Józef KORBICZ Unwersytet Zelonogórsk, Instytut Sterowana Systeów Inforatycznych Sztuczne sec neuronowe ch zastosowane w elektrotechnce energetyce Streszczene. Artykuł o charakterze przeglądowy przedstawa dynaczne struktury sec neuronowych ożlwośc ch zastosowana w wybranych zagadnenach elektrotechnk energetyk. Oówone są probley neuronowego odelowana dagnostyk slnków elektrycznych, jak równeż prognozowana krótkoternowego obcążena w secach energetycznych. Abstract. In ths overvew paper, dynacal neural networks and ther possble applcatons n selected probles of electrcal and power engneerng are dscussed. Specal attenton s pad to the odelng and fault dagnoss of electrcal engnes, as well as short ter load forecastng n a power syste. (Artfcal neural networks and ther applcaton n electrcal and power engneerng). Słowa kluczowe: sec neuronowe, odelowane, dagnostyka, prognozowane, slnk elektryczne, zużyce energ. Keywords: neural networks, odellng, dagnostcs, forecastng, electrcal engnes, load n a power syste. Wstęp Cągły wzrost złożonośc współczesnych systeów obektów przeysłowych oraz energetycznych, a także rosnące wyagana nezawodnoścowe ch dzałana są dzsaj poważny wyzwane dla dalszego rozwoju teor praktyk układów autoatyk dagnostyk [-6]. Przykładowo, wczesne wykryce uszkodzeń w urządzenach elektrycznych, które często są eleenta wykonawczy w układach autoatyk pozwala na unknęce katastrof poważnych uszkodzeń całych nstalacj technologcznych. Podstawą welu znanych etod projektowana układów sterowana, dagnostyk prognozowana jest znajoość odelu analtycznego badanego procesu czy obektu opartego na prawach fzyk zwązkach przyczynowoskutkowych. Nestety budowa takch odel jest często wręcz neożlwa, albo uzyskane odele są newygodne w zastosowanu. Z kole stosowane odel uproszczonych lub nedokładnych oże być przyczyną generowana fałszywych alarów przez układy dagnostyk, nskej jakośc sterowana procese czy obekte, jak równeż nezadowalającej dokładnośc generowanych prognoz. Alternatywny podejśce jest zastosowane etod oblczeń ntelgentnych [7], które pozwalają na budowane tzw. odel behaworalnych z wykorzystane dostępnych danych poarowych, zasad reguł dzałana obektu lub procesu oraz nnej dostępnej wedzy jakoścowej loścowej. Wśród etod oblczeń ntelgentnych szczególne ejsce zajują sztuczne sec neuronowe [8-2], które są znakoty narzędze ateatyczny do rozwązywana różnych probleów nelnowych. Posadają one ważną właścwość, która uożlwa aproksyację dowolnej funkcj z zadaną dokładnoścą przy użycu sec neuronowej o odpowednej strukturze prawdłowo dobranych współczynnkach wagowych. Dzęk tak własnośco jak ożlwość uczena sę adaptacj sec neuronowe pozwalają na wydobyce z danych uczących właścwośc badanego systeu za poocą algorytu uczena. W dany przypadku ne jest wyagana lub jest wyagana w newelk stopnu nforacja o budowe analzowanego systeu czy procesu. W ogólny przypadku sec neuronowe są układa statyczny stąd ch zastosowane do odelowana procesów systeów dynacznych wyaga dodatkowego rozszerzena poprzez wprowadzene swojego rodzaju paęc do układu. Może to być paęć krótko lub długoternowa. Bardzo prosty sposobe na dodane paęc do statycznej sec neuronowej jest wprowadzene tzw. ln opóźnającej sygnały [8, 9]. W artykule zostaną oówone podstawowe struktury dynacznych sec neuronowych oraz ożlwośc ch zastosowana do odelowana procesów w układach sterowana dagnostyk urządzeń elektrycznych. Ponadto pokazane zostaną wybrane przykłady zastosowań sec neuronowych w energetyce, w ty do prognozowana zużyca energ elektrycznej. Artykuł ten nawązuje do pracy opublkowanej przez prof. Ryszarda Tadeusewcza pt. O celowośc zastosowana sec neuronowych w probleach zwązanych z elektrotechnką [4]. Dynaczne sec neuronowe Sztuczne sec neuronowe są zbudowane z pewnej lczby eleentów przetwarzających zwanych neurona. Podstawowy odel neuronu opsany jest przez następujące równane [9, 0, 2]: () P y = F w p u p= p + u 0, gdze u p, p =,2,,P, oznacza wejśce neuronu, u 0 próg (ang. bas), w