Нейросетевое регулирование температуры в теплице с аккумулятором тепла Текст научной статьи по специальности «Компьютерные и информационные науки»

/к=-----------------------------(18)

2М <,9993+0,6009^

Таким образом, для заданного значения относительной длительности силового воздействия вихревой формации на гибкий электрод ПВК, которое определяется конструктивными параметрами КК ППВК, существует такой критический расход жидкости, при котором работа приемника преобразователя нарушается. Поэтому следует так конструировать ПВК, чтобы критический расход был выше, чем наибольшая измеряемая величина расхода для данного типоразмера.

Литература

1. Лурье М.С. Вихревые расходомеры и счетчики количества жидкости с контактно-кондуктометрическим приемником-преобразователем вихревых колебаний. - Красноярск: СибГТУ, 1999. - 196 с.

2. Лурье М.С. Исследование возможности линеаризации систем с широтно-импульсной модуляцией (ШИМ) // Тр. ЛПИ им. М.И. Калинина. - Л.: Изд-во Ленинград. политехн. ин-та, 1976. - № 355. - С. 28-32.

3. Ковчин С.А., Лурье М.С. Приближенное исследование динамических режимов систем автоматического управления с широтно-импульсной модуляцией // Автоматизация производства: межвуз. сб. - Л.: Изд-во ЛГУ, 1979. - Вып. 2. - С. 67-76.

УДК 631.544:631.3 В.А. Кожухов, А.Ф. Семенов, Н.В. Цугленок

НЕЙРОСЕТЕВОЕ РЕГУЛИРОВАНИЕ ТЕМПЕРАТУРЫ В ТЕПЛИЦЕ С АККУМУЛЯТОРОМ ТЕПЛА

В статье приведены результаты эксперимента, с помощью которого получены данные, необходимые для создания, обучения и тестирования нейронной сети, на основе которых разработаны две нейронные сети для регулирования температуры воздуха в теплице.

Ключевые слова: нейронная сеть, регулирование, температура, теплица.

V.A. Kozhukhov, A.F. Semenov, N.V. Tsuglenok CONNECTIONIST REGULATION OF TEMPERATURE IN A HOTHOUSE EQUIPPED WITH HEAT ACCUMULATOR

In the article the authors give the results of the experiment by means of which the data necessary for creation, training and testing the neuronet on the basis of which two neuronets for air temperature regulation in a hothouse are developed.

Key words: neuronet, regulation, temperature, hothouse.

Теплица представляет агроэкологическую систему закрытого типа, в которой энергетические процессы строго детерминированы технологическим процессом выращивания растения с учетом влияния окружающей среды [2].

Сложность моделирования процессов агроэкосистем состоит в том, что они включают большое количество подсистем различной физической, химической и биологической природы. Общая схема теоретической модели продукционного процесса растений (ППР) состоит их четырех блоков: энерго- и массообмен в системе «почва - растение - атмосфера», фотосинтез, дыхание и процессы роста, развития и передвижения органических веществ внутри растения. Центральное место в ППР занимает фотосинтез, представляющий собой сложный цикл биохимических и биофизических процессов, в ходе которых растение, поглощая фотосинтетически активную радиацию, создает с помощью хлорофила из углекислого газа и воды высокоэнергетические углеводы (глюкозу). При этом освобождается кислород. Кроме того, часть солнечной энергии запа-

сается в высокоэнергетическом аденозинтрифосфате (АТФ). Решение задачи моделирования требует большого объема вычислений [3; 5-6].

Поскольку агроэкосистемы чрезвычайно сложные структуры и практически исключают возможность аналитического решения, то следует воспользоваться имитационным моделированием, связанным с многократным испытанием модели с нужными входными данными, с целью определения их влияния на выходные критерии оценки работы системы. Имитационное моделирование воспринимается как «метод последней надежды». Однако в большинстве ситуаций мы быстро осознаем необходимость прибегнуть именно к этому средству, поскольку исследуемые системы и модели достаточно сложны и их нужно представить доступным способом [3].

Создание эффективной системы автоматического регулирования агротехнических режимов при недостатке измерительной информации и многообразии факторов, оказывающих влияние на результат регулирования, возможно на основе специального математического аппарата, получившего название нейронных сетей (НС). Достоинство моделей, построенных на основе НС, заложено в возможности получения новой информации о проблемной области в форме некоторого прогноза [4].

Возможность реализации нейронной сети для управления температурой в теплице была осуществлена на физической модели системы обогрева теплицы (рис. 1).

