Documente Academic
Documente Profesional
Documente Cultură
Tehnologia fuzzy a fost aplicata în multe din problemele tradiţionale, iar recent, a
fost aplicata în domenii ca tehnologia informaţiei, telecomunicaţii, controlul traficului si,
nu în ultimul rând, în sistemele energetice.
4
Creşterea competiţiei si presiunea în reducerea costurilor de alimentare cu energie
forţează managerii de centrale si inginerii sa forţeze din ce în ce mai tare sistemul în
fiecare an, aşteptând sa obtina aceleaşi niveluri de fiabilitate sau chiar creşterea acestora.
5
A doua parte a lucrării este o descriere a fenomenelor fizice care au loc în acest
sistem şi a elementelor componente. Aceste informaţii sunt importante în vederea alegerii
mărimilor de intrare pentru modelul neuro-fuzzy.
Ultimul capitol conţine etapele practice urmate pentru obţinerea unor modele neuro-fuzzy
de tip ANFIS şi rezultatele experimentale.
6
Capitolul 1
1.1.1 Introducere
7
propoziţii fuzzy [Kaufmann, 1977]. Cu ajutorul mulţimilor fuzzy se obţin mijloace simple
de manipulare a conceptelor vagi şi imprecise [Negoiţă, 1974]. Mulţimile fuzzy pot fi
folosite pentru reprezentarea variabilelor lingvistice, cu care se poate defini o logică nouă,
mai apropiată de raţionamentul uman, logica fuzzy [Zadeh. 1988]. Variabilele lingvistice
pot fi privite, fie ca variabile ale căror valori sunt numere fuzzy, fie ca variabile ale căror
valori sunt definite în termeni lingvistici [Dubois, 1978]. Variabilele lingvistice sunt
variabile ale căror valori sunt propoziţii într-un limbaj natural sau artificial [Zadeh, 1973].
Propoziţiile condiţionate fuzzy sunt expresii de forma dacă A atunci B, în care A şi
B sunt mulţimi fuzzy. O succesiune ordonată de instrucţiuni alcătuite din propoziţii fuzzy
constituie un algoritm fuzzy. Executarea unui algoritm fuzzy piesupune activarea unei
reguli de inferenţa fuzzy [Zadeh, 1994J.
Cu ajutorul variabilelor lingvistice şi a algoritmilor fuzzy se pot aborda domenii
diverse din economie, management, psihologie, medicină, biologie, inteligenţa artificială,
conducerea şi reglarea proceselor.
Definiţie:
Variabila lingvistică x este caracterizată de quintuplul [Driankov, 1993]:
x, T ( x ), Ux, Gx, Mx
8
T(viteză) = { redusă, medie, foarte redusă, mai mult sau mai puţin rapidă, rapidă,
foarte rapidă,...}
In relaţia de mai sus fiecaic termen din T(viteză) este caracterizat de o mulţime
fuzzy, de exemplu în universul Ux = [0, 120] km/h.
Se poate interpreta "redusă" ca o "viteză mai mică de 40 km/h, "medie" ca o
"viteză apropiată de 60 km/h" şi "rapidă" ca o "viteză mai mare de 80 km/h".
Universul Ux poate fi discret sau continuu.
Funcţia semantică Mx ia ca argument un simbol din mulţimea T(x) şi permite
obţinerea înţelesului acestuia în termenii unei mulţimi fuzzy T(x) definită pe U:
~ (1.1.1)
M x : T ( x) T ( x)
Un tip incipient de logică fuzzy a apărut încă din 1920, propus de matematicianul
polonez Jan Lukasicwicz (inventatorul notaţiei poloneze). Sistemul său permitea
extinderea valorii de adevăr a unei propoziţii la coate numerele reale din intervalul [0,1].
Un număr din acest interval era interpretat drept posibilitatea ca propoziţia
considerată să fie adevâărată sau falsă. Aceste cercetări au dus la apariţia teoriei
posibilităţii, o tehnică de raţionament în condiţii de inexactitate.
In 1965, Lotfi Zadeh a extins teoria posibilităţii într-un sistem formal de logică
matematică. De asemenea, a adus în discuţie modalităţile de lucru cu termeni nuanţaţi ai
limbajului natural. Aceast instrument de reprezentare şi manipulare a termenilor nuanţaţi
se numeşte logica fuzzy. Logica tradiţională consideră că un obiect poate aparţine sau nu
unei multimi. Logica fuzzy permite o interpretare mai flexibilă a noţiunii de apartenenţă.
Astfel, mai multe obiecte pot aparţine unei mulţimi în grade, diferite. De exemplu,
dacă avem în vedere mulţimea oamenilor tineri. Un copil de 10 ani e cu siguranţă tânăr,
în timp ce o persoană de 60 de ani cu siguranţă nu. Dar un om de 30 de ani? Sau de 40? în
acest caz, putem afirma că persoana de 30 de ani aparţine mulţimii respective într-o
măsură mai mare decât cea de 40.