p wag synaptyczne oraz F( ) funkcję aktywacj. Wśród różnych znanych struktur sec neuronowych na wyróżnene zasługuje welowarstwowy perceptron jednokerunkowy [9, 0, 2], w który neurony pogrupowane są w warstwy. Ogólne proces przetwarzana neuronowego w takch secach ożna opsać zależnoścą: (2) { [ ( )]} y 3 3 2 2 F = F W F W W u, gdze F, F 2 F 3 są nelnowy operatora opsujący transforację neuronową sygnału przez kolejne warstwy neuronowe, W, W 2 W 3 oznaczają acerze współczynnków wagowych, które określają przepustowość połączeń ędzy neurona dwóch sąsednch warstw, u y oznaczają odpowedno wektory wyjścowy wejścowy. Podstawowy algoryte uczena sec perceptronowych jest algoryt wstecznej propagacj błędów. Algoryt ten określa zasady uaktualnana wartośc wagowych połączeń ędzyneuronowych sąsednch warstw sec neuronowej. Jest to procedura teracyjna, rozwązująca zadane nalzacj przyjętego wskaźnka jakośc z wykorzystane etody gradentowej najwększego spadku. Modyfkacja wartośc współczynnków wagowych odbywa sę zgodne z zależnoścą [9, 0, 2]: (3) w( k + ) = w( k) η E( w( k) ), gdze w(k) oznacza wektor współczynnków wagowych w chwl k, η jest kroke uczena oraz E (w(k)) oznacza 94 PRZEGLĄD ELEKTROTECHNICZNY (Electrcal Revew), ISSN 0033-2097, R. 85 NR 9/2009
gradent wskaźnka jakośc E względe wektora wag w. Opsana seć neuronowa jest secą statyczną ożna ją z powodzene stosować do aproksyacj dowolnej nelnowej, aczkolwek statycznej funkcj [3]. Przekształcena sec statycznej w dynaczną ożey dokonać na dwa sposoby, tj. poprzez wprowadzene ln opóźnającej sygnały wejścowe /lub wyjścowe oraz poprzez zastąpene odel statycznych neuronów () odela dynaczny [] lub poprzez wprowadzene nnych sprzężeń zwrotnych [2]. Sec globalne rekurencyjne Przykłade sec globalne rekurencyjnej jest seć zaproponowana przez Wllaa Zpsera [6], w której zakłada sę ożlwość połączena każdego neuronu z dowolny nny (rys. 2). Sec neuronowe z lna opóźnający Jest to najprostsze najczęścej wykorzystywane rozwązane do przekształcena perceptronu statycznego w perceptron dynaczny [5]. Rozwązane tego typu opera sę o nelnowy odel typu wejśce-wyjśce w postac: (4) ( k + ) = f ( y( k),..., y( k ), u( k),..., u( k ) ) y, gdze f( ) jest nelnową funkcją, u(k) jest sygnałe wejścowy, y(k) y (k) reprezentują odpowedno wyjśce systeu odelu. Nelnowy odel (4) ożna zdekoponować na dwe częśc: nelnowy statyczny aproksyator (perceptron welowarstwowy) zewnętrzną paęć (lne opóźnające sygnały) (rys. ). W rezultace otrzyuje sę odel nazywany secą neuronową z lna opóźnający sygnały (ang. ult-layer perceptron wth tapped delay lnes lub te-delay neural network). Rys. 2. Seć w pełn rekurencyjna Wllasa-Zpsera Sec tego typu nazywają sę seca rekurencyjny czasu rzeczywstego (ang. real-te recurrent networks) ze względu na ch zastosowana do przetwarzana sygnałów w czase rzeczywsty. Podstawową zaletą takch sec jest ożlwość aproksyacj szerokej klasy zależnośc dynacznych. Jednakże proces uczena sec jest zazwyczaj bardzo dług wyagający pod względe dostępnej paęc operacyjnej. Jest on stosunkowo wolnozbeżny, a ponadto występują probley z utrzyane jego stablnośc. Inny przykłade sec globalne rekurencyjnej jest rekurencyjny perceptron welowarstwowy (rys. 3) [2]. Rys.. Seć neuronowa z zewnętrzną paęcą Tego typu odel neuronowy oże opsać szeroką klasę systeów dynacznych, lecz ne jest tak ogólny jak odele przestrzen stanów. Ogranczena odelu (4) są wdoczne w przypadku odelowana systeów z nelnowoścą nejednoznaczną, np. z hsterezą lub luze, gdze wewnętrzne neerzalne stany systeu odgrywają decydującą rolę oraz częścowo dla systeów opsanych nelnowośca neodwracalny [5]. Sec rekurencyjne Rekurencyjne sec neuronowe [9, 2], w odróżnenu od standardowych sec jednokerunkowych, posadają różnego rodzaju sprzężena zwrotne, które uożlwają groadzene nforacj oraz późnejsze jej wykorzystane. Ze względu na sposób realzacj sprzężeń zwrotnych sec rekurencyjne ożna podzelć następująco [8, 2]: sec lokalne rekurencyjne sprzężena zwrotne