Рис. 1. Модель системы обогрева теплицы

Разработанная модель состоит из ТЭНа 2 с регулятором температуры, моделирующего воздействие теплообменников грунтового и воздушного теплового насоса, находящегося в верхней части бака-накопителя 1. Труба подачи горячей воды в смеситель соединяет верхнюю часть бака-накопителя 1 со смесителем 4, труба подачи холодной воды в смеситель соединяет нижнюю часть бака-накопителя 1 со смесителем 3. Труба подачи воды от смесителя потребителям соединяет выход смесителя 3 с потребителем тепла теплообменником 5, установленным в теплице 3. Установлены датчики температуры: ТЕ1 - воды в верхней части бака-накопителя; ТЕ2 - воды в нижней части бака-накопителя; ТЕ3 - воды в смесителе; ТЕ4 -воздуха в теплице. Система снабжена циркуляционным насосом 6 для подачи воды на теплообменник 5. При возникновении излишков тепла в сооружении защищенного грунта 3 смеситель 4 подает холодный теплоноситель из нижней части бака-накопителя 1, в результате чего холодный теплоноситель, проходя через теплицу, нагревается, забирая излишки тепла. При этом верхние слои воды в баке-аккумуляторе нагреваются, а температура нижних слоев не изменяется из-за низкой теплопроводности воды. Так, излишки тепла накапливаются и хранятся в аккумуляторе тепловой энергии. При похолодании теплая вода из верхней части бака-накопителя 1 через смеситель 3 подается в систему отопления сооружения защищенного грунта. При этом происходит отдача тепла от системы воздуху в теплице и он нагревается до требуемой температуры.

Поскольку для обучения нейронной сети требуется создание входных векторов изменяющихся параметров, то первый этап процесса управления заключается в проведении экспериментов на физической модели при ручном управлении.

На основе экспериментальных данных были созданы семь векторов для обучения нейронных сетей. Алгоритм создания нейронной сети для управления температурой воздуха в теплицы представлен на рис. 2.

определение величены изменяющихся факторов и регулируемого параметра

создание векторов в формате .М для обучения нейронной сети

создание М-файлов с текстом программ проводящих создание, обучение и тестирование нейронных сетей

анализ архитектуры созданных нейронных сетей

выводы

Рис. 2. Алгоритм создания нейронной сети

На рис. 3 приведены векторы для обучения нейронных сетей в формате 1x1. Для первой нейронной сети пять входных векторов: температура верхнего слоя воды в баке-накопителе (IV); температура нижнего слоя воды в баке-накопителе (1п); температура воды после смесителя (1в); режим работы вентилятора (го); режим работы циркуляционного насоса (гп) и один целевой вектор температуры воздуха в теплице (й); для второй входным вектором будет являться вектор температуры воздуха в теплице (й), а целевым положение рукоятки смесителя (гз)[1].

Рис. 3. Вектора для обучения нейронной сети в формате М

Создание М-файлов с текстом программ, выполняющих создание, обучение и тестирование полученных нейронных сетей, приведено на рис. 4. Результатом работы данных программ является создание нейронных сетей [1]. Первая сеть на основе данных входных векторов о температурах в системе аккумуляции тепла, режиме работы циркуляционного насоса и вентилятора определяет оптимальное значение температуры воздуха в теплице, а вторая нейронная сеть на основе этих данных управляет смесителем, осуществляет подачу тепла при похолодании или аккумулирует излишки тепла при перегреве воздуха. Обогрев осу-

ществляется подачей тепла, собранного в верхней части бака-аккумулятора в виде горячей воды. Охлаждение воздуха происходит при подаче холодной воды в систему отопления из нижней части бака-накопителя.

C:\Onwi\nn7.r

Не Edt View Text Debug Breakpont* Web V

D Or ft I МГ.

ее

JQ su<*

tl»load(’tv

txt')

t2-load('tn.txt') t3*load( * ts. txf ) cl-load('tn.txt') r2-load('rv.txt') p«[tl,t2,t3,rl,r2]' t*load('tt.txt')*

net*new£f (Umax(p) ,[30 1], (' tansig', 'purelii y-si»(net,p)

plotfl:length(t),t,l:length (t),p) net.tialnPazaa.goal*0.001 net.tralnPara».epochs-1000 [net,tr]*train(net,p,t)

y*aU(aet,p)

plot(l:length(t),t,l:length)t)/У+1)

subplot(2,l,l)

plo t (1: length (t), t)

subplot(2,1,2)

plot(l:length!t),y)

gens1»(net)

save net

p-p+r: and* rand

y-sia(net,p)

[a,b,r]»postreg(y(1,:),t(l,:))

HC1

Me Edt

□ Шг

View Text Debug Breafcponts Web Window Help

•n # M /. © «1

p-load('tt.txt’)' t-load('rs.txt')'

net*newff(ainaax(p),[30 1],('tansig', purelin'), ysla(net,p)

plot(1:length(t),t,l:length(t),p) net.tcalnPacaa.goal-0.001 net.tralnParam.epochs*1000 [net,tr]-train(net,p,t) y-sia(net,p)

plot(1:length(t),t,l:length (t),y+l)

subplot(2,1,1)

plot(l:length(t),t)

subplot(2,1,2)

plot(l:length(t),y)

gens la (net)

save netl)

p-p+rand*rand

ysia(net,p)

[a,b,r]-postreg(y(1,:),t(l,:))

ки

HC2

Ln 16 Col 10

Рис. 4. М-файлы

В процессе обучения программа строит графики векторов, использованных при обучении сети (рис. 5).

