CC BY
351
Раздел VI. Практические аспекты энергетики
УДК 681.52
ДА. Белоглазое, ИХ. Коберси
НЕОБХОДИМОСТЬ ПОСТРОЕНИЯ СИСТЕМ УПРАВЛЕНИЯ НА ОСНОВЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Рассматриваются вопросы создания систем управления, гибридных регуляторов на основе таких методов искусственного интеллекта, как нейронные сети и нечеткая логика.
Искусственный интеллект; нечеткая логика; нейронные сети; гибридный .
D.A. Beloglazov, I.S. Kobersi
PROBLEM OF CONSTRUCTION OF CONTROL SYSTEMS ON THE BASIS OF METHODS OF THE ARTIFICIAL INTELLECT
Questions of creation of control systems, hybrid regulators are considered on the basis of such methods of an artificial intellect as neural networks and fuzzy logic.
Artificial intellect; fuzzy logic; neural networks; hybrid regulator.
В настоящее время наблюдается устойчивая тенденция автоматизации различных производств, технических процессов. Можно говорить о разных причинах сложившейся ситуации, но практически всегда основными являются следующие:
- необходимость увеличения качества выпускаемой продукции;
- необходимость обеспечения экономичного использования ресурсов;
- необходимость уменьшения влияния человеческого фактора, обеспече-
.
Считаю необходимым рассмотреть каждый из приведенных выше пунк-, . -лучшее качество своей продукции, как понятно, сделать это не просто, требуются новые технические решения, применение различных алгоритмов, методов и .
, , управляющими различными технологическим процессами, растет год от года, следовательно, увеличивается и сложность самих систем управления. Нужно , , подхода теории автоматического управления уже не удовлетворяют многим предъявляемым к ним требованиям, на смену им, несомненно, придут более про, , -
.
Необходимость обеспечения экономичного использования ресурсов является жизненно важным требованием для большинства производителей. Важность экономии ресурсов вытекает, прежде всего, из их стоимости, например не для кого ни секрет, что практически повсеместно использующиеся на производствах энергоресурсы постоянно растут в цене.
Конечно, важно правильно, экономно использовать не только ресурсы нефти и газа, урана, но и прочие ресурсы, например, алюминий, золото, платину, титан и др., список можно продолжать бесконечно.
Требование уменьшения влияния человеческого фактора на безопасность производства тоже является немаловажным, т.е. постоянно разработчики стремятся сделать свои системы управления наименее безотказными, наиболее жи-.
,
управления таких методов искуссвенного интеллекта, как нейронные сети, нечеткая логика позволит существенно увеличить качество выпускаемой продук-
, ,
.
Необходимость внедрения именно методов искусственного интеллекта в современные сложные технологические процессы производства легко объяс-, .
Достоинствами аппарата нечеткой логики являются:
- возможность создания систем управления для объектов, алгоритмы, функционирования которых трудно формализуемы методами традиционной математики, построение экспертных систем;
- -пользовании нечетких контроллеров;
-
при обработке информации от датчиков;
-
, -
;
Достоинствами аппарата нейронных сетей являются:
- ;
- ;
-
, -
теллекта обладает своими существенными достоинствами, но нашей целью является создание именно такого устройства - регулятора, которое могло бы успешно использовать оба приведенных метода, т.е. конечной целью является создание гибридного регулятора.
Проблематика создания гибридных регуляторов часто обсуждается в научной литературе, но, как правило, готового решения нигде не приводится.
, -чающего в себя аппараты нечеткой логики и нейронных сетей является вовсе не .
В тематике данной работы нас, прежде всего, интересует некоторый тех, -денных выше методов искусственного интеллекта.
Считаю необходимым пояснить, что благодаря тому, что нейронные сети и нечеткая логика очень универсальны, то технологический процесс может быть .
Рассмотрим несколько более подробно достоинства нейронных сетей, как было сказано ранее - это способность обучения, некоторая степень нечувстви-
тельности к небольшим изменениям входных сигналов, большая скорость рабо.
Наиболее впечатляющей особенностью является, конечно, возможность обучаться, т.е. в процессе своей работы нейронная сеть может изменять свое поведение, адаптируясь к изменениям входных сигналов, что позволит вовремя реагировать на различные ситуации. Отметим, что уже существуют и успешно применяются различные алгоритмы обучения нейронных сетей.