znajdują sę wewnątrz pojedynczych odel neuronów, czyl są to dynaczne odele neuronów. Cała seć neuronowa jest strukturą welowarstwową jednokerunkową, analogczną do perceptronu welowarstwowego; sec globalne rekurencyjne sprzężena zwrotne występują poędzy neurona różnych warstw lub poędzy neurona tej saej warstwy. Ogólna struktura sec tego typu posada wszystke ożlwe sprzężena zwrotne ędzy neurona. Rys. 3. Archtektura rekurencyjnego perceptronu welowarstwowego Seć ta jest rozszerzene welowarstwowej sec jednokerunkowej o dodatkowe tzw. połączena skrośne ędzy neurona, realzowane tylko w zasęgu danej warstwy ukrytej oraz połączena rekurencyjne (sprzężena zwrotne) obejujące pojedyncze neurony. Połączena ędzy dwoa sąsedn warstwa są jednokerunkowe. Kaskadowe połączene warstw daje ożlwość uzyskana odpowednch zdolnośc aproksyacyjnych, natoast połączena skrośne rekurencyjne pozwalają na uzyskane właścwośc dynacznych. Istotny ogranczene praktyczny takch sec jest stosunkowo duża złożoność struktury oraz zwązany z ną dług czas adaptacj paraetrów. Interesujące własnośc, z punktu wdzena odelowana procesów dynacznych, posadają sec neuronowe PRZEGLĄD ELEKTROTECHNICZNY (Electrcal Revew), ISSN 0033-2097, R. 85 NR 9/2009 95
opsywane w przestrzen stanów [5, 7]. Model takej sec wygląda podobne do sec neuronowej z opóźnena. Główna różnca polega na ty, że w przypadku sec neuronowej z opóźnena sygnały sprzężena zwrotnego są znane podczas procesu uczena, natoast w przypadku sec neuronowej przestrzen stanów sygnały sprzężena zwrotnego są neznane. Dlatego sec neuronowe przestrzen stanów ogą być uczone na zasadze nalzacj błędu syulacj. Sec lokalne rekurencyjne Są różne ożlwośc realzacj sec lokalne rekurencyjnych w zależnośc od przyjętego odelu dynacznego neuronu. Take odele uzyskuje sę wprowadzając odpowedne sprzężena zwrotne do klasycznego odelu statycznego McCullocha-Pttsa [9, 0]. Mogą to być odele ze sprzężene aktywacyjny, wyjścowy, w synapse, jak równeż odele z fltra o Neskończonej Odpowedz Ipulsowej (NOI) []. Równane stanu opsujące dynaczny odel neuronu z fltre NOI ożna zapsać w postac [9]: x k + = Ax k + Wu k, (5) ( ) ( ) ( ) gdze x(k) jest wektore stanu, W = w T jest acerzą wag wejścowych, u(k) jest wektore wejścowy, zaś acerz stanu A posada postać: (6) a a2 ar ar 0 0 0 A = 0 0 0. 0 0 0 Wyjśce neuronu opsuje ponższe równane obserwacj: (7) ( k) = ( g ( bx( k) + du( k) g )) y σ 2, gdze σ( ) jest nelnową funkcją aktywacj, b = [b,,b r ] jest wektore współczynnków fltru d = [b 0 w,,b 0 w n ]. Scheat blokowy podanego opsu w przestrzen stanów przedstawa rysunek 4. odpowednego trybu pracy algorytu jest uzależnony od wyagań specyfkacj zadana. Sec neuronowe GMDH Pewną wadą wększośc sec neuronowych jest to, że arbtralne na etape projektowana defnuje sę ch strukturę. Alternatywny podejśce jest połączene probleu uczena sec z wyznaczane jej optyalnej archtektury. Take rozwązane ożna uzyskać stosując etodę grupowej obróbk danych (ang. Group Method of Data Handlng GMDH), która została opracowana na przełoe lat sześćdzesątych sededzesątych [20]. Bazując na tej koncepcj, w latach dzewęćdzesątych opracowano sztuczne sec neuronowe typu GMDH [2]. Idea etody grupowej obróbk danych polega na zastąpenu jednego całoścowego odelu systeu strukturą herarchczną składającą sę z weloanowych odel cząstkowych. Synteza odelu typu GMDH (rys. 5) polega na przeenny estyowanu paraetrów poszczególnych odel cząstkowych oraz łączenu ch za poocą odpowednch etod selekcj w tak sposób, aby struktura wynkowa sec ewoluowała do postac, w której sygnał wyjścowy generowany przez ną jest najlepszy przyblżene sygnału wyjścowego systeu w sense przyjętego kryteru dentyfkacj. Rys. 5. Synteza odelu typu GMDH Modele cząstkowe zazwyczaj posadają newelką lczbę sygnałów wejścowych u (k), =,, oraz zakłada sę, że są realzowane przez pojedynczy odel neuronu typu GMDH. W takch secach dopuszcza sę znaczną swobodę w defnowanu funkcj aktywacj neuronu. Najczęścej jest to przyblżene drugego