (n englez Self-Organizing
Feature Maps) au fost inspirate dup organizarea creierului uman, n care relaii spaiale sau de
alt tip ntre stimuli corespund unor relaii spaiale ntre neuroni, iar cortexul cerebral are forma
unei pnze subiri care nfoar suprafaa creierului, realiznd prin modul de dispunere a
centrilor nervoi o proiecie deformat a ntregului corp.
Pe baza acestor observaii, Kohonen a construit reelele SOFM, ce au fost concepute
pentru nvarea nesupravegheat, deseori numit i auto-organizare. Dac n cazul nvrii
supravegheate setul de antrenare coninea perechi intrare-ieire dorit, iar reeaua neuronal
trebuia s realizeze maparea intrrilor ctre ieiri, la nvarea prin auto-organizare setul de
antrenare conine numai mrimi de intrare, iar reeaua SOFM ncearc s nvee structura datelor
de intrare, chiar i n cazul inexistenei vreunei informaii despre aceast structur. Reeaua
nva singur, fr a i se indica rspunsul corect pentru un model prezentat la intrare. Altfel
spus, ea descoper trsturi caracteristice ale datelor de intrare, fr a folosi valori cunoscute
sau dorite la ieire. Informaiile despre aceste trsturi caracteristice se creeaz n procesul de
nvare i sunt memorate n ponderile conexiunilor sinaptice, sub forma unor aa-numite
prototipuri. n orice moment, ieirile reelei descriu relaia dintre intrarea curent i prototipurile
memorate n reea.
n studiul de caz realizat, s-a folosit principiul nvrii competitive, care extrage din
datele de intrare un set de prototipuri sau vectori centru asociai unor zone din spaiul datelor de
intrare. Fiecare prototip este memorat ca un vector de ponderi. Numrul prototipurilor este
independent de dimensiunea spaiului de intrare. O hart de trsturi se obine dac la neuronii
dintr-o reea cu nvare competitiv se adaug o form de organizare topologic
Reeaua SOFM folosete dispunerea neuronilor n nodurile unei grile, de obicei, dar nu
obligatoriu, bi-dimensional. In aceast lucrare, s-a folosit o gril unidimensional (Fig.1). Un
neuron din grila-suport este asociat unei clase, fiind numit neuron-clas. Fiecare dintre acetia
este caracterizat de poziia sa n gril i un anumit prototip.

neuroni-clas vecintate
Fig. 1 Structura reelei Kohonen cu gril unidimensional.

De fiecare dat cnd reelei i se prezint un model de intrare, se calculeaz distanele

euclidiene ntre modelul respectiv i prototipurile neuronilor-clas. Dintre aceste distane se alege
cea cu valoare minim, iar neuronul-clas asociat acesteia va purta numele de neuron ctigtor.
Dup prezentarea unui numr de modele de intrare, reeaua ncearc s proiecteze grila-suport
n spaiul datelor de intrare, astfel nct fiecare vector de intrare s fie ct mai apropiat de un
anumit prototip, iar proiecia grilei s fie ct mai puin deformat.
 Principala particularitate a reelelor SOFM este aceea c adaptarea ponderilor
prototipurilor nu are loc numai pentru neuronul-clas ctigtor, ci i pentru neuronii-clas aflai n
apropierea sa. Vecintatea neuronului clas c, care l include ntotdeauna i este centrat pe
acesta, este definit ca fiind mulimea neuronilor-clas dispui n nodurile grilei-suport la o
distan fa de neuronul c mai mic dect o anumit valoare-prag.
ntr-o reea SOFM, toi neuronii-clas concureaz pentru dreptul de a nva. Fiecare
vector din setul de antrenare, notat x(m), este comparat cu prototipurile wc asociate neuronilor
clas. Neuronul ctigtor este acela pentru care distana ||x(m)-wc|| este minim. Dup stabilirea
neuronului ctigtor c, acesta i adapteaz prototipul alturi de toi neuronii-clas aflai n
vecintatea sa, notat Vc. n aplicaia realizat, s-au folosit vecinti continue, ce sunt
caracterizate de o funcie de form gaussian:
c2
(1)
Vc e 2
2

