NN – PID Kombinácia modelov ARX a NN-PID regulátorov Hybridná štruktúra

1. NN – PID Kombinácia modelov ARX a NN-PID regulátorov Hybridná štruktúra

3. y1 w21 ym w2m ŷ s(z w2,2) z(y,u) w2m+1 y(y2,w3 ,3) u1 y2=f(s) wn+m 3 un 2

4. zi1 (k) = y(k-i), zj2 (k) = u(k-j), 0  i  m 0  j  n 1.Vstupná vrstva 2. Skrytá vrstva 3. Výstupná vrstva e(k+1) yp(k+1) ym (k+1)

5. Nelineárny proces y(k)=f[y(k-1),...,y(k-m); u(k-1),...,u(k-n)] Vstupná vrstva : Vstupmi do prvej (vstupnej) vrstvy sú hodnoty minulých hodnôt výstupnej a vstupnej veličiny zi1 (k) = y(k-i), 1  i  m zj2 (k) = u(k-j-1), 0  j  n zik =[zi1 zj2] kde m1= n+m Skrytá vrstva : Výstup z druhej vrstvy m2 je počet neurónov v skrytej vrstve wij2 sú váhy spojení medzi vstupnou a skrytou vrstvou j2 sú prahové funkcie (biasy) f(.) je aktivačná funkcia v tvare Výstupná vrstva : kde wi3 sú váhy spojení medzi neurónmi v skrytej a neurónom vo výstupnej vrstve3je prahová hodnota vo výstupnej vrstve

6. kde wi3 sú váhy spojení medzi neurónmi v skrytej a neurónom vo výstupnej vrstve, 3je prahová hodnota vo výstupnej vrstve Kriteriálna funkcia pre nastavovanie váh: y1 w21 ym w2m ŷ s(z w2,2) z(y,u) w2m+1 y(y2,w3 ,3) u1 y2=f(s) wn+m 3 un 2

7. je koeficient učenia (0<<1), je filtračný koeficient (0<<1) Ako na to:  >> rýchlosť trénovania  <<1konvergencia (tlmenie oscilácií)

8. Návrh NN regulátora Riadiaci zásah : u(k)=g[e(k),e(k-1),...,e(k-m)],   kdee(k)=w(k)-y(k) aw(k) je referenčný signál. Štruktúra regulátora : Vstupná vrstva : ci1 = e(k-i), for i = 0,1,...,n1 Skrytá vrstva : kde k2ij sú váhy spojení j-tého neurónu vo vstupnej vrstve s i-tým neurónom v skrytejvrstve p2ije prahový vektor (bias) pre každé spojenie Výstupná vrstva :

9. Stratégia učenia pre NNC je definovaná funkcionálom: Kde w(k+1)je referenčná premenná v (k+1) kroku a je predikovaná hodnota výstupu v (k+1) diskrétnom kroku Pre učenie potrebujeme poznať “ citlivostnú funkciu

10. Algoritmus učenia 1. Inicializácia váh napr. (-0.1, 0.1) 2. Vzorkovanie výstupu, výpočet e(k)=w(k)-y(k) v k-tom kroku 3. Získanie postupnosti {e(k)} a prenos do ANC pre výpočet riadiaceho zásahu 4. Aplikácia riadiaceho zásahu do ANM a do procesu 5. Nastavenie prahov a váh podľa kritéria 6. Nový diskrétny krok k=k+1 a posuv časového radu {y(k)}, {e(k)}, {u(k)} 7. Návrat do kroku 2

11. Vstupná vrstva: c1(k) = e(k) c3(k) = e(k)-e(k-1) Výstupná vrstva: u(k)=k1 c1(k) + k2 c2(k) + k3 c3(k) Pre výpočet váhových koeficientov ki, for i=1, 2, 3 môžeme aplikovať nasledovný algoritmus

12. Back propagation - learning algorit. + - - + Adaptívny Algoritmus neurónový učenia model + y w u PSD e Riadený proces regulátor -

13. PID NN regulátor (Kozák 2000) Takahashi forma PID: Vstupná vrstva w2ij Skrytá vrstva o2i w2li Výstupná vrstva o3i Kp KI KD

14. Kritérium riadenia (optimalizácie) 3. vrstva 2. vrstva potrebujem určiť Model procesu (ARX):

15. Model procesu (ARX): Algoritmus identifikácie (ARX): Odhad výstupu procesu: Regresný vektor:

17. Algoritmus učenia NN modelu procesu + - y - m + Adaptácia Algoritmus neurónového učenia modelu y e Adaptácia r u + Riadený p neurónového regulátora proces -