stopna weloanu Kołogorowa- Gabora: (8) y = a a u + 0 aj u u j +, = = j= Rys. 4. Scheat blokowy neuronu z fltre NOI w przestrzen stanów Należy zaznaczyć, że w praktycznych zastosowanach używa sę fltrów nskego rzędu, czyl r = lub r = 2 w przypadku odelowana obektów o charakterze oscylacyjny [5]. Seć neuronowa zbudowana z takch odel neuronów ne posada sprzężeń zwrotnych poędzy neurona stąd do wyznaczena wartośc paraetrów ożna zastosować algoryt oparty na wstecznej propagacj błędów [2]. Dla tego typu sec został opracowany rozszerzony algoryt dynacznej wstecznej propagacj błędu (ang. extended dynac back propagaton) [9]. Algoryt ten oże pracować zarówno w trybe off-lne jak on-lne. Wybór gdze a 0, a, a j oznaczają paraetry weloanu. Cechą charakterystyczną etody GMDH jest estyacja paraetrów każdego odelu cząstkowego oddzelne przed jego włączene do struktury sec neuronowej. Paraetry każdego odelu cząstkowego estyuje sę tak, aby w jak najlepszy sposób zaodelować zależność (8), tzn. odel cząstkowy pownen generować odpowedź w ożlwe jak najwększy stopnu zblżoną do wyjśca systeu. Proces syntezy uznaje sę za zakończony w oence uzyskana optyalnej złożonośc odelu. Uwzględnając specyfkę sec GMDH, wprowadzene dynak efektywne ożna zrealzować poprzez wprowadzene dynacznych odel neuronów z fltra NOI [22]. Zaproponowany w pracy [22] odel dynacznego neuronu opsany jest następująco: (9) z ( k) = a z( k ) an z( k n ) a a T T u( k) + u( k ) +, + u( k ) + b b, 0 b T n b n b, 96 PRZEGLĄD ELEKTROTECHNICZNY (Electrcal Revew), ISSN 0033-2097, R. 85 NR 9/2009
(0) ( k) F( z( k) ) y =, gdze a,, an oznaczają paraetry sprzężena a T T T zwrotnego fltru, a b0, b,, b n wektory paraetrów b wejścowych neuronu. Wartośc n a n b reprezentują opóźnena sygnałów wyjścowych ỹ wejścowych u. Ponadto z(k) jest wyjśce fltru NOI, a F( ) oznacza dowolną nelnową odwracalną funkcję aktywacj. Scheat takego neuronu przedstawony jest na rysunku 6. kryteru optyalnośc. Idea tego kryteru polega na wyznaczanu najnejszego błędu przetwarzana E n (l) : ( l ) ( l) (2) E n = n E( y ) =,, N dla N neuronów włączanych do warstwy l. (l) Wartośc błędów E n są wyznaczane dla każdej kolejnej warstwy sec. Kryteru optyalnośc uznaje sę za spełnone w chwl znalezena nalnej wartośc E opt, wynkającej z warunku: l) (3) E = n E. opt l =,, L ( n Proces dodawana warstw do sec odbywa sę do oentu, gdy zaczyna wzrastać wartość błędu E opt. Optyalna warstwa l opt, dla której spełnony jest warunek (3), jest ostatną warstwą sec, natoast neuron, dla lopt którego zachodz E( y n ) = Eopt, jest neurone, który generuje sygnał wyjścowy całej sec. Pozostałe neurony ostatnej warstwy są usuwane z sec, podobne jak neurony warstw wewnętrznych, które tworzą ślepe odgałęzena ne prowadzące do neuronu wyjścowego. Rys. 6. Model dynacznego neuronu Do estyacj paraetrów odelu neuronu dynacznego z nelnową funkcją aktywacj F ożna użyć lnowych etod estyacj paraetrów [5, 23]. Proces syntezy sec neuronowej typu GMDH (rys. 5), zarówno ze statyczny (8), jak dynaczny (9)-(0) odela neuronów, polega na przeenny estyowanu paraetrów poszczególnych neuronów oraz łączenu ch za poocą odpowednch etod selekcj zennych w tak sposób, aby wynkowa struktura sec ewoluowała do postac, w której sygnał wyjścowy generowany przez ną jest najlepszy przyblżene sygnału wyjścowego systeu. Najczęścej stosowany kryteru do oceny jakośc odelu cząstkowego jest kryteru regularnośc [24]: () e R = n = ( y y ) n = y 2 2 p,, gdze n oznacza lczebność podzboru danych testujących, y p, zerzone wartośc sygnału wyjścowego systeu y oraz y estyowane wartośc sygnału y, czyl wyjśce z odelu cząstkowego. Kryteru regularnośc charakteryzuje sę najlepszy własnośca odelowana zan trendów sygnałów. Dla zdefnowanego błędu przetwarzana E(y n (l) ) odelu cząstkowego przeprowadzana jest selekcja neuronów w danej warstwe l, l =,2,,L. Podejowane są decyzje, który z neuronów pownen zostać włączony do tworzonej warstwy sec oraz generować sygnał wejścowy dla następnej