Fie X universul discursului, cu elemente notate x. O mulţime fuzzy A a universului
de discurs X este caracterizată de o funcţie de apartenenţă A (x ) care asociază fiecărui
clement x un grad de apartenenţă la mulpimea A:
9
A ( x) : X [0,1] (1.1.2)
Pentru a reprezenta o mulţime fuzzy, trebuie să-i definim mai întâi funcţia de
apartenenţă, în acest caz, o mulţime fuzzy A este complet definită de mulţimea tuplelor:
A X , A ( x) | x X (1.1.3)
Dacă este o mulţime finită X= { xl,..., xn}, atunci se foloseşte de multe ori notaţia:
A 1 / x1 ......n / xn (1.1.4)
10
Pe un univers de discurs pot fi definite mai multe submulţimi fuzzy. De exemplu,
pentru universul vârstelor unor persoane, putem defini submulţimile oamenilor tineri,
bătrâni sau de vârstă mijlocie. Aceste submulţimi se pot intersecta (este chiar recomandat
acest fapt). Aceeaşi persoană va aparţine submulţimii oamenilor tineri cu un grad de 70%,
submulţimii oamenilor de vârstă mijlocie cu un grad de 90% şi submulţimii oamenilor
bătrâni cu un grad de 30%.
supp(A) = x X | A ( x) 0 (1.1.5)
n( A) x X | A ( x) 1 (2.1.7)
Fie Asi B submulţimi fuzzy ale lui X. Spunem că A este o submulţime a lui B dacă:
A ( x) B ( x), x X .
11
Fig. 1.1.2 A submultime a lui B
daca
1 (c x) / a
A ( x)
1 ( x c) / daca
0
ca xc
c xc (1.1.8)
altfel
12
Fig. 1.1.3 Număr fuzzy 'triunghiular
1 (c x) / a
A ( x)
1, c
1
( x
x
d
d ) /
0
daca ca x c
13
Aici notăm: A = (c, d, , ), iar supp(A) = ( c , c ). Semnificaţia unui
număr fuzzy trapezoidal cu intervalul de toleranţă [c,d] este "x este aproximativ între c şi
d".
Operaţiile cu mulţimile fuzzy sunt o extindere a celor din logica clasică. Dacă
mulţimile fuzzy implicate au grade de apartenenţă 0 şi 1, semnificaţia operaţiilor este
aceeaşi ca în teoria clasică a mulţimilor, de aceea şi simbolurile utilizate sunt aceleaşi. Fie
A şi B submulţimi fuzzy ale universului de discurs X. Intersecţia lor se defineşte astfel:
14
Fie A şi B submulţimi fuzzy ale universului de discurs X. Reuniunea lor se
defineşte astfel:
c ( x) 1 ( x ), x X (1.1.12)
15
Din ultimele două linii ale tabelului, ne dăm seama că în logica fuzzy nu se
respectă principiul terţului exclus (A Ac =X) şi nici cel al noncontradicpiei (A Ac=
).
, x x0
0
( x; x 0 , x1 )
( x
1
x 0 ) /( x1 x0 ) , x 0 x x1 (1.1.13)
, x1 x
, x x0
0
L ( x; x 0 , x1 )
( x1
1
x ) /( x1 x0 ) , x 0 x x1 (1.1.14)
, x1 x
16
0 x 0
, x x0
0
( x; x 0 , x1 , x 2 )
( x x 0 ) /( x1 )
( x
2 x ) /( x 2 x1 )
, x 0 x x1 (1.1.15)
, x1 x x 2
, x x0
0
( x x
0 ) /( x1 x0 )
, x 0 x x1
H ( x; x 0 , x1 , x 2 , x 3 )
, x1 x x 2
1
( x 3 x ) /( x 3 x2 )
, x 2 x x3
(1.1.16)
17
0.5
0 x 0 x
18
1.1.5 Fuzzvficarea informaţiei ferme
19
1.1.6 Inferenţe vagi. Baze de reguli
(1.1.17.1)
Relaţii fuzzy
20
Notaţii:
Fie X şi Y universuri nenumărabile şi o funcţie de apartenenţă R :XXY
[0,1].
R
XxY
R ( x, y ) /( x, y )
(1.1.18)
R
XxY
R ( x, y ) /( x, y ) (1.1.19)
21
1.2 Retele neuronale
1.2.1 Introducere
22
operaţii aritmetice precise şi rapide. Reţelele neuronale nu dispun de unităţi de procesare
puternice,dimpotrivă, acestea sunt caracterizate printr-o simplitate extremă, însă
interacţiunile lor pe ansamblu produc rezultate complexe datorită numărului mare de
conexiuni.
