Cuprins
- I. Scurt istoric . 4
- II. Introducere 5
- III. Inteligenţa artificială în reţelele electrice 6
- III.1. REŢELE NEURONALE ARTIFICIALE 6
- ARHITECTURA UNEI REŢELE NEURONALE ARTIFICIALE . 7
- CARACTERISTICI PRINCIPALE ŞI CLASIFICAREA RNA 8
- REŢELE NEURONALE DE TIP PERCEPTRON MULTISTRAT 12
- ALGORITMUL STANDARD BACK-PROPAGATION PENTRU ANTRENAREA PMS 12
- ALGORITMUL BACK-PROPAGATION CU MOMENTUM . 13
- ALGORITMUL DE ÎNVĂŢARE BATCH BACK- PROPAGATION . 13
- ALGORITMUL RESILIENT PROPAGATION 13
- REŢELE DE TIP PERCEPTRON MULTISTRAT CU CONEXIUNI FEEDBACK . 14
- APLICAŢII ARE REŢELELOR NEURONALE ARTIFICIALE . 15
- III.2 CALCUL EVOLUTIV . 15
- III.2.1 ALGORITMI GENETICI . 16
- III.2.2 STRATEGII DE EVOLUŢIE 18
- III.2.3 PROGRAMAREA EVOLUTIVĂ 18
- IV. SISTEMELE FUZZY . 19
- V. SISTEME EXPERT 20
- VI. PROVOCĂRI PRIVIND STUDIUL REŢELELOR ELECTRICE UTILIZÂND
- INTELIGENTA ARTIFICIALĂ . 21
- VI.1 EVACUAREA PIERDERILOR DE PUTERE ŞI ENERGIE ÎN REŢELELE ELECTRICE
- FOLOSIND INTELIGENTA ARTIFICIALĂ 21
- VI.2 ESTIMAREA PIERDERILOR BAZATE PE MODELAREA FUZZY A FACTORULUI DE
- PIERDERI 22
- VI.3 OPTIMIZAREA AMPLASĂRII SURSELOR DE PUTERE REACTIVA FOLOSIND ALGORITMI
- GENETICI ŞI STRATEGII DE EVOLUŢIE 24
- VI.4 UTILIZAREA REŢELELOR NEURONALE ARTIFICIALE ÎN PROGNOZA PE TERMEN
- SCURT A CONSUMULUI DE ENERGIE ELECTRICĂ 25
- VI.5 REŢELELE ELECTRICE INTELIGENTE (SMART GRID) . 26
- VII. CONCLUZII . 27
- VIII. Bibliografie 28
Extras din proiect
I. SCURT ISTORIC
Inteligenţa artificială porneşte de la premisa căreia toate activităţile cognitive pot fi
modelate că procese de calcul.
Aceasta premise are o tradiţie de peste 2000 de ani, începând cu Aristotel şi
Platon care credeau că gândirea, la fel ca orice alt fenomen fizic, poate fi studiată folosind
interferenta logică. Mai târziu, Gottfried Leibnitz, prin cercetările sale în care privea gândirea
drept calcul, pune bazele tratatului lui George Boole despre logica simbolică. Apariţia
calculatoarelor şi progresele făcute în domeniul calculului symbolic au dus la dezvoltarea unei
ramuri a ştiinţei calculatoarelor, previziune făcută de Alan Turing, respectiv Inteligenta
artificială.
Inteligenţa artificială are ca scop ştiinţific înţelegerea principiilor şi mecanismelor
care permit acţiunea inteligenta şi ca scop ingineresc proiectarea sistemelor care permit
rezolvarea problemelor de dificultate considerabilă, c-un nivel de competenta ridicat.
De-a lungul scurtei, dar prolificei existente a domeniului i s-au propus diverse
definiţii ale inteligenţei artificiale, cele mai multe variind de-a lungul a două dimensiuni. În
prima dimensiune, inteligenta artificială văzută că studiul proceselor de gândire şi modelarea
comportamentului intelligent. A doua dimensiune se referă la dezvoltarea modelelor cu
performanţe similare gândirii umane.
Momentul de început al inteligenţei artificiale (IA) este considerat ca fiind anul
1956, când la Dartmouth College a avut loc o conferinţă ce-şi propunea dezbaterea unor noi
aspecte din domeniul calculatoarelor; aici s-a pus problema creării unor maşini de calcul
inteligente. La această conferinţă John Mc Carthy a introdus conceptul de IA şi astfel se
consideră că acesta este momentul în care aceasta s-a desprins din ştiinţa calculatoarelor,
devenind un domeniu independent.
