CC BY
29
УДК 004.896
ю.м. шмельов, ее. волкан1н,
1.В. ЗАЛИВЧА, Ю.М. ГАВРИЛЮК
Кременчуцький льотний коледж Нацюнального авiацiйного унiверситету
АВТОМАТИЗАЦ1Я ОПАЛЕННЯ ЖИТЛОВИХ ПРИМ1ЩЕНЬ З МЕТОЮ ЗНИЖЕННЯ ЕНЕРГОВИТРАТ
В останнг роки спостер1гаеться тенденцгя розширення застосування в системах управлгння технологгчними процесами та складними динамгчними об 'ектами ттелектуальних систем побудованих на штучних нейронних мережах. Це пояснюеться рядом переваг штучних нейронних мереж перед традицшними системами керування: самонавчання системи, висока ступгнь паралельностг процесгв, наявтсть мтгмальног тформацИ про об'ект управлгння, можливгсть реал1зувати функцгг значног складност1. У дангй статт1 пропонуеться застосувати методи штучних нейронних мереж для управлгння електроопаленням примщення з метою зниження енерговитрат. Забезпечення заданого температурного режиму вимагае мотторингу певних фактор1в в реальному часг, таких як наявтсть людей в примщеннг, гх активнгсть, наявтсть та стан офгсно'г г мультимедшног техтки, освгтленгсть примщення, режим провгтрення г т.д. Таку задачу в даний час виргшують застосуванням традицшног системи управлгння з програмним алгоритмом роботи, яка не в повтй мгрг використовуе всг можливостг для енергозбереження, г кргм того, вимагае втручання користувача. Сучасна Iнтелектуальна система управлгння на базг нейронног мережг бгльш гнучка, не вимагае втручання користувача, здатна реалгзувати бгльш складнг алгоритми керування.
Розробка системи управлгння побудованог на нейроннт мережг зводиться до двох основних завдань: вибгр схеми штучног мережг та створення методу гг навчання. Пропонуеться реалгзувати систему управлгння електроопаленням за схемою прямого управлгння (послгдовного нейроконтроллера) з нейромережевим емумулятором на базг архгтектури багатошаровог нейронног мережг, що навчаеться за алгоритмом зворотного розповсюдження помилки. Такий адаптацшний алгоритм може використовуватись для управлгння опалювальним обладнанням, яке е багатовимгрним об'ектом оскгльки обладнане датчиками та мае можливгсть змгнювати потужтсть в широких межах.
Ключовг слова: автоматизована система управлгння, штучна нейронна мережа, енергоефективне опалення, нейроемулятор, нейроконтролер, алгоритм навчання нейроемулятору.
Ю.Н. ШМЕЛЁВ, Е.Е. ВОЛКАНИН, И.В. ЗАЛИВЧА, Ю.Н. ГАВРИЛЮК
Кременчугский летный колледж Национального авиационного университета
АВТОМАТИЗАЦИЯ ОТОПЛЕНИЯ ЖИЛЫХ ПОМЕЩЕНИЙ С ЦЕЛЬЮ СНИЖЕНИЯ ЭНЕРГОЗАТРАТ
В последние годы наблюдается тенденция расширения применения в системах управления технологическими процессами и сложными динамическими объектами интеллектуальных систем построенных на искусственных нейронных сетях. Это объясняется рядом преимуществ искусственных нейронных сетей перед традиционными системами управления: самообучение системы, высокая степень параллельности процессов, наличие минимальной информации об объекте управления, возможность реализовать функции значительной сложности. В данной статье предлагается применить методы искусственных нейронных сетей для управления электрообогревом помещения с целью снижения энергозатрат. Обеспечение заданного температурного режима требует мониторинга определенных факторов в реальном времени, таких как наличие людей в помещении, их активность, наличие и состояние офисной и мультимедийной техники, освещенность помещения, режим проветривания и т.д. Такую задачу в настоящее время решают применением традиционной системы управления с программным алгоритмом работы, которая не в полной мере использует все возможности для энергосбережения, и кроме того, требует вмешательства пользователя. Современная интеллектуальная система управления на базе нейронной сети более гибкая, не требует вмешательства пользователя, способна реализовать более сложные алгоритмы управления.