O reţea neuronală este un procesor masiv paralel, distribuit, care are o tendinţă
naturală de a înmagazina cunoştinţe experimentale şi de a le face disponibile pentru
utilizare. Ea se aseamănă cu creierul în douã privinţe:
Cunoştinţele sunt căpătate de reţea printr-un proces de învăţare;
Cunoştinţele sunt depozitate nu în unităţile de procesare (neuroni), ci în
conexiunile interneuronale, cunoscute drept ponderi sinaptice.
23
Reţelele neuronale se caracterizează prin trei elemente: modelul neuronului,
arhitectura reţelei şi algoritmul de antrenare folosit.
24
n
y f wi xi (1.2.1)
i 1
O reţea neuronală simplă constă din aranjarea unui grup de neuroni într-un singur
strat:
25
Fig. 1.2.3 Arhitectura reţelei
Aceasta are N intrări şi K ieşiri. Fiecare intrare se aplică tuturor celor K neuroni.
Vectorul de ieşire va rezulta din aplicarea funcţiei de activare produsului scalar al
matricei ponderilor W cu vectorul de intrare X:
S W T X f ( S ) f (W T X )
x1
X x 2
.
.
.
x N
(1.2.2)
26
Fig. 1.2.4 Reţea feed-forward multistrat
f (xn )
x n ! x n (1.2.3)
f ( x n )
F F F
F i j k ..... (1.2.4)
x y z
Gradientul ne spune cum variază funcţia în diferite direcţii. Ideea algoritmului este
găsirea minimului funcţiei de eroare în raport cu ponderile conexiunilor. În continuare se
28
vor prezenta paşii algoritmului, pentru o reţea cu un singur strat ascuns şi o singură
unitate de ieşire.
x , y ,... x
1 1 k
, yk
29
Pasul 3: Începe procesul de antrenare. Se prezintă vectorul de intrare xk şi se
1
calculează ieşirea O: O T unde oi este vectorul de iesire al stratului
1 e W oi
1
ascuns: Oi T k , l=1,…,L.
1 e Wl x
( y k O) 2
EE
2
Pasul 7: Dacã k < K, atunci k = k+1 şi se sare la Pasul 2, altfel se trece la Pasul 8
Pasul 8: Ciclul de antrenare s-a încheiat. Dacã E < Emax se termină sesiunea de
antrenare.
Dacã E > Emax, atunci E = 0, k = 1 şi se începe un nou ciclu de antrenare la Pasul
3
30
Capitolul 2
2.1.1. Introducere
31
Funcţionarea eficientă a unui punct termic presupune realizarea unui transfer de
căldură optim în schimbătoarele de căldură utilizate pentru furnizarea apei calde menajere
şi a apei calde pentru încălzire în scopul satisfacerii cererii consumatorilor casnici
racordaţi.
În figura 2.1.1 este reprezentată schema termomecanică a unui punct termic din
reţeaua de termoficare a municipiului Iaşi. Pe baza acestei scheme punctele termice din
municipiul Iaşi sunt reabilitate cu echipamente performante. Pentru prepararea apei calde
pentru încălzire sunt utilizate două schimbătoare de căldură cu plăci (1), iar pentru
prepararea apei calde de consum menajer sunt utilizate două schimbătoare de căldură cu
plăci (2).
Punctul termic este compus din:o pompă dublă de circulaţie pentru încălzire cu
turaţie variabilă (3), o pompă de injecţie agent primar, cu turaţie variabilă (4), o pompă de
recirculare a apei calde de consum menajer (5), un modul de expansiune (6), distribuitorul
pentru încălzire (7), colectorul pentru încălzire (8), distribuitorul pentru apă caldă de
consum menajer (9), colectorul pentru recircularea apei calde de consum menajer (10), un
robinet de reglare cu trei căi pentru încălzire, un robinet de reglare cu trei căi pentru apă
caldă de consum menajer, traductoare de debit, traductoare de temperatură, traductoare de
presiune, trei integratoare de energie termică.
Parametrii tehnici de funcţionare ai punctului termic sunt monitorizaţi prin
intermediul unui sistem de achiziţie de date în timp real cu calculatorul.
32
Figura 2.1.1. Schemă termomecanică punct termic
33
34
2.1.2. Schimbătoare de căldură cu plăci
Schimbul de caldură este fenomenul care se produce între doi agenţi termici:
- agentul termic primar care cedează o anumită cantitate de căldură (se
răceste);
- agentul termic secundar care primeşte căldură (se încălzeşte).
35
Figura 2.1.2. Schimbător de căldură cu plăci
Aceste aparate sunt realizate prin îmbinarea de plăci care realizează între ele spaţii
prin care circula agenţii care schimbă căldură. Suprafata de schimb de caldura este
formata din plăci subţiri din metal, ondulate, asezate una peste alta. Canalele prin care
circulă fluidele sunt formate între placi. Aceste fluide ocupă alternativ spaţiile dintre
plăcile schimbatorului de caldură, astfel încât să nu se amestece între ei. În consecinta,
spatiile dintre placi trebuie sa fie etansate fata de exterior si fata de spatiile in care se gasc
alti agenti. De asemenea sistemul de etanşare trebuie sa permita trecerea agentilor dintr-
un spatiu in altul, uneori prin traversarea spatiilor destinate altor agenti, figura 2.1.3.