warstwy. Obowązuje zasada, że na etape tworzena odel cząstkowych odrzucane są te odele, które generują zbyt wysok błąd przetwarzana E(y n (l) ). Proces syntezy sec neuronowej typu GMDH przeprowadza sę do oentu, aż ne zostane spełnone Identyfkacja sterowane neuronowe slnka elektryczny Możlwość zastosowana sztucznych sec neuronowych w układach dagnostyk sterowana różny slnka elektryczny są stosunkowo szeroko analzowane w lteraturze śwatowej. Cekawy przegląd lteratury w zakrese sterowana slnka elektryczny oówono w pracy [25], gdze pokazano ożlwośc efektywnego zastosowana dynacznych sec neuronowych do estyacj struena stojana, aby poprawć jakość sterowana slnke. Poneważ bezpośredn poar struena jest neożlwy, w pracy zaproponowano jego odtwarzane na podstawe poarów napęca prądu stojana z wykorzystane odelu neuronowego. Należy zauważyć, że zależność poędzy struene a napęce prąde stojana jest nelnowa dodatkowo dynaczna. Stąd z ateatycznego punktu wdzena jest to trudny proble oże być traktowany jako nelnowa dynaczna aproksyacja. Efektywność zastosowana sec neuronowych do rozwązana tak trudnego probleu aproksyacj dobrze lustrują załączone wynk badań eksperyentalnych [25]. Inny ważny zagadnene o podobnej złożonośc ateatycznej jest proble oceny prędkośc slnka tzw. bezczujnkowy technka. Zaproponowane w pracy [25] rozwązane (rys. 7) polega na wprowadzenu wstępnego przetwarzana nelnowego sygnałów wejścowych [26] (napęce prąd stojana), które następne są przetwarzane przez neuronowy aproksyator. Rys. 7. Estyacja prędkośc slnka z zastosowane nelnowego przetwarzana wstępnego neuronowego aproksyatora PRZEGLĄD ELEKTROTECHNICZNY (Electrcal Revew), ISSN 0033-2097, R. 85 NR 9/2009 97
Dagnostyka uszkodzeń slnków ndukcyjnych Zagadnene wczesnego wykrywana uszkodzeń w slnku a bardzo duże znaczene praktyczne ekonoczne z punktu wdzena użytkownka układu napędowego. Pozwala unknąć przerw w produkcj, obnżyć koszty reontu nakłady na beżącą eksploatację [27]. Do dagnostyk slnków ndukcyjnych ożna zastosować trzy podejśca znane z dagnostyk techncznej [3, 6], czyl etody z wykorzystane odel ateatycznych [, 3], etody analzy sygnałów [28, 32] oraz etody sztucznej ntelgencj [30, 33], a w szczególnośc sztuczne sec neuronowe. Możlwośc takego zastosowana szeroko przedstawone są w onograf [33] nnych pracach zespołu kerowanego przez prof. Cz. T. Kowalskego. Zaproponowane w pracy [33] rozwązana sprowadzają sę. n. do neuronowych detektorów wrnka klatkowego z wykorzystane perceptronu welowarstwowego. Zadane takego detektora (rys. 8) było określene lczby uszkodzonych prętów wrnka oraz ch rozłożene. Rys. 8. Neuronowy detektor uszkodzeń wrnka, I s p I s p2 apltudy haroncznych poślzgowych prądu stojana obrotoerza oraz sygnały sterujące: C pobudzene slnka M, C g pobudzene generatora M2. Rys. 0. Laboratoryjne stanowsko AMIRA DR300 Slnk prądu stałego jest systee, który ożna opsać za poocą dwóch podsysteów: elektrycznego echancznego. O le część elektryczna jest systee lnowy, to część echanczna ogólne wykazuje właścwośc nelnowe. Jedną ze składowych częśc echancznej jest oent sł tarca Strbecka. Ta składowa jest koponente nelnowy występujący w zakrese nskch prędkośc obrotowych. Rozważany slnk został zaodelowany w układze otwarty przy użycu kaskadowej sec neuronowej [8]. Model slnka przyjęto w postac: (4) T = f (C ), przy czy sygnał pobudzający wybrano w fore trzech snusod: Rys. 9. Struktura neuronowego systeu dagnostycznego z transforacją Falkową Przeprowadzone lczne badana eksperyentalne, w których zastosowano różne struktury sec neuronowych (różna lczba ukrytych warstw neuronów w każdej warstwe) oraz różne sygnały wejścowe wykazały dobrą skuteczność klasyfkowana stopna uszkodzena wrnka klatkowego. W analogczny sposób pokazano ożlwość projektowana neuronowych detektorów uszkodzeń stojana, takch jak zwarca ędzyzwojowe z wykorzystane perceptronu welowarstwowego do ch detekcj oraz sec neuronowej Kohonena do klasyfkacj zwarć. W pracy [33] pokazano równeż, że perceptrony