Разработка системы управления построенной на нейронной сети сводится к двум основным задачам: выбор схемы искусственной сети и создание метода её обучения. Предлагается реализовать систему управления электрообогревом по схеме прямого управления (последовательного нейроконтроллера) с нейросетевым емумулятором на базе архитектуры многослойной нейронной сети, которая учится по алгоритму обратного распространения ошибки. Такой адаптационный алгоритм может использоваться для управления отопительным оборудованием, которое является многомерным
объектом поскольку оборудовано датчиками и имеет возможность изменять мощность в широких пределах.
Ключевые слова: автоматизированная система управления, искусственная нейронная сеть, энергоэффективное отопление, нейроэмулятор, нейроконтроллер, алгоритм обучения нейроэмулятора.
Y.M. SHMELOV, Y.Y. VOLKANIN, I.V. ZALYVCHA, Y.M. HAVRYLYUK
Kremenchug Flight College of National Aviation University
AUTOMATION OF HEATING OF HOUSING ACCOMMODATIONS WITH THE PURPOSE OF REDUCING THE ENERGY OFFER
In recent years, there has been a tendency of expanding the application in control systems of technological processes and complex dynamic objects of intelligent systems constructed on artificial neural networks. This is due to a number of advantages of artificial neural networks in front of traditional systems of management: self-learning system, high degree of process parallelism, the availability of minimal information about the object of management, the ability to implement features of considerable complexity. In this article it is proposed to apply methods of artificial neural networks for controlling the heating of premises in order to reduce energy consumption. Provision of a given temperature regime requires monitoring of certain factors in real time, such as the presence of people in the room, their activity, availability and status of office and multimedia equipment, room illumination, ventilation mode, etc. Such a task is currently being solved by the use of a traditional control system with a programmatic work algorithm that does not fully utilize all the power saving options and, moreover, requires user intervention. The modern intelligent control system based on the neural network is more flexible, does not require user intervention, can implement more complex management algorithms.
The development of the management system built on the neural network is reduced to two main tasks: the choice of the scheme of the artificial network and the creation of a method for its training. It is proposed to implement a system of control of electric heating by the scheme of direct control (serial neurocontroller) with a neural network simulator based on the architecture of the multilayer neural network, which learns on the algorithm of the reverse error propagation. Such an adaptation algorithm can be used to control heating equipment, which is a multidimensional object since it is equipped with sensors and has the ability to change power across borders.
Key words: automated control system, artificial neural network, energy efficient heating, neuroemultier, neurocontroller, training algorithm for neuroemultier.
Постановка проблеми
Одним Í3 головних показнишв мжроктмату примщення е температура повиря. Дiючi вимоги температурного режиму примщень [1] передбачають перепади температури в межах 2 ... 3 оС. Зпдно встановлених нормативних показнишв, комфортна температура становить: 22 ... 25 оС в теплу пору року; 20 ... 22 оС взимку; температура для робочих примщень - 18 оС. Шдтримувати температуру примщення в такому дiапазонi можливо лише за допомогою систем автоматичного регулювання температури.
Значне збшьшення вартосп природного газу робить економiчно дощльним встановлення та експлуатацш електричних систем опалення. О^м економiчних переваг електричш системи бшьш компактш, технолопчш, мають кращш дизайн, вщносно простий монтаж та краще автоматизуються.
На сьогодшшнш день у свт надзвичайно гостро стоггь питания зниження енергоспоживання житлових, офюних та виробничих будiвель. Споживання енергп невпинно зростае, li варпсть збiльшуеться i у перспективi цей процес буде тiльки розвиватися. З року в рж експлуатацшна варпсть житла дорожчае, тому питання економп i рацiонального використання енергп складно переоцшити. Ключовим фактором, який впливае не зниження споживання енергп, е застосування гнучко! та ефективно! системи управлшня електричним опаленням. Альтернативою юнуючим системам управлiння е штучнi нейронш мереж1.