Отклик сети после обучения может быть до некоторой степени нечувствителен к небольшим изменениям входных сигналов. Внутренняя способность видеть образ сквозь шум и искажения жизненно важна для многих систем управления. Она позволяет преодолеть требование строгой точности, предъявляемое обычным компьютером, и открывает путь к системе, которая может иметь дело с тем несовершенным миром, в котором мы живем.
, -тематически благодаря своей структуре, а не с помощью использования «человеческого интеллекта» в форме специально написанных компьютерных про.
Способность выдавать решения всего за несколько миллисекунд тоже , . -во позволит осуществлять своевременное управление объектом без перерывов, вызванных длительными вычислениями, что существенно повысит качество .
В данной работе предполагается использовать нечеткий контроллер для управления некоторым объектом управления. Согласно особенностям создания нечетких контроллеров, первое, что нужно сделать - это определить входные и выходные параметры системы, диапазоны их изменений, создать базу правил, по которой наш контроллер будет принимать решения об управлении.
Необходимость использования нейронных сетей в связке с нечетким контроллером обоснуем следующим образом, как известно большинство технологических объектов постоянно испытывает на себе влияние окружающей среды. ,
протяжении всей “жизни” системы управления, конечно, как вы понимаете это
.
В ходе функционирования объект изнашивается, изменяются его характе-
, ,
от времени проводить некоторую настройку имеющегося в системе нечеткого , .
Таким образом, становится видно, что у нас будет иметься регулятор, состоящий из двух частей, первая часть - нейронная сеть, производящая настройку нечеткого контроллера, вторая - нечеткий контроллер, осуществляющий непосредственное управления объектом, т.е. гибридный регулятор будет иметь вид, . 1.
X
X,
У
Нечеткий
контроллер
Рис. 1. Состав гибридного регулятора системы автоматического
управления
X - входные параметры гибридного регулятора, непосредственно обрабатываются нейронной сетью, Х1 - входные параметры нечеткого регулятора осуществляющего управление объектом, т.е. формирующим выходные сигналы У.
,
от времени корректировать параметры нашего нечеткого контроллера, т.е. изме-
. ,
можно выделить несколько основных режимов его работы, например для электродвигателя: холостой ход, небольшая нагрузка, средняя нагрузка, большая
,
, .
,
работы объекта нечеткий контролер должен быть настроен соответствующим
,
.
Известно, что нейронные сети могут классифицировать сигналы, т.е. определять некоторые группы, к которым их можно отнести. Благодаря наличию такой особенности наша система автоматического регулирования может получить еще одно несомненное преимущество: мы можем определять режимы, в которых будет находиться наш объект управления, т.е. при определении того или иного режима работы наша нейронная сеть будет задавать определенные значения нечеткому контроллеру, настраивать его.
Считаю, что совместное применения двух методов искусственного интеллекта при создании гибридного регулятора позволит существенно повысить качество управления системой в целом, обеспечит ее надежность и экономичность.
Перечислив достоинства используемых методов искусственного интеллекта при создании гибридного регулятора считаю нужным также обратить внимание на некоторые их недостатки.
Основными недостатками систем на основе нечеткой логики являются:
- ;
- -;
- .
Основные трудности при использовании нечетких систем на практике связаны с априорным определением правил и построением функций принадлежности для каждого значения лингвистических переменных, описывающих струк-, . вид и параметры функций принадлежности выбираются субъективно, они могут быть не вполне адекватны реальной действительности.
Невозможность математического анализа нечетких систем существующими методами объясняется тем, что нечеткие регуляторы в подавляющем количестве случаев создаются именно для систем, математическая модель которых .
Несмотря на большие возможности, существует также ряд недостатков, которые ограничивают применение нейросетевых технологий. Нейронные сети позволяют найти только субоптимальное решение и соответственно неприменимое для задач, в которых требуется высокая точность.
Функционируя по принципу черного ящика, они также неприменимы в случае, когда необходимо объяснить причину принятия решения. Обученная
нейросеть выдает ответ за доли секунд, однако относительно высокая вычислительная стоимость процесса обучения как по времени, так и по объему занимаемой памяти также существенно ограничивает возможности их использования. И все же класс задач, для решения которых эти ограничения не критичны, доста.