unde 2 este dispersia, care descrie mprtierea distribuiei gaussiene, iar c este distana dintre
neuronul-clas c i neuronul ctigtor ccs, msurat prin diferena dintre poziiile celor doi
neuroni pe grila-suport:
c = | Pc - Pcs | (2)
Vecintatea neuronului ctigtor este definit de dispersia 2. Cu ct gradul de
mprtiere pentru un neuron este mai mare, cu att vecintatea sa este mai larg. n cursul
antrenrii reelei, vecintile neuronilor trebuie ngustate, pentru a se evita blocarea n minime
locale. Iniial, se pornete, n principiu, de la vecinti foarte largi (practic, vecintatea unui
neuron cuprinde toi neuronii-clas din reea). n prima etap (ordonarea) are loc organizarea
brut a hrii de trsturi i ordonarea primar a caracteristicilor datelor de intrare. Prototipurile
multor neuroni-clas sunt asemntoare. n etapa a doua (convergena), vecintile se
ngusteaz treptat, pn ajung la 0 i are loc diversificarea prototipurilor.
n ceea ce privete prototipurile, acestea sunt iniializate n general aleatoriu, cu valori din
intervalul (0,1). Se consider apoi fiecare model de intrare x(m), pentru care se face adaptarea
unilateral a prototipurilor neuronilor-clas, astfel: dup determinarea neuronului ctigtor ccs, se
face adaptarea ponderilor numai pentru neuronii din vecintatea sa, prin apropierea prototipurilor
de modelul curent. Restul neuronilor nu i modific ponderile. Matematic, se poate scrie:

wc wc x m wc ceV cs

(3)
wc = wc c e Vcs
unde este rata de nvare.

Un domeniu n care reelele neuronale cu nvare nesupravegheat i gsesc o larg

aplicabilitate l reprezint recunoaterea formelor. Proprietile associative ale RNA Kohonen sau
Hopfield sunt utilizate n variate aplicaii, pornind de la recunoaterea optic a caracterelor (OCR)
pn la studii de profilare a sarcinii n energetic.

Profilarea sarcinii
Metodele ce pot fi folosite pentru dezvoltarea unei metodologii de profilare a sarcinii
difer, n funcie de datele pe care le are la dispoziie furnizorul i de efortul financiar pe care
acesta este apt a-l depune. Astfel, tehnica denumit profilarea sarcinii reprezint un set de
proceduri care permite transformarea istoricului de consum al unor consumatori, care nu sunt
echipai cu contoare electronice, ntr-o serie de curbe de sarcin estimate, pentru o anumit
categorie de consum, profilate orar, denumite frecvent grafice sau curbe tip de sarcin.
O Curb sau un Grafic Tip de Sarcin descrie o estimare a tiparului mediu de consum al
unui grup de consumatori, n care variaia sarcinii se indic la nivel orar sau la nivelul unei
subdiviziuni corespunztoare (de exemplu la sfert de or). Curbele tip de sarcin se exprim de
regul n uniti relative ; de exemplu, diagrama de mai jos indic un asemenea grafic tip de
sarcin.

01:00 02:00 03:00 04:00 05:00 06:00 07:00 08:00 09:00 10:00 11:00 12:00
0.55 0.40 0.35 0.34 0.34 0.39 0.60 1.08 1.06 0.93 0.88 0.87

13:00 14:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 23:00 24:00
0.92 0.86 0.83 0.96 1.36 1.72 1.79 1.67 1.54 1.44 1.23 0.87

2
1.8
1.6
1.4
Consum (u.r.)

1.2
1
0.8
0.6
0.4
0.2
0
11

15

21
1

13

17

19

23
Ora

Fig. 2 Exemplu pentru un grafic tip de sarcin exprimat n u.r.

n cele ce urmeaz sunt descrise succint cteva dintre cele mai cunoscute asemenea
metode.

Metoda curbei de sarcin a sistemului

Aceast metod folosete forma curbei de sarcin a sistemului (zona deservit de
furnizorul respectiv) pentru modelarea tuturor consumatorilor din sistem. Aceasta este cea mai
primitiv form de profilare a sarcinii. Dei nu presupune costuri adiionale, metoda curbei de
sarcin a sistemului se caracterizeaz prin precizii foarte slabe, deoarece foarte muli
consumatori vor avea curbe de sarcin cu forme total diferite.