Останне десятирiччя набули значного розвитку штелектуальш системи управлiння на основi штучних нейронних мереж. Це так системи, як1 здатнi аналiзувати, розпiзнавати змiни в об'ектi i зовшшньому середовищi, навчатися протягом свого функцюнування, здiйснювати дiагностику, прогнозування i розвиток як керованого об'екта, так i само! системи управлшня [2].
Наразi шформацшш системи керування на основi нейронних мереж широко впроваджуються завдяки наступним особливостям [3]:
- реалiзацiя на базi електронних нашвпроввдникових контролерiв дозволяе органiзувати паралельну обробку шформацп, що збiльшуе швидк1сть роботи та надiйнiсть системи;
- здатш реалiзувати функцп керування значно! складностц
- для реалiзацil нейронних мереж достатньо мшмально! шформацп про об'ект управлшня.
Аналiз останшх дослщжень i публiкацiй
На даний час для автоматично1 пiдтримки задано1 температури в примщенш широко застосовуються термостати або терморегулятори. Термостат являе собою автоматичний прилад, пiдключений до опалювально1 системи, який припиняе ïï роботу при досягненш верхнього показника температури i знову ïï вщновлюе, при охолодженш до мiнiмального значення. Працюе термостат в автоматичному режимi по налаштованим параметрами. Терморегулятор це зазвичай бiльш складний та ефективний електронний прилад, осшльки збирае iнформацiю вщ термодатчишв в примiщеннi i на пiдставi цiеï iнформацiï включае або вимикае опалювальну систему. Недолiки таких систем: необхвдщ постiйнi налаштування та^' системи з боку користувачiв, вмикання та вимикання, не враховують присутшсть користувачiв в примiщеннi.
Бiльш досконалими е системи з програмним регулюванням, як1 забезпечують змiну температури по заздалепдь заданому закону (в чай). Недолж: користувачу необхiдно встановити графж роботи опалювальноï' системи в залежносп вiд режиму знаходження в примщенш людей.
Застосування iнтелектуальноï системи управлшня на базi штучноï нейронноï мереж1 дозволить системi опалювання повнiстю автономно працювати, враховуючи режим присутностi людей в примщенш (за 1х вiдсутностi знизити температуру до мiнiмально допустимого рiвня, тим самим знижуючи енергоспоживання), також враховуючи зовнiшню температуру та освгглення (за наявностi вiдповiдних датчиков).
Перевагами нейронноï' мереж! перед традицшними системами управлiння е [4] :
- можливють навчатися будь-яких функцш, важливий тшьки обсяг наданих даних i виб!р правильноï' нейронноï' модель Таким чином нейроннi мереж! дозволяють уникнути використання складного математичного апарату;
- використання нелiнiйних функцш активацп в нейронних мережах дозволяе реалiзувати завдання з ютотними нелiнiйностями;
- така система самонавчаеться. Це означае можливють здшснювати управлiння в умовах суттевих нелiнiйностей;
- високий стушнь паралельностi мереж! забезпечуе високу продуктившсть обчислень;
- архiтектура паралельноï обробки дозволяе нейроннш мереж1 функцiонувати навиъ при порушеннi окремих елементiв мереж!.
Тобто нейронш мереж1 доцшьно застосувати для автоматизацп опалення примiщень з метою зниження енергоспоживання та збшьшення автономносл системи.
Формулювання мети дослвдження
Метою даноï роботи е розширення функцiональних можливостей системи управлiння опаленням примщення шляхом застосуванням методiв нейронних мереж.