Schimbatoarele de căldura cu plăci sunt mult mai mici si mai usoare decat cele
conventionale si se remarca prin usurinta montarii si intretinerii. Sunt compacte, au un
design flexibil, economice din punct de vedere al costurilor si de cinci ori mai eficiente
decat cele conventionale. Placile sunt confectionate din otel inoxidabil, titaniu sau grafit.
Schimbatoarele de caldura cu placi sunt realizate in doua variante constructive:
37
4. - Şuruburi de strângere
Acestea au rolul de a asigura ca, dupa asamblare, pachetul de placi este
strans in conformitate cu cota “A”. Aceasta cota reprezinta distanta, in
mm, dintre placa de capat si ultima placa. Cota “A” se calculeaza functie
de numarul placilor din pachet (N) si a grosimii acestora (g) in mm.
38
Tabelul 2.1.1 Specificaţii tehnice pentru schimbătoarele de căldură
cu plăci Alfa Laval tip M6-MF, pentru prepararea
apei calde pentru încălzire
39
În punctul termic cu schema termomecanică prezentată în figura 2.1.1 sunt
montate şi două schimbătoare de căldură cu plăci Alfa Laval, tip M6–MFG (2) pentru
prepararea apei calde de consum menajer. Specificatiile tehnice pentru schimbătoarele de
căldură cu plăci Alfa Laval, tip M6–MFG sunt prezentate în tabelul 2.1.2.
40
2.2 Modelarea comportării în regim staţionar a schimbătoarelor de
căldură cu plăci prin sisteme hibride neuro-fuzzy ANFIS
Funcţia criteriu de minimizat poate fi de tipul erorii medii pătratice dintre ieşirea
actuală a sistemului neuro-fuzzy şi ieşirea dorită a acestuia. Pentru a explica structura
unui sistem hibrid neuro fuzzy de tip ANFIS se consideră un sistem fuzzy de tip Takagi-
Sugeno de ordin întâi ce are două mărimi de intrare, x şi y, şi o mărime de ieşire, z.
Baza de reguli a sistemului fuzzy se consideră a fi formată din două reguli de forma:
41
În figura 2.2.1 este ilustrat, intuitiv, modul în care se realizează raţionamentul în
cadrul unui sistem fuzzy de tip Takagi-Sugeno de ordin întâi.
O1,i Ai ( x ) i 1, 2
(2.2.2)
O1,i Bi 2 ( y) i 3, 4
42
Fig. 2.2.2 Structura ANFIS echivalentă raţionamentului fuzzy Takagi-Sugeno
Stratul 2. Fiecare nod al acestui strat este un nod fix, a cărui ieşire este dată de
produsul semnalelor sale de intrare:
O2 ,i wi Ai ( x ) Bi ( x ) i 1, 2 (2.2.3)
Fiecare nod reprezintă mărimea de activare a unei reguli. În general, se poate folosi
pentru acest strat, orice operator de tip norma-T ca fiind funcţia de activare a unui nod.
43
Stratul 3. Fiecare nod al acestui strat este un nod fix la nivelul căruia se
calculează raportul dintre puterea de activare a regulii i şi suma puterilor de activare ale
tuturor regulilor:
wi
O3 ,i wi i 1, 2 (2.2.4)
w1 w2
Stratul 4. Fiecare nod al acestui strat este adaptiv, având funcţia de activare:
O4 ,i wi fi wi ( pi x qi y ri ) i 1,2 (2.2.5)
unde wi este puterea de activare normalizată a regulii i, iar pi, qi , ri este mulţimea
parametrilor acestui nod, numiţi în cele ce urmează parametrii consecinţei.
Stratul 5. Acest strat este format dintr-un singur nod fix notat cu Σ, care
calculează ieşirea ANFIS ca fiind suma tuturor semnalelor sale de intrare:
2
2 wi fi
z O5 ,1 wi f i i 1
2 (2.2.6)
i 1
wi
i 1
Baza de reguli trebuie cunoscută apriori, deoarece structura ANFIS nu poate decât
să ajusteze funcţiile de apartenenţă ale parametrilor antecedenţi şi parametrilor
44
consecinţă. Algoritmul de învăţare necesită mari resurse de calcul, iar modelarea are
dificultăţi în privinţa abordării unor modele de mari dimensiuni, care implică un mare
număr de partiţii, reguli şi parametri consecinţă. Sistemele hibride neuro-fuzzy ANFIS
sunt printre cele mai moderne metode de identificare a proceselor industriale.
Implementarea practică a metodei ANFIS de modelare a unui proces industrial necesită
cunoaşterea detaliată a tehnologiei de funcţionare a acestuia (Jang, et al, 1997).