Metoda curbei de sarcin nete a sistemului

Aceast metod folosete, de asemenea, o curb unic pentru modelarea tuturor
consumatorilor. Curba unic, de referin, se obine de aceast dat din curba sistemului, din
care se scade curba de sarcin agregat a tuturor consumatorilor prevzui cu contoare
electronice. Costurile implicate de implementarea acestei metode sunt reduse, ns precizia este
nc foarte slab, chiar dac poate fi mbuntit prin instalarea unui numr sporit de contoare
electronice.

Metoda curbelor tip statice

n acest caz, folosind date din istoricul de consum al anumitor categorii de consumatori,
se construiesc curbe tip de sarcin pentru diferite tipuri de zile i regimuri sezoniere. Aceast
abordare reprezint un salt calitativ remarcabil n raport cu cele dou metode anterioare, care se
traduce prin creterea substanial a preciziei de reprezentare. Totui metoda curbelor tip statice
implic costuri suplimentare, achiziia unor date pentru formarea istoricului de consum i ceea
ce este mai important nu ia n considerare factorii care pot influena nivelul consumului de
energie electric (de ex. condiiile meteorologice).

Metoda curbelor de sarcin similare

Curbele de sarcin similare se construiesc folosind date corespunztoare unei zile
asemntoare zilei de calcul conform anumitor criterii. Exist o varietate larg de criterii de
similitudine ce pot fi folosite, dintre care amintim consumul total de energie din sistem, tipul de zi
sau condiiile meteorologice. Aceast metod are o precizie comparabil cu cea a metodei
curbelor tip statice, ns necesit un istoric de consum mai restrns. Totodat, principiul metodei
asigur (dei nu ntr-o form foarte riguroas i transparent) luarea n considerare a factorilor
care pot influena nivelul consumului (condiiile meteorologice).

Metoda curbelor tip statice ajustate

Pentru aceast metod, curbele tip de sarcin sunt create prin prelucrarea istoricului de
date pentru o anumit categorie de consum. Curbele astfel generate sunt ajustate apoi pentru a
reflecta influena anumitor factori (de ex. condiiile meteorologice). Din punctul de vedere al tipului
de abordare, cele mai rspndite modele pentru aceast metod sunt regresia liniar i reelele
neuronale artificiale. Chiar dac implic costuri suplimentare i necesit existena unui istoric al
sarcinii, aceast metod se caracterizeaz printr-o precizie superioar metodelor descrise
anterior.

Metoda curbelor tip dinamice

Aceast metod presupune instalarea, cu caracter permanent, a unor contoare
electronice la o serie de consumatori considerai reprezentativi pentru diferite categorii de
consum. n plus, contoarele respective trebuie interogate zilnic, pentru preluarea curbelor de
sarcin (teletransmisie). Folosind datele astfel obinute, se genereaz zilnic noi curbe tip de
sarcin pentru fiecare categorie de consum. Totodat, caracterul zilnic al prelucrrii curbelor tip
face ca acestea s includ ntr-o form indirect i influenele unor factori cum ar fi condiiile
meteorologice. n prezent, se consider c aceasta ar fi cea mai performant metod de profilare
a sarcinii, care exclude i existena oricrui istoric al consumului. Totui, costurile antrenate n
special de teletransmisia datelor i de achiziionarea contoarelor electronice pentru consumatorii
reprezentativi, pot reduce substanial atractivitatea ei.

Metoda curbelor tip dinamice cu decalaj

Aceast metod este asemntoare metodei dinamice standard, exceptnd faptul c interogarea
contoarelor electronice instalate la consumatorii considerai reprezentativi nu se mai face zilnic, ci
sptmnal sau lunar. Costurile asociate acestei metode se reduc ntr-o anumit msur, dar i
precizia de modelare are de suferit.

Analiza comparativ a metodelor de profilare

Dintre cele apte metode de profilare a sarcinii prezentate, primele dou metoda curbei
de sarcin a sistemului i metoda curbei nete de sarcin a sistemului sunt cele mai imprecise
i de aceea utilizarea lor nu se recomand dect n situaiile n care nu exist studii prealabile
privind profilarea sarcinii. La cealalt extrem se situeaz metodele curbelor tip dinamice
standard sau cu decalaj, care implic ns costuri foarte mari. Pe de alt parte, metoda curbelor
tip statice, dei asigur o precizie relativ bun nu poate fi utilizat dect cu caracter interimar,
deoarece nu ia n considerare factorii de influen cum ar fi condiiile meteorologice. n sfrit,
metoda curbelor de sarcin similare i metoda curbelor tip statice ajustate conduc la rezultate
similare din punctul de vedere al preciziei. Totui, prima dintre aceste metode este considerat
mult prea simplist, n principal din punctul de vedere al criteriului de similitudine folosit.
n acest context, majoritatea lucrrilor care abordeaz problematica profilrii sarcinii
recomand profilarea static ajustat ca fiind cea mai convenabil n momentul de fa. Totodat,
avnd n vedere precizia de calcul sporit, profilarea dinamic a sarcinii rmne o opiune
atractiv pentru viitor. n Fig. 3 se indic o posibil etapizare a metodologiei de profilare a sarcinii.