Рис. 5. Векторы

Результаты тестирования созданных нейронных сетей, позволяющие говорить о их работоспособности, изображены в виде графиков (рис. 6). Правильность работы сети зависит от точности совпадения вектора А=Т и вектора Best Linear Fit. В нашем случае коэффициент совпадения составил в первом случае R=0,985, а во втором - R=0,876.

Рис. 6. Тестирование сети

Программа Matlab позволяет исследовать архитектуру созданных нейронных сетей из общего вида нейронной сети в формате mdl. На рис. 7 видно что нейронная сеть (Neural Network) имеет один вход (p) и один выход (у).

Рис. 7. Нейронная сеть

Полученная нейронная сеть Neural Network состоит из двух слоев (layer): первый слой содержит 30 нейронов, а второй - один нейрон (рис. 8) [7].

Рис. 8. Структура слоев НС 129

В результате эксперимента получены данные, необходимые для создания, обучения и тестирования нейронной сети, на основе которых разработаны две нейронные сети для регулирования температуры воздуха в теплице.

Разработанный алгоритм обучения нейронной сети упрощает процесс создания, обучения и тестирования НС. Управляя системой обогрева теплицы, он позволяет создать САР, способную самостоятельно подстраиваться под изменяющееся факторы и поддерживать заданные параметры в диапазоне, требуемом технологией выращивания.

Литература

1. Matlab R2007 с нуля®: пер. с англ. / Hunt Brian R. Hunt [at el.]. - М.: Лучшие книги, 2008. - 352 с.

2. Абашина Е.Л., Сиротенко О.Д. Прикладная динамическая модель формирования урожая для имитационных систем агрометеорологического обеспечения сельского хозяйства // Математическое моделирование в агрометеорологии: тр. ВНИИСХМ. - Л.: Гидрометеоиздат, 1986.

3. Бихеле З.Н., Молдау Х.А., Росс Ю.К. Математическое моделирование транспирации и фотосинтеза растений при недостатке почвенной влаги. - Л.: Гидрометеоиздат, 1980. - 223 с.

4. Медведев В.В., Потемкин В.Г. Нейронные сети. - М.: Диалог - МИФИ, 2002. - 489 с.

5. Моделирование роста и развития сельскохозяйственных культур. - Л.: Г идрометеоиздат, 1986. - 320 с.

6. ТорнлиДж.Г.М. Математические модели в физиологии растений. - Киев: Наукова думка, 1982. - 310 с.

7. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. - М., 1992.

УДК 631.3 Н.П. Боярская, В.П. Довгун

ПЕРЕДАТОЧНЫЕ ФУНКЦИИ ПАССИВНЫХ ФИЛЬТРОВ ГАРМОНИК

В статье приведен анализ передаточных функций пассивных фильтров гармоник. Система «фильтр - питающая сеть» рассматривается как реактивный четырехполюсник, нагрузкой которого служит сопротивление сети. Определены основные свойства частотных характеристик ПФГ. Исследовано влияние параметров сети на частоты экстремумов передаточных функций.

Ключевые слова: качество электроэнергии, нелинейные нагрузки, пассивные фильтры гармоник.

N.P. Boyarskaya, V.P. Dovgun TRANSFER FUNCTIONS OF THE PASSIVE HARMONIC FILTERS

Analysis of the transfer functions of the passive harmonic filters is given in the article. The system « filter -mains» is considered as reactive four-terminal network loading of which is mains resistance. The basic properties of PHF frequency characteristics are determined. Mains parameter influence on the transfer function extremum frequencies is researched.

Key words: electric power quality, nonlinear loadings, passive harmonic filters.

Одной из главных причин ухудшения качества электроэнергии в распределительных сетях является увеличение числа нелинейных устройств, создающих при своей работе токи несинусоидальной формы. Такими устройствами являются импульсные источники питания, частотные преобразователи для приводов электродвигателей с регулируемой скоростью вращения, пускорегулирующие аппараты для электролюми-несцентных ламп и т.д.

Токи и напряжения несинусоидальной формы можно представить в виде суммы гармоник, частоты которых кратны основной частоте питающей сети.