upravljanje solarnim sistemom zasnovano na veštačkoj inteligenciji

Profesor: Studenti:Dr Milica Naumović Miodrag Mladenović 186

Miloš Rajković 194

SEMINARSKI RAD

Predmet: Metode inteligentnog upravljanja

Tema: Upravljanje solarnim sistemom zasnovano na veštačkoj inteligenciji

1

•Solarni energetski sistemi se koriste u mnogim oblastima života (proizvodnja električne energije, solarni kolektori)

•Izlaz iz sistema zavisi od količine Sunčevog zračenja

•Količina Sunčeve energije koju sistem primi zavisi od ugla pod kojim to zračenje dospeva na solarni panel.

•Sistem za praćenje sunca - sistem koji održava skoro normalan ugao između ravni solarnog panela i pravca dolaznog sunčevog zračenja. Postoje jednoosni i dvoosni sistemi za praćenje sunčevog zračenja.

Uvod

2

•Postoji nekoliko opštih implementacija jedoosnog sistema za praćenje sunca:– Sa horizontalnom osom rotacije– Sa vertikalnom osom rotacije– Nagnutni jednoosni sistem– Polarno-poravnati sistem za praćenje sunca

•Dvoosni sistemi za praćenje sunca mogu se realizovati u različitm oblicima:– Tip-tilt– Azimuth-altitude dvoosni sistem za praćenje sunca

Uvod

3

•Neuronska mreža (NN) se može definisati kao jednostavna klasa matematičkih algoritama, pošto se suštinski mreža može smatrati kao grafička notacija velikog opsega algoritama.

•Neuronska mreža predstavlja „crnu kutiju“ !!!! (treba je naučiti i trenirati)

•NN mreže se razlikuju po režimima učenja

•Koriste se u različitim oblastima: upravljanje, robotika, prepoznavanje oblika, prognoziranja, medicina, proizvodnja,energetski sistemi itd. Uspešnu primenu imaju i u identifikaciji i upravljanju nelinearnih dinamičkih sistema (solarni sistemi).

Uvod

4

•U ovom radu je obrađen dvoosni sistem za praćenje sunca (azimuth-elevation).

•Na slikama 1 i 2 je prikazan jedan ovakav sistem, dok su u tabeli 1 definisani parametri ovakvog sistema.

Sistem za praćenje sunca

5

Sistem za praćenje sunca

Slika 1

Slika 26

•Metod upravljanja sistemom sa otvorenom spregom

•Tradicionalni sistem upravljanja zasniva se na sistemu sa zatvorenom povratnom spregom sa fotosenzorima.

•U ovom radu smo obradili metod koji radi u svim vremenskim uslovima, i zasniva se na PLC-u.

•Elektromehanički sistem čine 2 pogona. Prvi za upravljanje vertikalnom osom, drugi za upravljanje po pravcu istok-zapad.Slike(3 i 4).

Sistem za praćenje sunca – Klasično upravljanje solarnim sistemom

7

Sistem za praćenje sunca

Slika 3Slika 4

8

•Softver na računarima je razvijen da određuje različite solarne uglove koji su potrebni da bi sistem funkcionisao.

•Trajanje dnevne svetlosti je podeljeno u 4 identična vremenska intervala T1, T2, T3 i T4, tokom kojih su određene brzine motora.

•Programranje PLC kontrolera izvršeno je nakon analize solarnih uglova i proračuna brzine motora

Sistem za praćenje sunca – Programiranje sistema upravljanja

9

•Praćenje sunca zavisi od klimatskih uslova, kao i tipa solarnog sistema koji je implementiran na postolju.

•NN je nelinearni sistem pa se njome može opisati model sistema za praćenje sunca.

Primena veštačke inteligencije u upravljanju solarnim sistemima – identifikator neuronske mreže

Slika 5. identifikacija NN mreže

10

•Identifikator NN mreže vezuje se paralelno sistemu za praćenje sunca.

•Izlaz NN mreže i izlaz sistema predstavljaju signal za „treniranje“ NN mreže.

•Neuronska mreža može biti višeslojna mreža koja koristi tzv. back-propagation algoritam obuke, koji predstavlja nadzorni postupak učenja NN mreže.