Cercetătorii şi-au pus şi problema realizării unui limbaj capabil să modeleze
posibilităţile umane de procesare a informaţiilor.
S-a ajuns să se folosească metodele AI în energetică datorită complexităţii
problemelor de rezolvat ( dimensiune mare, soluţionare în timp real, inexistenta unor
algoritme demonstrate matematic), a caracteristicilor deciziilor din energetic ( impact
economic, optimizarea deciziilor), a utlizarii masive a tehnicii de calcul şi a asistentei
activităţii dispecerilor, etc.
Astăzi, avem o multitudine de aplicaţii ale AI în energetică cum ar fi reglarea
tensiunii şi a circulaţiei de putere reactiva din reţelele electrice de transport şi distribuţie
folosind regulatoare cu RNA cu sau fără component de tip fuzzy, algoritmi genetici, folosirea
RNA şi a tehnicilor fuzzy pentru prognoza consumului de energie, optimizarea regimurilor
normale de funcţionare a reţelelor electrice folosind algoritmi genetici, sisteme expert pentru
analiza regimurilor normale de funcţionare, a avariilor, folosirea regulatoarelor fuzzy la
5
conducerea proceselor din echipamente energetic, urmărirea arderii în cazane folosind
recunoaşterea imaginilor, utilizarea reţelelor Petri pentru diagnosticarea defecteleor din
sistemul energetic, optimizarea amplasării surselor de putere reactiva, alocarea resurselor
folosind sisteme expert, etc.
II.INTRODUCERE
Inteligenţa Artificială (AI) este un termen tehnic care desemnează un domeniu de
cercetare în cadrul informaticii sau mai precis punctul în care se termină procesele de analiză
şi informatică şi începe prelucrarea datelor prin procedee având implementate procese logice,
intuitive şi cognitive.
Rezolvarea concretă a problemelor complexe din domeniul energetic, precum,
conducerea şi planificarea dezvoltării reţelelor electrice, prelucrarea şi adoptarea deciziilor în
situaţia lichidării avariilor, prognoza sarcinii, diagnoza cauzelor defectelor, a implicat
elaborarea unor metodologii bazate pe diferite forme ale inteligenţei artificiale, cuprinzând
soluţii din domeniile Sistemelor expert (SE), Reţelelor neuronale artificiale (RNA), Logicii
fuzzy (LF) şi Algoritmilor genetici (AG).
Au fost tratate folosind LF şi mulţimile fuzzy probleme legate de incertitudini în ceea
ce priveşte sarcinile reţelelor electrice. În reţelele de distribuţie de medie tensiune, sarcinile
din noduri sunt în general cunoscute cu aproximaţie, datorită faptului că măsurătorile se fac
doar în staţiile de transformare.
În general, liniile şi sarcinile nu sunt monitorizate. Astfel, în fiecare moment există o
incertitudine generalizată privind cererea de putere şi, în consecinţă, încărcarea liniilor. Pentru
acest fel de incertitudini şi inexactităţi, numerele fuzzy oferă un cadru optim.
În ceea ce priveşte tehnicile de clustering, acestea sunt tehnici special de aranjare a
datelor de intrare pe baza dispunerii spaţial a vectorilor corespunzători. Pentru a studia
asemănarea/deosebirea dintre elementele unei mulţimi, în vederea grupării, fiecare dintre
aceste elemente e definit printr-un vector, ale cărui component sunt chiar caracteristicile
reprezentative ale vectorului respectiv.
În literatura de specialitate există mai multe moduri de clasificare a metodelor de
clustering. Astfel în lucrarea [Clustering] se prezintă două tipuri principale de clusterizare:
gruparea spaţială ierarhică şi gruparea spaţial K-medii, ambele fiind descrise în cele ce
urmează.
Gruparea spaţială ierarhică poate fi subîmpărţita, după sensul de desfăşurare, în
procedee de aglomerare şi procedee de divizare. În cadrul procedeelor de aglomerare se
pleacă de la cele n grupe, fiecare conţinând un singur element/obiect, şi prin fuziuni
successive se ajunge la o singură grupă.
Gruparea ierarhică poate fi reprezentată printr-o diagramă bidimensională denumită
dendograma care ilustrează fuziunea sau împărţirea făcută la fiecare stadiu succesiv al
analizei.
Diferenţa dintre metode apare în modul de definire a distanţei dintre grupe. În acest fel
metodele de grupare spaţial pot fi definite pe baza distanţei minime, a distanţei maxime, a
distanţei medii sau folosind metodaWard.
Preview document
Conținut arhivă zip
- Transportul si Distributia Energiei Electrice.pdf