Etapa 1 Etapa 2
Definirea curbei de Curbe de sarcin nete ale
sarcin nete a sistemului sistemului la nivelul
la nivel de nod reelei

Etapa 3
Curbe tip de sarcin
bazate pe studii de sarcin

Etapa 5 Etapa 4
Monitorizare 100% cu Instalarea parial de
contoare electronice contoare electronice
(profilare dinamic)

Fig. 3 Etapizarea profilrii sarcinii.

Segmentarea structurii de consum

Indiferent dac este vorba de abordarea static sau de cea dinamic, construirea
graficelor tip de sarcin presupune parcurgerea anumitor etape, dintre care cea mai sensibil n
raport cu rezultatele profilrii este segmentarea. Segmentarea este operaia prin care se decide
numrul de grafice tip de sarcin ce urmeaz s descrie consumatorii din categorii reprezentative
pentru populaia considerat. n general, ca parametri de segmentare se pot folosi individual sau
n combinaii: activitatea desfurat de consumator; amplasarea acestuia n cadrul sistemului;
tariful aplicat; nivelul de consum apreciat dup puterea absorbit, energia consumat sau factorul
de putere; tipul zilei i sezonul.
n general, la alegerea numrului de curbe tip de sarcin, pe baza acestor criterii, se
recomand luarea n considerare a urmtoarelor aspecte:

Categoriile de consum trebuie s reflecte grupuri de consumatori relativ omogene din

punctul de vedere al formei curbei de sarcin.
Fiecare curb tip trebuie s difere semnificativ de celelalte curbe.
Numrul total de curbe tip trebuie s fie ct mai redus.
Construirea curbelor tip trebuie s se fac urmrind minimizarea dezechilibrului balanei
producie/consum (inclusiv pierderi) a sistemului.

Sunt interesant de urmrit soluiile de segmentare adoptate de diferii furnizori n lume.

De exemplu, compania Illinois Power (S.U.A.) folosete 32 segmente mprite dup nivelul de
consum (mai mic sau mai mare de 200 kW), natura consumului (general sau pentru nclzire
electric), natura activitii (birouri, comer cu amnuntul, restaurante, locuine, coli, etc), precum
i 4 segmente speciale, care au n vedere iluminatul public i ali consumatori speciali. O alt
companie de electricitate din S.U.A., compania BGE folosete un model de segmentare cu 4
segmente pentru consumul casnic (cu / fr nclzire electric i cu / fr tarif difereniat) i 3
segmente pentru consumatorii comerciali (peste 60 kW i tarif difereniat, respectiv sub 60 kW, cu
/ fr tarif difereniat). n sfrit, Rockland Electric Company folosete o segmentare foarte
adnc i complex, organizat pe 5 straturi, ajungnd n cele din urm s foloseasc cte 475
curbe tip n decursul unui an, pentru consumatorii casnici i comerciali.
n momentul de fa, n ara noastr ANRE a stabilit urmtoarele segmente de consum:
consumatori casnici, consumatori ageni economici (consumatori industriali, servicii publice,
consumatori agricoli, consumatori teriari) i consumatori atipici.
Dup cum se constat din parcurgerea acestor exemple, modul de segmentare
urmrete n principiu dou componente majore consumatorii casnici i cei comerciali ns n
interiorul fiecrei componente segmentarea difer substanial de la un furnizor la altul i nu este
ntr-att de limitativ cantitativ precum rezult din cerinele generale ale profilrii, menionate mai
sus
n acest context, implementarea unor soluii specifice inteligenei artificiale, au ca obiectiv
simplificarea etapei de segmentare, asigurnd totodat o rezoluie ct mai bun a acestui proces.