Schimbător de căldură cu plăci Alfa Laval model M6 – MFG pentru apă caldă de
consum menajer:
46
- Putere termică schimbător de căldură cu plăci pentru apă caldă de consum menajer
(kW);
- Debit agent termic în circuit primar pentru apă caldă de consum menajer (m3/h);
- Temperatură agent termic în circuit tur primar pentru apă caldă de consum menajer
(0C);
- Temperatură agent termic în circuit retur primar pentru apă caldă de consum menajer
(0C);
- Temperatură apă caldă de consum menajer în circuit tur secundar (0C);
- Temperatură apă caldă de consum menajer în circuit tur secundar (0C);
- Temperatură mediu exterior (0C).
Astfel, dacă se adoptă pentru schimbătorul de căldură cu plăci Alfa Laval tip M6-
MF un model ANFIS cu trei mărimi principale de intrare:
- Debit agent termic în circuit primar pentru încălzire (m3/h);
- Temperatură agent termic în circuit tur primar pentru încălzire (0C) şi
47
- Temperatură mediu exterior (0C);
şi o mărime de ieşire:
- Temperatură apă caldă încălzire în circuit tur secundar (0C), se obţine un model
ANFIS cu structura prezentată în figura II.1.1.6.
În cadrul structurii ANFIS adoptată, pentru fiecare mărime de intrare s-a impus un
univers de discurs format din trei partiţii, funcţiile de apartenenţă ale variabilelor fuzzy
fiind alese de tip clopot.
2.4.1 Introducere
Editorul Anfis este o colectie de functii construit in mediul MATLAB.El itzi ofera
instrumente pentru a crea si edita sisteme de inferenta fuzzy in cadrul MATLAB-ului,sau
dupa preferinta,poti integra sistemul tau fuzzy in simulare cu ajutorul Simulink-ului.Poti
eventual sa construiest programe independente in C care folosesc sistemele fuzzy create
in MATLAb.Acest editor se bazeaza foarte mult pe interfata grafica cu
utilizatorul(GUI),instrumente care te ajuta sa-ti duci la bun sfarsit munca,cu toate ca poti
lucra in totalitate din linia de comanda.
48
Blocuri si exemple din Simulink
Prima categorie de intrumente este construita din functii pe care le poti accesa din
linia de comanda sau din aplicatia ta.Multe din aceste functii sunt fisiere cu extensia m
din MATLAB,o serie de comenzi de functii MATLAB care implementeaza algoritmi
logici specializati fuzzy.Poti vizualiza codul MATLAB pentru aceste functii utilizand
comanda:
type function_name
49
Fig 2.4.1 Editorul ANFIS
50
Genera un model initial FIS sau sa incarci unul,utilizand optiunea
Generate FIS.
Vizualizezi structura modelului FIS de indata ce FIS-ul a fost incarcat sau
generat ,prin butonul Structure.
Alege parametrii de optimizare a metodei modelului FIS :backpropagation
sau o combinatie intre backpropagation si least square(metoda hybrid).
Datele de antrenare apar in centrul ferestrei GUI sub forma o o (Fig 2.4.3).
51
Fig 2.4.3 Training Data
Fig 2.4.4
functie formata din doua functii sigmoidale, dsigmf,si produsul celor doua functii psigmf.
53
Trei functii inrudite sunt Z,S si Pi,toate denumite dupa formele lor.Functia zmf
este curba polinomial asimetrica deschisa in stanga,smf este imaginea in oglinda care se
deschide spre dreapta,si pimf este zero la ambele extreme cu o ridicare in mijloc.
Acest
parametru te
lasa sa schimbi
Fig 2.4.5 numele MF
curente.
56
Poti folosi mouse-ul pentru rotarea axelor
Plotul
reprezinta
suprafata
iesiri pentru
oricare iesire
VS fiecare 1
sau 2 intrari
Poti specifica
una sou doua
variabile de Poti specifica
intrare afisate. variabilele de
iesire
reprezentate
Permite
schimbarea
densitatii
grid-ului
Acest camp
permite sa
setez explicit
intrarea pentru Calcularea plotului
intrari Fig 2.4.7
nespecificate in
plot. Ultima operatie
Dublu click
Numele pe variabila
sistemului este de iesire
afisat pentru a
aici.Poate fi deschide
schimbat din editorul
meniul File MF.
Aici poti
Ajustarea edita
functiilor de numele
inferenta variabilelor
fuzzy cum ar de intrare si
fi metode de iesire
defuzzyficare
Ultima operatie
Fig 2.4.8
Selectând din meniu Edit -> Rules.... se poate intra în editorul regulilor
modelului. Printre facilităţile acestui editor se număra , pe lângă posibilitatea de a
vizualiza regulile modelului de tip Sugeno generate în mod automat la iniţializarea
acestuia , posibilitatea de a adăuga sau şterge reguli , de a vizualiza grafic inferenţele
modelului Sugeno (selectând din cadrul acestei ferestre View -> Rules ) sau reprezentări
grafice intrări-iesire (selectând din cadrul acestei ferestre View -> Sur/ace ).