welowarstwowe ożna skuteczne zastosować do projektowana układów detekcj lokalzacj uszkodzeń łożysk tocznych w slnkach ndukcyjnych. Ponadto pokazano, że dla poprawena skutecznośc jakośc neuronowych detektorów bardzo ważny problee jest zastosowane zaawansowanych algorytów przetwarzana sygnałów, w ty w szczególnośc transforaty falkowej [34]. Struktura takego neuronowego systeu dagnostycznego z przetwarzane falkowy pokazana jest na rysunku 9 została wykorzystana do zaprojektowana neuronowych detektorów uszkodzeń wrnka łożysk. Neuronowy odel slnka elektrycznego Badany slnk prądu stałego jest częścą laboratoryjnego stanowska AMIRA DR300 (rys. 0), znajdującego sę w laboratoru Instytutu Sterowana Systeów Inforatycznych Unwersytetu Zelonogórskego. Stanowsko to składa sę z pęcu eleentów: dwóch slnków prądu stałego M M2, dwóch dekoderów sprzęgła K. Slnk M2 pracuje w trybe generatora oże zostać użyty jako obcążene slnka M. Dostępne poarowo zenne procesowe są następujące: I prąd slnka M, I g prąd generatora M2, T odczyt (5) π C ( k) = 3sn(2π.7k ) + 3sn(2π.k ) 7. π + 3sn(2π 0.3k + ) 3 Przy użycu sygnału (5) uforowano zbór uczący złożony z 000 próbek. Zastosowana seć neuronowa posadała następująca strukturę: jedno wejśce, trzy neurony z fltre NOI perwszego rzędu tangensodalną funkcją aktywacj, sześć neuronów z fltre SOI (o Skończonej Odpowedz Ipulsowej) perwszego rzędu lnową funkcją aktywacj oraz jeden lnowy neuron wyjścowy [8]. Uczene tak zaprojektowanej struktury sec przeprowadzono z wykorzystane algorytu ARS (ang. Adaptve Rando Search). Wynk testowana zbudowanego odelu neuronowego na zborze testujący zawerający kolejne 000 próbek przedstawono na rysunku. Rys.. Odpowedź slnka (lna cągła) odelu neuronowego (lna kropkowo-kreskowa) układ otwarty 98 PRZEGLĄD ELEKTROTECHNICZNY (Electrcal Revew), ISSN 0033-2097, R. 85 NR 9/2009
a) ostatno w pracy [4]. Polega ono na zastosowanu zespołu N neuronowych predykatorów (rys. 3). b) Rys. 2. Odpowedź slnka (lna cągła) odelu neuronowego (lna kropkowo-kreskowa) układ zaknęty Jakość odelu przetestowano także w układze regulacj autoatycznej. Zadane układu regulacj było utrzyane obrotów slnka na pozoe 2000. Dodatkowo sygnał zadany został zaszuony. Wynk syulacj przedstawa rysunek 2. Po początkowych oscylacjach odel neuronowy ustala swoją odpowedź na prawdłowy pozoe. Dla lepszego zobrazowana wynków odelowana na rysunku 2(b) przedstawono odpowedź odelu slnka dla kolejnych chwl czasu. Powyższe wynk pokazują dobrą jakość neuronowego odelu slnka. Prognoza zużyca energ elektrycznej W rozwoju współczesnej energetyk jedny z stotnych probleów są zagadnena zwązane z prognozowane zapotrzebowana na energę elektryczną, zużyca energ, ale równeż prognozowana cen energ. Dobrze znane statystyczne etody prognozowana [35, 36] to przede wszystk odel regresj, autoregresj średnch ruchoych. W ostatnch latach prowadz sę ntensywne badana nad zastosowane różnych technk sztucznej ntelgencj [7] z uwag na ch atrakcyjne własnośc w porównanu z etoda analtyczny. Przykłade zastosowana takch technk oże być zaproponowany w pracy [38] rozyty odel Takag-Sugeno do prognozowana dobowych przebegów cen notowanych na Towarowej Gełdze Energ. Z kole złożone probley optyalzacj regulacj napęca w rozległej sec rozdzelczej zawerającej lokalne źródła ocy są rozwązywane z wykorzystane algorytów ewolucyjnych [39]. Algoryty te stosuje sę równeż do optyalzacj proenowych struktur sec elektroenergetycznych [40]. Wśród etod sztucznej ntelgencj duże zastosowane w rozwązywanu welu zagadneń prognozowana w energetyce znajdują sztuczne sec neuronowe. Cekawe zntegrowane rozwązane probleu prognozy krótkoternowej obcążena sec energetycznej zaproponowano Rys. 3. Zntegrowany syste do prognozowana obcążena sec energetycznej Każdy z neuronowych predykatorów generuje prognozę w postac wektora u = [u,u 2,,u 24 ] T, =,2,,N. Następne wszystke tzw. lokalne wynk prognozy, czyl u, są przetwarzane w systee ntegracj, na wyjścu którego generowana jest jedna