Sztuczne sieci neuronowe i ich zastosowanie w
elektrotechnice i energetyce
Józef Korbicz
E-mail:j.korbicz@issi.uz.zgora.pl
Uniwersytet Zielonogórski
Instytut Sterowania i Systemów Informatycznych
k1Slajd 1
k1 korbicz; 2009-08-30
Plan
Wprowadzenie
Dynamiczne sieci neuronowe - perceptronowe i GMDH
Modelowanie i sterowanie neuronowe silnikiem elektrycznym
Diagnostyka neuronowa silnika elektrycznego
Prognozowanie neuronowe zużycia energii elektrycznej
Podsumowanie
Wprowadzenie
Sztuczna inteligencja
Sztuczne sieci neuronowe Logika rozmyta i przybliżona Sieci neuronowo-rozmyte Systemy eksperckie
Algorytmy ewolucyjne
Wprowadzenie
Atrakcyjność sieci neuronowych:
aproksymacja dowolnej funkcji nieliniowej
zdolność uczenia, czyli adaptacji parametrów i czasami struktury
zdolność uogólniania wiedzy odporność na uszkodzenia Wymagania:
pełne i wiarygodne dane uczące
wstępna znajomość badanego procesu aby wybrać właściową
strukturę sieci
Wprowadzenie
Zastosowania sztucznej inteligencji
prognozowanie zużycia energii elektrycznej diagnostyka układów elektronicznych
prognozy giełdowe
prognozowanie sprzedaży poszukiwania ropy naftowej
interpretacja badań biologicznych prognozy cen
analiza badań medycznych planowanie remontów maszyn synteza mowy
optymalizacja działalności handlowej analiza spektralna
optymalizacja utylizacji odpadów rozpoznawanie pisma
sterowanie procesów przemysłowych
i wiele innych
Wprowadzenie
Sieci neuronowe w elektrotechnice i energetyce
Silniki elektryczne
Transformatory mocy Turbogeneratory
Elektroenergetyczne sieci rozdzielcze
Linie elektroenergetyczne
Dynamiczne sieci neuronowe
Sieci neuronowe z liniami opóźniającymi
Sieć neuronowa z zewnętrzną pamięcią
Opis modelu
,
( k ) f ( y ( ) k y ( k m ) ( ) u k u ( k m ) )
y
m+ 1 = ,..., − , ,..., −
Dynamiczne sieci neuronowe
Sieci globalnie rekurencyjne
- sprzężenia zwrotne pomiędzy warstwami
Sieć w pełni rekurencyjna Williamsa-Zipsera
Dynamiczne sieci neuronowe
Sieci lokalnie rekurencyjne (Patan, 2006)
- sprzężenia zwrotne w modelu neuronu
1 m T
p p i
k k w u k
ϕ
=
= = ∑
( ) w u( ) ( )
- sumator - filtr
- moduł aktywacji
Opis modelu
∑
∑
=
=
− +
−
=
ni i n
i
i
x k i b k i
a k
x
0 1
) (
) (
)
( ϕ
)]
( [
)]
( [ )
( k F x k F g x k
y = =
sDynamiczne sieci neuronowe
GMDH
Dynamiczne sieci neuronowe GMDH
Model dynamicznego neuronu
Model dynamicznego neuronu
Dynamiczne sieci neuronowe GMDH
Model dynamicznego neuronu (Mrugalski i Korbicz, 2008)
Kryterium oceny jakości
( ) ( ) ( )
( ) k ( ) k ( k n )
k n a z
k a z
k z
T b n T
T
n a
b a
− +
+
− +
+
−
−
−
−
−
=
b u b u
b u 1 , ,
1
1 0
1
K K
( ) k F ( z ( ) k )
y =
( )
∑
∑
=
=
−
=
ni
i n
i
i p i
R i
i
y y y
e
1 2 1
2 ,
System diagnostyki z modelem
Schemat ogólny
u - wejścia
f - wektor uszkodzeń
y
y ˆ , - wyjścia procesu i modelu odpowiednio
r - wektor residuów ( r = y − y ˆ )
Uszkodzenia
Uszkodzenia Uszkodzenia
MODEL
u
SYSTEM
PROCES Aktuator
Generator residuów
y
Residua Układ pomiar.
yˆ
Sygnały
diagnostyczne Ewaluacja
residuów
Lokalizacja uszkodzeń
Uszkodzenia
r
f
Sztuczne sieci neuronowe w diagnostyce
Zalety
Nie wymagają dokładnych modeli analitycznych diagnozowanych procesów
Wymagają reprezentatywnych danych uczących
Problem modelowania – dynamika procesów
Układ diagnostyki
– +
PROCES
Model neuronowy
) ˆ k ( y
) (
i 1,2,..., q
i
=
f )
(k
u y (k )
r Klasyfikator neuronowy
k2
Slajd 14
k2 korbicz; 2009-08-30