58
Meniu de selectie a intrarilor si a
iesirilor
Selectia
modului de Functionarea
imbinare a editorului de
regulilor reguli
Ultima
operatie Creaza sau editeaza cu ajutorul
butoanelor GUI si a optiunii din
Neaga intrarile sau Fig 2.4.9 meniul de intrare si iesire
iesirile
Teoretic, reţeaua ANFIS este mai complexă decât sistemele de inferenţă fuzzy. în
mediul ANFIS Editor GUI această reţea suportă doar sistemul de inferenţă de tip Sugeno
cu următoarele proprietăţi:
59
să fie un Sistem Sugeno de ordin zero sau unu ;
să aibă o singură ieşire obţinută printr-o defuzzyficare de tip mediere ponderată;
toate funcţiile de apartenenţă de la ieşire trebuie să fie de acelaşi tip;
reguli diferite nu pot împărţi aceeaşi funcţie de apartenenţă la ieşire , deci numărul
de funcţii de apartenenţă la ieşire va fi acelaşi cu numărul de reguli;
să aibă ponderi unitare pentru fie'care regula .
Ba mai mult , funcţia ANFIS din spatele interfeţei grafice nu poate accepta toate
modificările pe care un sistem de inferenţă fuzzy clasic le-ar accepta.De aceea nu putem
crea propriile noastre funcţii de apartenenţă şi defuzzyficare şitrebuie să le folosim pe
cele puse la dispoziţie.
Datele existente ale reţelei de termoficare au fost procurate direct din bazele de
date ale firmei care se ocupa cu colectarea lor. Ele sunt extrase de pe parcursul traseelor
parcurse atât de apa calda menajera cat si cea de la incalzirc, prin intermediul unor
senzori plasaţi in anumite ale sistemului termodinamic. Aceştia sunt de mai multe tipuri ,
cum ar fi senzori de temperatura , sensori exteriori de temperatura, senzori de presiune,
termometre, manometre, traductoare de debit, temperatura si presiune, etc.
Deoarece aceşti senzori stochează valorile in real timc, apar erori in reţinerea
datelor, erori ce compromit utilitatea ulterioara a acesteia. Aceste erori pot apărea atât sub
anumite tipare, de exemplu depăşirea domeniului variabilei stocate, caz in care in locul
datei exact măsurate apare maximul sau minimul intervalului. Un alt tip de eroare apărut
in baza de date este determinat si prin blocarea pe un anumit interval a senzorului, blocare
ce face practic imposibila extragerea unor date ulterior prelucrabile din baza de date.
Stuctura bazei de date este una simpla. Ea conţine date la intervalle de o ora pe
parcursul unei anumite luni. Aceste date se succed in număr de 24, in funcţie de mulţimea
locaţiilor sensorilor de colectare, si a valorilor măsurate. Iar daca de exemplu, dispar
datele din ora
15 ale zilei de 7 , eroare aproape imposibil de depistat, datele ce apar după aceasta ora ,
apar eronate , prezentant ori depăşiri ale intervalelor, cat si citiri eronate ale unor senori.
60
Datele vin in grupe de cate 5 fişiere pentru fiecare cartier. Aceste tipuri sunt
:Energie,Puterea,Volum,Debit, Blocuri incalzire. Primul conţine date referitoare la
valorile extrase de pe sensorii aflaţi pe Turul principal al apei calde menajere, cel de-al 2-
lea conţine valori inregistrate de către sensorii aflaţi la capetele modulului de expansiune,
cel de-al 3-lea conţine date referitoare la turul de la incalzire, cel de-al 4-lea conţine
valori ale energiei , volumului, temperaturii tur, temperaturii returi , si diferenţei de
temperatura , colectate prin intermediul senzorilor aflaţi pe traseul returului provenit de la
incalzire, iar ultimul conţine date de la senzorii aflaţi pe returul secundar al apei calde
menajere( provenite de la consumatori).
Fiecare dintre valorile Înregistrate in fişiere conţin cate 2 coloane. Prima coloana
conţine valoarea de start , adică valoarea inregistrata la începutul orei respective, iar cea
de-a 2-a valoare o reprezintă diferenţa dintre valoarea inregistrata la inceputul orei
precedente si inceputul orei curente( valoare de start).
Pentru acest proiect vor fi folosite doar valorile medii, adică diferentza inregistrata
intre valoarea precedenta si cea curenta.
Valorile de start apar in baza de date intr-o forma monoton crescătoare, deoarece senzori
măsoară aceasta energie cumulativ la ultima valoare inregistrata. Ele pot apărea si intr-o
forma constanta pe anumite intervalle de timp , ceea ce exprima o lipsa a consumului sau
a furnizării de căldura si/sau apa calda.