,
данный момент времени позволят создавать системы управления нового поколения, которые обладают некоторой долей интеллекта. Определенная интеллектуализация управляющих систем даст несомненные преимущества. Благодаря одному из своих удивительных свойств, способности к обучению, нейронные сети позволят создавать такие системы управления, которые будут способны адаптироваться к меняющимся во времени свойствам объекта, что, несомненно, скажется на качестве управления.
Объединение таких методов искусственного интеллекта как нейронные сети и нечеткая логика в одном устройстве, т.е. фактически создание гибридного , , ранее недоступные проблемы.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Финаев В.И. Модели систем принятия решений. - Таганрог: Изд-во ТРТУ, 2005.
2. Гайдук А.Р. Системы автоматизированного управления. Примеры, анализ и синтез. - Таганрог: Изд-во ТРТУ, 2006. - 414 с.
3. Уоссермен Ф. “Нейрокомпьютерная техника” - М.: Мир,1992.
4. Горбань A.H., Россиев ДА. “Нейронные сети на персональном компьютере” -СПб.: “Наука” РАН 1996.
5. . ., . . “
бизнесе”.1998.
6. .
приближенных решений. - М.: Мир, 1976. - 165 с.
7. Zadeh L.A. Fuzzy logic and approximate reasoning // Synthese, 1975. - V. 80.
- P. 407 - 428.
8. . ., . .
. - - - .: - -
, 1990. - 128 .
Кобереи Иекандар Сулейман
Технологический институт федерального государственного образовательного учреждения высшего профессионального образования «Южный федеральный университет» в г. Таганроге E-mail: salouma1@mail.ru
347928, Таганрог, ГСП 17А, Некрасовский, 44. Тел: 88634-371-689
Белоглазов Денис Александрович E-mail: salouma1@mail.ru Тел: 8951-838-21-31
Kobersi Iskandar Souleiman
Taganrog Institute of Technology - Federal State-Owned Educational Establishment of Higher Vocational Education “Southern Federal University”
E-mail: salouma1@mail.ru
44, Nekrasovsky, Taganrog, 347928. Phone: 88634-371-689
Beloglazov Denis Alexandrovich
E-mail: salouma1@mail.ru Phone: 8951-838-21-31
УДК 621.31:681.51
А.Ю.Молчанов, Д.И. Султанова
ОСОБЕННОСТИ АЛГОРИТМОВ РАСПРЕДЕЛЕНИЯ НАГРУЗКИ В
ЭНЕРГОСИСТЕМЕ ПРИ НЕТОЧНЫХ ИСХОДНЫХ ДАННЫХ
Рассматривается алгоритм распределения нагрузки между энергоблоками генерирующего узла электроэнергетической системы при задании характеристик энергоблоков, ограничений задачи и целевой функции нечеткими интервальными оценками.
Распределение нагрузки; нечеткий интервал.
A.Y.Moltchanov, D.I.Sultanova
ON THE FEATURES OF POWER SYSTEM LOAD DISTRIBUTION ALGORITHMS WITH FUZZY INPUT DATA
Power system load distribution algorithm for a system of power plants in power system node with defining plant characteristics, task restrictions and goal function as fuzzy intervals is described.
Load distribution; fuzzy interval.
Задачи оптимального распределения нагрузки в произвольной энергосистеме относятся к сложным задачам многомерной оптимизации с нелинейными целевыми функциями и обычно решаются по принципу иерархической декомпозиции на подзадачи, связанные с оптимизацией перетоков мощности между укрупненными узлами энергосистемы. Мы будем рассматривать решение задачи оптимизации распределения нагрузки между энергоблоками одной или нескольких электростанций энергосистемы, при допущении, что потери, связанные с , .
Задача распределения нагрузки между энергоблоками должна учитывать дискретность характеристик агрегатов, неопределенность относительно режимных параметров энергосистемы, связанную с ограниченной точностью прогно-, -
, , и наличием резерва мощности в узле энергосистемы [1, 2].
Метод относительных приростов [1], используемый для распределения нагрузки между энергоблоками предполагает, что расходные характеристики энергоблоков представляют собой гладкие дифференцируемые функции и пол. -
зультате режимных испытаний и поэтому практически не обновляются. Предложено использование динамического программирования для распределения нагрузки [2], но при этом также необходимо точно знать расходные характеристики агрегатов. В работе [3] предложена модель оптимизации распределения на-