Викладення основного матерiалу дослвдження
Концепцiя сучасноï системи керування опаленням житлових примiщень полягае в тому, що ефективне зниження енерговитрат можливе за умови аналiзу максимально можливоï шлькосп факторiв, як! впливають на температуру в примщенш. Вказат фактори можливо роздшити на зовшшш та внутршш. До зовшшшх фактор!в сл!д вщнести навколишню температуру, швидшсть виру, освгтлешсть буд!вл! До внутршшх: шльшсть та потужшсть обладнання, встановленого в примщенш, та частота i тривалють його роботи, наявшсть людей в примщенш, тривалють ï\ перебування i вид д!яльносп. Таким чином, ресурйв для зниження енерговитрат для опалення (вщсутшсть людей в примщенш, змша зовнiшньоï температури, змша освгтленосп i т.д.) юнуе достатньо, а проблема використання вказаних ресурйв полягае у створенш автоматизованоï iнтелектуальноï системи керування.
Стосовно застосування класичноï теорiï автоматичного управлшня до багатом!рних об'екпв (температурне поле примщення) мае певш обмеження внаслщок складносп представлення i анал!зу вхщних даних. Дана теор!я також включае розробку математичноï модел! об'екта управлшня, яка описуе динам!чну систему та застосування аналггичних шдход!в до штерпретацп закошв управлшня. Кр!м того розроблена математична модель може виявитися занадто складна для обчислення в режим! реального часу процесором вбудованим в контролер. Також така система буде зм!нюватися безперервно з часом i мати параметри, як! неможливо представити у вигляд! модел!, але як! чгтко описуються в вербальнш форм!. Таким чином, юнуюч! системи автоматичного управлшня опаленням не використовують в повнш м!р! можливосп енергозбереження. Наведен! проблеми вимагають удосконалення або замши юнуючих метод!в автоматизацiï' управлшня, побудованих на основ! класичних алгорштшв. Найбшьш повно вказаним вимогам може задовольнити сучасш штелектуальш системи управлшня побудоваш на штучних нейронних мережах. Здатшсть до самонавчання, само накопичування бази даних, застосування нечигсих алгорштшв е ключовими факторами для розробки та впровадження iнтелектуальноï системи управлшня
[5].
Штучш нейронш мереж! (ШНМ) являють собою модель бюлопчного нейрона людського мозку. Елементи ШНМ сильно пов'язаш м1ж собою, паралельт та перехресш зв'язки створюють мереж! простих
адаптивних елеменпв вщповщно до !х структурно! iерархiчноl оргашзаци, як1 спрямованi на взаeмодiю з об'ектами реального свiту, подiбно до ди людського мислення [3].
Основним завданням тренувань нейронних мереж е вибiр вагових коефiцieнтiв (ваг) дано! мереж за допомогою тако! И навчання, щоб була вiдповiднiсть мiж необхiдними сигналами входу / виходу [5]. Математична модель одного штучного нейрона наведена на рисунку 1.
Рис. 1. Математична модель нейрона
Вхщш сигнали х,, множаться на ваговi коефщенти (синаптичнi ваги) i пiдсумовуються в результуючий сигнал змщений на величину V0:
5 = 2Г=1 W¿x¿ + Wo, г = /(У), /(Х) = ■
(1)
де хь х2,
хп - вхlднi сигнали; w2,
- синаптичш ваги нейрона; 5 - функщя вхiдних впливiв i порогового елемента w0; /- функцiя активацп; г - вихiдний сигнал нейрона.
Сигнал s подаеться на вхщ активацшно! функцп нейрона f (рисунок 1).
Схематично система управлшня опаленням в примiщеннi може бути представлена як тришарова нейронна мережа (рисунок 2) на вхщ яко! надходять сигнали (хп) з датчиков температури, освiтленостi, присутностi i т.д., а на виходi формуеться сигнал (у) керування електроопалювальним обладнанням.