In afara iernii , valorile înregistrate in fişierele destinate stocării datelor de la
icalzire, apar de obicei constante sau chiar nule. Acest fapt se datorează lipsei de consum
la incalzire pe in anotimpurile cu o temperatura mai ridicata, ce nu necesita incalzire
centralizata.
Cele 744 de date au fost impartite in trei seturi de cate 248,doua pentru antrenare
iar unul pentru testare.
Pentru inceput vom incepe cu un sistem de doua intrari si o iesire,acestea fiind :
intrare: Energia si Volumul
iesire: Debitul
61
Fig 2.5.1 Datele incarcate in editor
62
Deoarece se obţin rezultate mai bune dacă folosim funcţii liniare în stratul de ieşire ce
realizează defuzzyficarea (rezultă un model Sugenom de ordin unu) decât dacă am folosi
constante (când rezultă model Sugenom de ordin zero) . încercările următoare vor avea în
structura stratului de ieşire neuroni cu funcţii de activare liniară. Cu privire la metoda de învăţare .
pe baza aceloraşi antrenări se observă că metoda backpropagation converge mai lent decât cea
hibridă. Prin urmare . metoda de antrenare folosită de acum încolo va fi de tip hibridă.
Fig 2.5.2
In urma antrenarii a rezultat o eroare de 1.0761, o eroare destul de buna ceea ce inseamna
ca modelul simulat se apropie destul de mult de cel real.
Eroare se calculeaza cu ajutorul unor reguli ale modelului Sugeno fata de datele
reale obtinute la iesire.Mai exact eroarea se calculeaza pentru datele de iesire :cele
simulate fata de cele reale .
63
In Fig 2.5.3,Fig 2.5.4 si Fig 2.5.5 ,putem observa structura modelului,functiile
membre,regulile si suprafata:
64
Fig 2.5.3 Vizualizarea regulilor
65
Fig 2.5.5
In cotinuare vom folosi al treilea set de date pentru testare(Fig 2.4.6):
Intrari: Energia si Volumul
Iesiri: Debitul
66
Observam ca in acest (Fig 2.4.6) caz obtinem o eroare de 0.90373 , care este
destul de mica pentru a ne oferi o copie buna a modelului simulat cu cel real.
Iesirile sunt reprezentate in regiunea de plotare ca fiind cu rosu,iar datele de
testare cu albastru.
Pentru testare am folosit de asemenea modelul functiilor membre gbellmf de tip
liniar,metoda de optimizare hybrida iar numarul de epoci pe care s-a facut testarea de 90.
In continuare mai introducem o intrare ,acum sistemul avand trei intrai si o iesire
Fig 2.4.7 si Fig 2.4.8:
Intrari: Temperatura exterioare,Volumul si Energia
Iesire:Puterea.
Fig 2.4.7
67
Fig 2.4.8
68
Urmatoarea simulare va avea ca intrari :temperatura exterioare,temperatura tur si
energia; iar ca iesire debitul.Structura poate fi vizualizata in fig 2.4.9 iar antrenarea in Fig
2.4.10
69
Fig 2.4.10 Antrenare set 1 de valori
70
Fig 2.4.11
Ultima simulare este facuta pe setul de date care are ca intrare :temperatura
exterioara,temperatura tur si energia; iar ca iesire :puterea. Fig 2.4.12
Am folosit ca model al functiilor membre gbellmf de tip liniar si modelul de tip
hybrid.
In urma simularii am obtinut o eroare foarte mare de 16.7231 , iar modificarea
parametrilor modelului de antrenare nu a micsorat deloc aceasta eroare,incercarea de
modificare a functiilor membre folosite si a metodei de optimizare nu a facut nimic
altceva decat sa ne conduca la o eroare mai mare decat aceasta.In urma acestei antrenari
am ajuns la concluzia ca editorul ANFIS nu poate crea un model suficient de bun pentru a
putea simula modelul real ,datele nefiind in corelatie suficient de buna pentru ca
interactiunea dintre ele,respectiv a intrerilor si a iesirilor sa poata crea un set de reguli
pentru simularea modelului real.
71
Fig 2.4.12
Concluzii
Se ştie că sistemele reale au o comportare neliniară ( mai puternică sau mai slabă) şi
variantă în timp . Din modelarea cu metodele clasice rezultă un model liniar de tip funcţie de
transfer care aproximează comportarea sistemelor în jurul unor puncte de funcţionare. Pe lângă
aspectul neliniarităţii, modelarea sistemelor reale cu metode clasice mai întâmpină şi alte
probleme cum ar fi numărul limitat de intrări (un număr de intrări mai mare de două duce la
dificultăţi în obţinerea modelului) sau sensibilitatea la perturbaţii.