końcowa prognoza û = [û,û 2,,û 24 ] T. Take rozwązane jest oczywśce bardzej złożone oblczenowo, ale pozwala na uzyskane dokładnejszych prognoz, korzystając z faktu, że ndywdualne predykatory ogą być realzowane z wykorzystane różnych struktur sec neuronowych. Przykładowo, w pracy [4] zastosowano do projektowana oddzelnych predykatorów perceptron welowarstwowy oraz saoorganzujące sec typu Kohonena. Cekawe propozycje rozwązana probleu prognozowana zapotrzebowana na energę elektryczną z zastosowane sec neuronowych opsano w rozprawe doktorskej [4]. Aby zwększyć dokładność prognoz, zaproponowano tzw. etaodel szeregowy, będący połączene odel neuronowych (predykatorów) typu perceptron welowarstwowy. Dany wejścowy dla każdego predykatora w szeregu są wektory prognoz energ elektrycznej wykonane przez predykator poprzedzający oraz prognozowane czynnk eteorologczne. Inny rozwązane, ale bardzej zaawansowany oblczenowo, oże być neuronowy syste klasyfkacj prognozowana [37] (rys. 4). Rys. 4. Neuronowy syste klasyfkacj prognozowana Przy czy klasyfkator zrealzowano z zastosowane saoorganzujących sec typu Kohonena, a odele predykatorów welowarstwowych perceptronów. Podsuowane W artykule przedstawono podstawowe struktury sec neuronowych, ze szczególny uwzględnene struktur dynacznych. Pokazano wybrane ożlwośc zastosowana sec neuronowych w zagadnenach PRZEGLĄD ELEKTROTECHNICZNY (Electrcal Revew), ISSN 0033-2097, R. 85 NR 9/2009 99
odelowana dentyfkacj slnków elektrycznych w celu poprawena jakośc ch sterowana, ale równeż rozpatrzono ważne probley dagnostyk takch slnków. Rozważano także probley prognozowana obcążena sec energetycznych z zastosowane złożonych struktur sztucznych sec neuronowych. LITERATURA [] Patton R.J., Frank P.M, Clark R.N. (Red.), Issues of Fault Dagnoss for Dynac Systes, Sprnger-Verlag, Berln (2000) [2] K o r b cz J., K o ścelny J.M., Kowalczuk Z., Cholewa W. (Red.), Fault Dagnoss. Models, Artfcal Intellgence, Applcatons, Sprnger-Verlag, Berln/Hedelberg (2004) [3] K o ścelny J.M., Dagnostyka zautoatyzowanych procesów przeysłowych, Akadecka Ofcyna Wydawncza EXIT, Warszawa (200) [4] Blanke M., Knnaert M., Lunze J., Starosweck M., Dagnoss and Fault-Tolerant Control, Sprnger-Verlag, New York (2003) [5] Iserann R., Fault Dagnoss Systes, An Introducton fro Fault Detecton to Fault Tolerance, Sprnger-Verlag, New York (2006) [6] K o r b cz J., K o ścelny J.M., Kowalczuk Z., Cholewa W. (Red.), Dagnostyka procesów. Modele, Metody sztucznej ntelgencj, Zastosowana, WNT, Warszawa (2002) [7] R u t k o wsk L., Metody technk sztucznej ntelgencj, PWN, Warszawa (2005) [8] Duch W., Korbcz J., Rutkowsk L., Tadeusewcz R. (Red.), Sec Neuronowe. Bocybernetyka Inżynera Boedyczna, t. 6, Akadecka Ofcyna Wydawncza EXIT, Warszawa (2000) [9] Korbcz J., Obuchowcz A., Ucńsk D., Sztuczne Sec Neuronowe. Podstawy Zastosowana, Akadecka Ofcyna Wydawncza PLJ, Warszawa (994) [0] Tadeusewcz R., Sec neuronowe, Akadecka Ofcyna Wydawncza RM, Warszawa (993) [] Gupta M.M., Jn L., Hoa N., Statc and Dynac Neural Networks, John Wley & Sons, Hoboken (2003) [2] Osows k S., Sec neuronowe do przetwarzana nforacj, Ofcyna Wydawncza Poltechnk Warszawskej, Warszawa (2006) [3] Cybenko G., Approxaton by superpostons of a sgodal functon, Matheatcs of Control, Sgnals, and Systes, 2 (989), 303-34 [4] Tadeusewcz R., O celowośc zastosowana sec neuronowych w probleach zwązanych z elektrotechnką, Przegląd Elektrotechnczny (2009), nr 2, 200-2 [5] N e lles O., Nonlnear Systes Identfcaton. Fro Classcal Approaches to Neural Networks and Fuzzy Models, Sprnger- Verlag, Berln (200) [6] W llas R.J., Z pser D., A learnng algorth for contnually runnng fully recurrent neural network, Neural Coputaton, (989), 270-289 [7] H a yk n S., Neural Networks. A Coprehensve Foundaton, 2nd Edton, Prentce Hall, Englewood Clffs (989) [8] Patan K., Artfcal Neural Networks for the Modellng and Fault Dagnoss of Techncal Processes, Lecture Notes n Control and Inforaton Scences, Vol. 