Aplicaii

TEMA A Recunoaterea formelor

Scopul lucrrii l reprezint studiul capabilitii reelelor neuronale de Kohonen de a
identifica ntr-o form alterat prezentat la intrare, caracteristicile uneia din formele predefinite
memorate n etapa de antrenare. Formele standard pe care le nva RNA sunt cifrele arabe 1, 2,
3, 4, 5, 6, 9 i caracterul .. Caracterele sunt memorate sub form de matrice cu 12 linii i 10
coloane ale cror elemente formeaz o suprafa n interiorul creia apartenena unui punct
(element din matrice) la forma memorat este modelat prin valoarea 1, iar un punct liber are
valoarea 0.

Recunoaterea formelor folosind reeaua neuronal Kohonen

n Fig. 4 este prezentat aplicaia software pentru studiul recunoaterii formelor folosind o
reea Kohonen. Pe lng cifrele utilizate n aplicaia anterioar, aceasta permite construirea a
maximum 4 modele oarecare, imaginate de utilizator (matricele notate generic A, B, C, D). Un
asemenea model se construiete cu mouse-ul pe panoul Model Iniial i se salveaz n una din
matricele A - D folosind butonul Actualizare model.
 Fig. 4 Aplicaia de calcul pentru studiul recunoaterii formelor cu RNA Kohonen

Similar construirii unui model nou, perturbarea unui model existent se face pe panoul
Model Iniial. La apsarea butonului Recunoatere, se va evidenia grafic i numeric modelul
recunoscut, n panoul corespunztor acestuia. Se va afia caracterul prezent n setul de date de
antrenare care difer cel mai puin de modelul perturbat.

Tema lucrrii:
Se va studia, pentru seturile de antrenare existente, capabilitatea de recunoatere a
formelor cu reelele neuronale de tip Kohonen.

TEMA B Profilarea sarcinii

Clasificarea curbelor de sarcin folosind reele Kohonen

Folosind aplicaia EleFact (Fig. 5), se va verifica capacitatea acestui tip de reea de a
recunoate i separa n clase diferite formele curbelor de sarcin ce descriu consumul zilnic al
unui consumator de tip agent economic.

Fig. 5 Fereastra principal a aplicaiei EleFact

Etapele utilizrii programului:

- introducerea datelor de intrare
Prin apsarea butonului , se deschide o caset de dialog suplimentar n care se
indic calea de pe disc unde se gsete fiierul de date analizat. n partea superioar a ferestrei
va apare lista cu toate fiierele n format *.RPT care conin date, dintre care se alege prin bifare
cel dorit (coloana Ins din Fig. 5). Pentru analiza unui singur fiier, se selecteaz fiierul respectiv
(i numai acesta) n coloana Ins, dup care se apas butonul . Dup citirea datelor din
fiierul *.RPT selectat, valorile prelucrate (consumuri nregistrate din 15 n 15 minute) vor fi
afiate n partea inferioar a ferestrei aplicaiei (Fig. 5).
 - profilarea curbelor de sarcin, afiarea i analiza rezultatelor
Utiliznd meniul Profilare, se acceseaz fereastra de lucru a modulului de profilare. n
aceast fereastr, se va efectua conversia valorilor din aplicaia principal n valori orare,
eliminndu-se n acelai timp curbele incomplete ce ar putea mafecta rezultatele profilrii. n
acest scop, se va alege din meniul Antrenare importarea datelor din gridul ferestrei principale.
Meniul Opiuni permite modificarea parametrilor reelei (rat de nvare, dispersie,
factori de descretere, numr de cicluri de antrenare, prag de difereniere a claselor) i a tipului
de nvare (cu numr fix sau liber de clase).
Dup antrenarea reelei, programul va prezenta urmtoarele rezultate (Fig. 6):
- numrul de curbe tip (clase) determinate de reea;
- apartenena curbelor de sarcin din setul de intrare la clasele determinate de reea,
numeric i grafic;
- pentru fiecare clas determinat, graficul tip al acesteia, numeric i grafic.

Fig. 6 Rezultatele profilrii

APLICAIE
Dup modelele prezentate mai sus, se vor studia curbele de sarcin aparinnd mai
multor categorii de consumatori, pentru cazul clasificrii cu reeaua Kohonen. Se vor compara
rezultatele obinute i se vor trage concluzii referitoare la posibilitile de folosire a reelelor
neuronale Kohonen n domeniul profilrii sarcinii.