72
Mlodelul ANFIS vine să rezolve într-o anumită măsură aceste impedimente, sensibilitatea
la zgomote scade ( caracteristică moştenită de la modelele fuzzy) iar numărul de intrări pentru
cazuri concrete poate urca până la 6.
Avantajul principal al acestei metode este că se pot modela procese cu grad de
neliniaritate mare pe baza unor cunoştinţe despre mărimile de intrare şi de ieşire ale acestora .
Deci putem modela un proces fără a fi nevoie de cunoştinţe apriorice bogate.
Proiectul de faţă reuseste intr-o mare masura sa creeze o estimare a modelului real
de incalzire si distributie a apei calde de la CET Iasi prin antrenarile si testarile facute
acesta putand fi extins pentru prognozarea si estimarea unor consumuri de apa si
necesarul de energie folosit pentru incalzirea acesteia pentru o anumita luna.
Editorul ANFIS are o larga aplicabilitate pentru simularea unor modele care
folosesc logica fuzzy , modele de tip inteligent care ofera o mai buna dezvoltare si
modelare a sistemelor termica pentru a avea un randament mai bun.
73
Bibliografie:
[I] Crişan, O., Sisteme electroenergetice. Editura Didactică şi Pedagogică, Bucureşti. 1979. [2]
Carabogdan. I.Gh., ş.a.. Instalaţii termice industriale. Editura tehnica, Bucureşti, 1978.
[3] Athanasovici.V., Utilizarea căldurii în industrie. Voi îşi II. Editura Tehnică, Bucureşti, 1995.
[4] Dănescu. Al., ş.a.. Termotehnica şi maşini termice. Editura Didactică şi Pedagogică.
Bucureşti, 1985.
[5] Isachenko. P.V., ş.a., Heat transfer, Izdatelstvo Mir, Moskva. 1977.
[6J: Leca, A., ş.a., Ceni>;ale..e/ectrice..Probleme..Editura Didactică şi Pedagogică,.Bucureşti, 1977.
[7] Leonăchescu. N., Termoiehnica. Editura Didactică şi Pedagogică, Bucureşti, 1981.
[8] Mihoc, D., Iliescu. S.Şt., Automatizări şi protecţii prin relee în sistemele electr oener getice.
Editura Didactică şi Pedagogică, Bucureşti, 1983.
[9] Motoin, O, Centrale termo şi hidroelectrice. Editura Didactică şi Pedagogică, Bucureşti.
1974.
[10] Nitu, V., Energetica generală şi conversia energiei. . Editura Didactică şi Pedagogică.
Bucureşti, 1980.
[II] Pănoiu. N\. Cazane de abur.. Editura Didactică şi Pedagogică. Bucureşti, 1982.
j 12j Ştefănescu, D., ş.a.. Bazele termotehnicii. Editura Didactică şi Pedagogică, Bucureşti, 1970.
[13] Şletanescu, D., ş.a.. Transfer de căldură şi masă. Teorie şi aplicaţii. Editura Didactică şi
Pedagogică. Bucureşti, 1983.
[14] Manualul inginerului termolehnician. Voi. I. II. III, Editura Tehnică, Bucureşti, 1986.
[15] wwAv.cet-iasi.ro
[16] Laborator "Aplicaţii ale Reţelelor Neuronale in Automatizări" Octavian Pastravanu . Iaşi
[ 17] Brown, M., & Harris. C. (1994). Neuro-fuzzy adaptive mode/ling and
control. New York: Prentice-Hall.
118] Jang. J.-S.R., Sun, C.-T. (1993). Funcţional equivalence between radial
basis function netvvorks and fuzzy inference systems. IEEE Transactions
on Neural Networks, -/(1), 156-159.
[19] Driankov D.. Hellendson H.. Reinfrank M. (1993). An Introduction to Fuzzy Control. Ed.
jprinaer-Verlag. Bcriin.
[20] Robert Babuska . Henk Verbruggen .Annual Reviews in Control 27 (2003) Neuro-fuzzy
methodsfor nonlinear syslem identification
[21] Jang. J.-S.R. (1993). ANFIS: Adaptive-network-based fuzzy inference
systems. IEEE Transactions on Systems. Man & Cybemetics. 23(3).
665-685.
[22] Jang. J.-S.R.. Sun. C.-T. & Mizutani. E. (1997). Neuro-fuzzy and soft
compuiing: A computaţional approach to learning and machine intel/igence.
Upper Saddle River. NJ: Prentice-Hall.
[23] Mathworks.2001
|24| Tanaka. K.. Ikeda. T.. Wang. H.O. (1998). Fuzz> regulators and fuzzy
observers: Relaxed stabilit} conditions and LMI-based designs. IEEE
Transactions on Fuzzy Systems. 6(2). 250-265.
[25] Nelle*. O.. Fink. A.. Babuska. R.. Setnes. M. (2000). Comparison of rwo
construction algorithms for Takagi—Sugeno fuzzy models. International
Journal of Applied Mathematics and Computer Science. 10{4).
74