1
1+е
Рис. 2. Штучна нейронна мережа керування опалюванням
Для здiйснення апроксимацп функцiй багатошаровi мереж1 прямого поширення пiддаються коригуванню вагових коефiцiентiв. Дане коректування здiйснюеться на основi розроблених алгоритшв навчання нейронних мереж, яш бувають наступних видiв [6]:
- здаеться набiр навчальних векторiв - вхiдних значень i бажаних виходiв нейронно! мереж!. Синаптичнi ваги в процеа навчання пiдбираються таким чином, щоб при певних вхщних сигналах отримувати максимально близьк1 до заданих вихiднi сигнали;
- на початковому етат не ставиться бажаний вектор вихщних сигналiв, однак за результатами роботи нейронна мережа отримуе позитивну або негативну оцiнку;
- задаеться набiр вх1дних векторiв, яш обробляються на основi законiв самооргашзаци, що призводить нейронну мережу до стану, при якому вона здатна вирiшувати поставлен завдання.
На рисунку 3 наведена схема нейронного управлшня з емулятором i контролером. Вщповщно схемi нейроконтролер навчаеться на iнверснiй моделi об'екта управлiння, а нейроемулятор - на реальнш моделi об'екта управлшня. Нейроконтролер навчаеться на основi нейроемулятора, який навчаеться за допомогою методу зворотного поширення помилки. Для навчання нейроемулятора задамо багатошарову мережу прямого поширення з випадково пiдiбраними ваговими коефiцiентами i навчальну множину, що складаеться з пар вхiдний сигнал мереж1 - необхiдний вихiдний сигнал нейроконтролера, а також вихiдне значення мереж1 [7].
Рис. 3. Схема нейронного управлшня з емулятором i контролером
Завдання навчання нейроконтролера полягае в пiдборi вагових коефiцiентiв для мiнiмiзацil деяко! цшьово! функцп. Цшьова функцiя - сума квадратiв помилок мереж! на прикладах з навчально! множини, а мiнiмiзацiя даного функцюналу - це рiшення по методу найменших квадратiв [8].
(2)
де у№ ) - реальний вихщ Ж-го вихiдного шару мереж! для р-го нейрона на ]-у навчальному прикладi; dJ,p - бажаний вихщ.
Для знаходження мшмуму i визначення вагових коефiцiентiв, що входять до складу функцп д^^х) будемо використовувати метод найшвидшого спуску, при якому на кожному крощ навчання будемо змiнювати ваговi коефщенти вiдповiдно до формули:
(п) дБ
Ч
(3)
де - ваговий коефiцiент, який повязуе ]-й нейрон п-го шару i 1-й нейрон (п-1) шару, ц - параметр швидкостi навчання.
Для цього, за отриманими ваговими коефщентами мереж1 необхiдно визначити приватш похiднi цшьово!' функцп E:
дЕ
(п)
ЭЕ ^ „(п) ' ,Лп) '
ду(п)
дш
(п)'
(4)
де у}"п - вихш; SJ(n) - сума входiв ]-го нейрона п-го шару. Знаючи функщю активацп, можна обчислити dyj(n') / dsj(n). Для сигмошально! функцп буде дорiвнювати:
йу
йз
(5)
Вихш 1-го нейрона (п-1) -го шару можна записати як:
л,(п-1) = У1 .
Виконавши диференцшвання (4) по у/1 з урахуванням (6) i (1) за вагами нейрошв вихiдного шару обчислимо приватнi похвдт цшьово! функцп:
дЕ
дш
= (УГ - ъ)
(Ю
ау
(Ю
й5
(Ю
•У1
(N-1)
(7)
Введемо зам^ в (7):
5,
(п) _ дЕ
(п)
ду(п) йз(:п)'
(8)
Значення нейронiв у вихщному шарi на основi (8):
5^пП = (У(Ю - ¿¡)
ау
(п)
(9)
Для визначення ау/(п вагових коефiцieнтiв нейронiв внутрiшнiх шарiв запишемо (4) в наступному виглядг
дЕ —
ду
= 1
дЕ ау<П1+1) д*кп+1)
ду
( п)
= 1
дЕ аупЦ ш(п+1)
кду(п+1)' п,(п+1)ш^к •
к
(10)
к
Зауважимо, що в З^1 = 1
дЕ аукп+1)
що дозволяе через (2) записати значення д/п"
нейрошв п-го шару за допомогою нейрошв (п + 1) -го д^п+11 шару. Отримати значення д/пП для вiх нейронiв всiх шарiв можна через рекурсивну формулу для останнього шару д/1.