377, Sprnger-Verlag, Berln (2008) [9] Korbcz J., Patan K., Obuchowcz A., Dynac neural networks for process odelng n fault detecton and solaton systes, Appled Matheatcs and Coputer Scence, 9 (999), n. 3 [20] I v akhnenko A.G., Polynoal theory of coplex systes, IEEE Transactons on Systes, Man and Cybernetcs, (97), n. 4, 44-58 [2] Pha, D.T., Xng L., Neural Networks for Identfcaton, Predcton and Control, Sprnger-Verlag, London (995) [22] Mrugalsk M., Neuronowe odelowane systeów nelnowych w układach detekcj uszkodzeń, rozprawa doktorska, Unwersytet Zelonogórsk, Wydzał Elektrotechnk, Inforatyk Telekounkacj (2003) [23] Korbcz J., Mrugalsk M., Confdence estaton of GMDH neural networks and ts applcaton n fault detecton systes, Internatonal Journal of Systes Scence, 39 (2008), n. 8, 783-800 [24] K u ś J., Korbcz J., Statyczne dynaczne sec GMDH, [w:] Duch W., Korbcz J., Rutkowsk L., Tadeusewcz R., (Red.), Sec Neuronowe. Bocybernetyka Inżynera Boedyczna, t. 6, Akadecka Ofcyna Wydawncza EXIT, Warszawa (2000), 227-256 [25] Grzesak L. M., K aźerkows k M.P., Iprovng flux and speed estators for sensorless AC drvers, IEEE Industral Electroncs Magazne, Fall (2007), 9-9 [26] Grzesak L.M., Belczyń s k B., U f nalsk B., Input preprocessng n tapped delay neural archtecture for nducton otor speed estaton, Proceedngs of the EPE Conference (2003), CD-ROM [27] K o walsk Cz.T., Stan obecny tendencje rozwojowe etod ontorowana dagnostyk napędów z slnka ndukcyjny, Wadoośc Elektrotechnczne (2003), nr 4, 60-64 [28] Cepel Cz., Dagnostyka wbroakustyczna aszyn, PWN, Warszawa (989) [29] K o rbcz J., Wybrane zastosowana etod sztucznej ntelgencj w układach detekcj uszkodzeń systeów dynacznych, [w:] Kowalczuk Z., Wsznewsk B. (Red.), Intelgentne wydobywane nforacj w celach dagnostycznych, Poorske Wydawnctwo Naukowo- Technczne, Gdańsk (2007), 45-66 [30] Awadallah M.A., Marcos M.M., Applcaton of AI tools n fault dagnoss of electrcal achnes and drves. An overvew, IEEE Transactons on Energy Converson, 8 (2003), n. 2, 245-25 [3] Ja rzyn a W., Dagnostyka układu napędowego w czase rzeczywsty, Wydawnctwo Poltechnk Lubelskej, Lubln (2003) [32] H a j M., Tolya t H.A., Pattern recognton A technque for nducton achnes rotor broken bar detecton, IEEE Transactons on Energy Converson, 6 (200), n. 4, 32-37 [33] K o walsk C z.t., Montorowane dagnostyka uszkodzeń slnków ndukcyjnych z wykorzystane sec neuronowych, Ofcyna Wydawncza Poltechnk Wrocławskej, Wrocław (2005) [34] Peng Z.K., Chu F.L., Applcaton of the wavelet transfor n achne condton ontorng and fault dagnoss. A revew wth bblography, Mechancal Systes and Sgnal Processng (2004), 99-22 [35] Box G.E.P., Jenkns G.M., Analza szeregów czasowych. Prognozowane sterowane, PWN, Warszawa (983) [36] M a lko J., Wybrane zagadnena prognozowana w elektroenergetyce. Prognozowane, Ofcyna Wydawncza Poltechnk Wrocławskej, Wrocław (995) [37] P r o t asewcz J., Zastosowane sec neuronowych do analzy rynku energ elektrycznej w Polsce, rozprawa doktorska, Polska Akadea Nauk, Instytut Badań Systeowych, Warszawa (2008) [38] P o p ławs k T., Rozyty odel prognozowana cen energ na Towarowej Gełdze Energ, Przegląd Elektrotechnczny (2006), nr 2, 4-43 [39] K o t A., Ewolucyjna optyalzacja regulacj napęca w rozległej sec rozdzelczej zawerającej lokalne źródło ocy, Przegląd Elektrotechnczny (2006), nr 9, 24-26 [40] B o ż ek J., Tyl e k W., Zastosowane algorytów ewolucyjnych do optyalzacj proenowych struktur sec elektroenergetycznych, Przegląd Elektrotechnczny (2006), nr 9, 60-62 [4] S wek K., Osowsk S., Szupluk R., Enseble neural network approach for accurate load forecastng n a power syste, Internatonal Journal of Appled Matheatcs and Coputer Scence, 9 (2009), n. 2, 303-35. Autor: prof. dr hab. nż. Józef Korbcz, czł. koresp. PAN, Unwersytet Zelonogórsk, Instytut Sterowana Systeów Inforatycznych, ul. Podgórna 50, 65-246 Zelona Góra, E-al: J.Korbcz@ss.uz.zgora.pl 200 PRZEGLĄD ELEKTROTECHNICZNY (Electrcal Revew), ISSN 0033-2097, R. 85 NR 9/2009