Primena veštačke inteligencije u upravljanju solarnim sistemima – identifikator neuronske mreže

11

•Ovaj proces predstavlja određivanje težina međuneuronskih veza.

•Obuka se vrši u off-line modu, koristeći prethodno generisani skup podataka za obuku (ulazni i izlazni parovi).

•Signal greške izlaza NN mreže i izlaza para obuke se koristi za učenje (obuku) mreže.

•Obuka NN mreže se izvodi u tzv. 1054 epoha (iteracija) učenja.

•Kvalitet (ocena performansi) obučenosti modela izražava se srednje-kvadratnim odstupanjem.

Obuka neuronske mreže

12

•Slučajno generisani signal se generiše funkcijom koja je urađena u Simulink-u i primenjen je kao ulazni signal sistema za praćenje sunca, a odzivi ulaza i izlaza sistema se prikupljaju i čuvaju kao „trening“ podaci za obuku NN mreže.

•Prikupljeni podaci se dele na dva podskupa:– Podatke za obuku– Podatke za validaciju (testiranje, proveru)

Podaci za obuku neuronske mreže

13

•Algoritam obuke se može predstaviti kroz 13 koraka obuke:

1. Utvrđivanje strukture mreže i veličine skrivenog sloja;2. Težine skrivenog sloja Wji i težine izlaznog sloja Woj su inicijalizovane kao male

slučajne vrednosti;3. Izračunavanje izlaza skrivenog sloja, korišćenjem parova obrazaca za obuku;4. Izračunavanje Izlaza NN mreže;5. izračunavanje greške između izračunatog izlaza NN mreže i željenog izlaza skupa

podataka za obuku;6. Izračunavanje signala greške izlaznog sloja;7. Podešavanje težina izlaznog sloja;8. Izračunavanje signala greške skrivenog sloja;9. Podešavanje težina skrivenog sloja;10. Ponavljati sve navedene korake počev od koraka 3 za naredni obrazac obuke sve dok

se svi obrasci ne završe. Potvrditi obučeni model koristeći skup podataka za proveru;

Algoritam obuke neuronske mreže

14

11. Izračunavanje srednje-kvadratnog odstupanja

12. Provera da li je greška potvrđivanja počela da raste tokom nekog vremena. Ukoliko jeste, onda treba čuvati konačne vrednosti težina skrivenih (W ji) i izlaznih (Woj) slojeva koje imaju minimalnu grešku potvrđivanja tokom vremena. Proveriti da li Erms ima dozvoljenu vrednost, ako nema onda otići na korak 1 i dodati još jedan skriveni čvor (član) za izgradnju druge neuronske mreže. U protivnom završiti skup potvrde

13. Testirati veći broj različitih obučenih modela mreža. Ako je razlika u greškama za različite brojeve skrivenih čvorova unutar granica tolerancije, bira se neuronska mreža koja ima manji broj skrivenih čvorova. Tada je model izabrane neuronske mreže spreman da postane model sistema za praćenje sunca.

Algoritam obuke

15

•Popularan metod za poboljšanje generalizacije mreže jeste metod ranog zaustavljanja.

Izbor neuronske mreže

Slika 6. Algoritam izbora NN mreže 16

•PID samopodešavajući fazi logički kontroler (PIDSTFL) se koristi za upravljanje dvoosnim sistemom za praćenje.

•PIDFL kontroler predstavlja fazi logički kontroler bez sposobnosti samopodešavanja parametara.

•Izlaz PIDSTFL kontrolera:

Fazi logički kontroler za sistem praćenja sunca

Slika 7. PIDFL kontroler

17

•PIDSTFL tehnika upravljanja – program pristupa signalu pozicije, a zatim proračunava grešku i diferencijal greške kako bi podesio parametre kontrolera.

•Implementacija samopodešavajućeg fazi logičkog kontrolera može se sažeti u sledeće korake:1. Izmeriti ugaonu poziciju „tragača“ θ(t).2. Izračunati e i e•.3. Normalizovati e i e• i ,,fazifikovati” ulaze koristeći tabelu sa baznim pravilima

(funkcijama pripadnosti) uz pomoć IF-THEN (AKO-ONDA) operacije. 4. Transformisati fazifikovane ulaze u fazi zaključivanje koristeći operaciju

minimum-maksimum. 5. Defazifikovati informacije, kako bi se pretvorile u izlaz fazi upravljanja u(t) i

denormalizovati ovaj fazi signal čime se proizvodi realna upravljačka akcija.