[1к5к
5
(п) _
;(п+1) _ ^П+Щ Лу!
Л ау]
- '"}к ] • а8] • Вираз (3) для корекцп вагових коефiцiентiв запишеться у виглядi:
= -Г]^5(п)^у1(п-1).
(11)
(12)
За допомогою алгоритму звсротного поширення отримаемо алгоритм навчання нейроемулятору [8]:
- надання довiльних початкових значень ваговим коефiцiентам нейромереж1 та отримання значень цшьово! функцп при даних значеннях;
- подання вектору навчально! множини на вхiд нейронно! мереж1 i обчислення значення на виходi ШНМ, що формують вектор пам'яп iз значень кожного нейрона;
- обчислюеться значення (9) дд/1 нейронiв у вихiдному шарi, а по рекурсивнiй формул1 (11)
обчислюються значення д/п" за допомогою нейрошв (п+1)-го дк(п+1 шару, а попм по (12) змiнюються ваги нейронно! мереж!;
(п+1)
коригування вагових коефщенпв мереж! wi
(п)_
(п)
+Л П
(п)
- розраховуеться цiльова функцiя (2) i, якщо вона вщносно мала, можна вважати, що нейронна мережа успiшно пройшла процедуру навчання. В шшому випадку, переходимо до виконання другого етапу алгоритму.
Висновки
Штучш нейроннi мереж1 е ефективним та перспективним видом математичних моделей для управлшня динамiчними об'ектами, такими як енергоефективне опалення примiщень. Принцип оргашзаци ШНМ побудований за принципом функцюнування бiологiчних нервових клiтин мозку, i це дозволяе так1й системi управлшня навчатися на прикладах, узагальнювати i паралельно обробляти iнформацiю яка надходить, дае можливiсть асоцiативностi i гарантуе високу надiйнiсть системi управлiння.
У данш роботi показана можливiсть керування опалювальною системою з допомогою нейроконтролера з нейроемулятором, що включають багатошарову нейронну мережу прямого поширення. Нейронна мережа нейроемулятору навчалася на основi алгоритму зворотного поширення помилки, а сам нейроконтролер працював в режимi передбачення i зменшення помилки. Бiльш повнi
]
висновки що до ефективносп запропоновано! системи будуть сформоваш пiсля реалiзацil плануемих математичних та експериментальних дослщжень.
Список використаноТ л^ератури
1. Державнi будiвельнi норми Укра!ни. Опалення, вентиляцiя та кондицiонування. ДБН В.2.5-67:2013. Видання офiцiйне. Ки!в. 2013.
2. Основы автоматизации технологических процессов и производств : учебное пособие : в 2 т. / [Г. Б. Евгенев и др.] ; под ред. Г. Б. Евгенева. — Москва : Издательство МГТУ им. Н. Э. Баумана, 2015.
3. Абдикеев Н.М. Интеллектуальные информационные системы: Учебное пособие. - М.: КОС-ИНФ, Рос. экон. акад., 2003. - 188 с.
4. Громов Ю.Ю. Интеллектуальные информационные системы и технологии: Учебное пособие / ЮЮ. Громов, ОГ. Иванова, В.В. Алексеев. - Тамбов: Изд-во ФГБОУ ВПО «ТГТУ», 2013. -244 с.
5. "Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика"/А.А. Усков, А.В. Кузьмин. - М.: Горячая линия - Телеком, 2004
6. Галушкин А.И. Основы нейроуправления // Нейрокомпьютер. 2002. № 9-10. С. 87-106.
7. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. М.: Высшая школа, 2002. 183 с.
8. Пшихопов В.Х., Шанин Д.А., Медведев М.Ю. Построение нейросетевых регуляторов для синтеза адаптивных систем управления // Информационно-измерительные и управляющие системы. 2008. №3.