Fazi logički kontroler za sistem praćenja sunca – Tehnika kontrolera

18

Fazi logički kontroler za sistem praćenja sunca – Tehnika kontrolera

Baza pravila PIDSTFL kontrolera

Funkcija pripadnosti greške

19

Fazi logički kontroler za sistem praćenja sunca

Slika 8.20

• Slika 9 prikazuje optimizovani model neuronske mreže za identifikaciju „solarnog tragača“. Neuronska mreža se sastoji od tri sloja: – Ulazni sloj – ima četiri neurona, od kojih je jedan bias signal– Skriveni sloj – ima 12 neurona sa jednim bias signalom– Izlazni sloj – ima jedan izlaz koji definiše izlaz modela tragača

Model neuronske mreže

Slika 9.

21

Obuka i validacija modela

Slika 11. Validacija neuronske mrežeSlika 10. U/I obrasci obuke neuronske mreže

22

• Na slici 12, u okviru epoha 1÷600, srednje-kvadratna greška (Erms) je nad skupom provere smanjena čim je neuronska mreža počela da generalizuje bolje stepene. Povećana sposobnost generalizacije neuronske mreže tokom epoha treninga 600÷750 je jasna pošto je vrednost Erms nad podacima obuke bila veoma blizu vrednosti Erms nad skupom podataka za proveru. Međutim tokom epohe 800÷1054 mreža počinje da overfituje podatke, pa vrednost Erms nad skupom poređenja počinje da raste.

Obuka i validacija modela

Slika 12.23

• PIDSTFL kontroler:

•Konvencionalne PID, PIDFL i PIDSTFL tehnike upravljanja se, radi njihovog poređenja, sprovode na sistem za praćenje sunca.

•Parametri regulatora su izabrani off-line, pomoću modela tragača sa NN mrežom, a zatim su podešeni on-line sa realnim pogonom.

•Slika 13 prikazuje poređenje PIDFL i PIDSTFL kontrolera.(Ilustracija efikasnosti PIDSTFL nad PIDFL – odziv PIDSTFL je relativno stabilniji od odziva PIDFL kontrolera).

PIDSTFL kontroler

24

Rezultati i diskusija – PIDSTFL kontroler

Slika 13.

25

• PIDSTFL kontroler

•Efekat parametra β, PIDSTFL kontrolera, može se videti sa slike14, koja prikazuje efekat varijacije parametra na ukupni učinak kontrolora

PIDSTFL kontroler – efekat promene parametra β

Slika 14.Efekat promene parametra kontolera

26

•Slika 15 prikazuje odziv sistema za praćenje sunca u slučaju PIDFL i PIDSTFL fazi logičkog kontrolera

•Sa slike se može videti da ova dva kontrolera imaju slično dejstvo, da nemaju preskok, odnosno imaju dobre osobine (performanse) u prelaznom i stacionarnom stanju.

•PIDSTFL ima bolju efikasnost u odnosu na PIDFL kontroler

PIDSTFL kontroler

Slika 15. 27

•Slika 16 pokazuje efekat nastupa poremećaja nad performansama konvencionalnih PID, PIDFL i PIDSTFL kontrolera

PIDSTFL kontroler

Slika 16. Odziv na poremećaje za sve navedene tipove regulatora

28

•Izučavane su osobine dvoosnog „azimuth–elevation“ sistema za praćenje sunca, njegovo modeliranje i upravljanje korišćenjem veštačke inteligencije.

•Proporcionalno-integralno-diferencijalni fazi logički kontroler, sa i bez sposobnosti samopodešavanja, korišćen je za upravljanje sistemom praćenja sunca.

•Pokazano je da fazi logički samopodešavajući PID kontroleri obezbeđuju bolje performanse u odnosu na standardne fazi logičke PID kontrolere.

•Oba tipa fazi kontrolera obezbeđuju bolje performanse od konvencionalnih PID kontrolera. PID kontroler funkcioniše dobro kada je proces pod kontrolom u stabilnim uslovima, ali ne radi dobro u prisustvu poremećaja.

Zaključak

29

HVALA NA PAŽNJI

Pitanja??????

30