18. Aplikácia UNS v riadení ES • Riadenie budenia generátorov- dominantný problém pri stabilizácii ES • konvenčný spôsob (nevyhody možná destabilizácia pri AVR, vysoké zosilnenie, záporné tlmenie) • návrh stabilizačnej spätnej väzby (PSS), generovanie doplnkového stabilizačného signálu, zlepšenie tlmenia systému • návrh PSS off-line (určenie sp.väzby od stavov, resp. výstupov a optimálnej štruktúry, zosilnenia a koeficientov regulátora) • dolaďovanie parametrov v prevádzke

19. Štandardné PSS (common PSS, CPSS) majú lineárnu prenosovú funkciu a navrhujú sa na báze lineárnej teórie riadenia [1, 2] pre model systému linearizovaný v predpísanom pracovnom bode. • CPSS sa navrhuje pre konkrétny pracovný bod, pre ktorý musí byť k dispozícii linearizovaný model generátora. Nastavenie jeho parametrov, ktoré sú fixné, je kompromisom, ktorý zabezpečí síce prijateľnú, avšak nie optimálnu kvalitu riadenia v celom rozsahu pracovných podmienok. • Elektrizačné systémy sú nelinárne a majú široký pracovný rozsah. Napríklad so zvyšovaním záťaže generátora sa zvyšuje zosilnenie systému a fázové oneskorenie je tým vačšie, čím je systém stabilnejší. V dôsledku nelinárnych charakteristík, širokého pracovného rozsahu a nepredikovateľných neurčitostí elektrizačného systémunemôže vo všeobecnosti CPSS, ktorý je lineárnym regulátorom, zabezpečiť rovnako kvalitu riadenia pre všetky prevádzkové podmienky.

20. PSS s ANN identifikáciou a ANN regulátorom • Identifikácia elektrizačnej sústavy: on-line metódami rekurzívnej identifikácie . • UNS bez použitia modelu (model-free). • Regulátor realizujúci nepriame adaptívne riadenie navrhnutý na základe adaptívnej neurónovej siete spája prednosti neurónových sietí s dobrou kvalitou adaptívneho riadenia. • Takýto regulátor využíva v adaptačnom procese schopnosť učenia sa neurónovej siete a je trénovaný v každej perióde vzorkovania.

21. ANN regulátor sa skladá z dvoch podsietí. • Prvá sieť je adaptívny neuro-identifikátor (ANI), ktorý identifikuje elektrizačnú sústavu vzhľadom na jej vnútorné váhy a predikuje dynamické charakteristiky procesu. Používa len vstupy a výstupy procesu bez potreby poznať jeho stavy. • Druhá podsieť je adaptívny neuro-regulátor (ANC), ktorý generuje riadiaci zásah potrebný na tlmenie oscilácií elektrizačnej sústavy.Efektívnosť riadiaceho algoritmu závisí od toho, ako presne identifikátor predikuje dynamiku procesu. ANI a ANC sú najprv trénované off-line v širokom rozsahu prevádzkových podmienok a pre široké spektrum možných porúch. • Po skončení štádia off-line trénovania je regulátor pripojený k systému a nasleduje on-line trénovanie ANI a ANC v každej perióde vzorkovania. On-line trénovanie umožňuje, aby regulátor reagoval na zmeny systému hneď, keď sa vyskytnú, a generoval potrebný riadiaci zásah.

22. Všeobecný neurónový regulátor-Newton Raphson algoritmus

23. Moderné metódy riadenia • Metódy riadenia v stavovom priestore (LQ, LQG) • Nelineárne metódy riadenia (spätnoväzbová , vstupno-výstupná linearizácia) • Robustné metódy riadenia (založené na H , H2, Internal Model Control (IMC)) • Hybridné metódy riadenia (DEDS) • Métody riadenia na báze fuzzy logiky • Metódy riadenia s využitím umelých neurónových sietí (PID a prediktívne formy) • Kombinované neuro-fuzzy a genetické regulátory • Expertné systémy riadenia

24. Koncepčne najzákladnejšou skupinou neurónových regulátorov je ich aplikácia v riadení na základe „inverzie“ riadeného procesu. Najjednoduchšia koncepcia sa nazýva priame inverzné riadenie (generalized learning). Riadený proces je opísaný nelineárnou diferenčnou rovnicou Umelá neurónová sieť je trénovaná ako inverzia procesu

25. Optimálne neurónové riadenie Návrh optimálneho riadenia s neurónovým modelom je realizovaný cez jednoduchý algoritmus implementovaný, ako malá modifikácia Specialized learning algoritmu. Modifikácia (SP) metódy spočíva v úprave vzťahu ktorý  penalizuje kvadrát kritéria riadenia: Trénovanie siete je on-line a je veľmi podobné ako pri Specialized learning inverzného modelu samotný proces musíme však najprv identifikovať Na trénovanie je vhodný a dobre implementovateľný napr. modifikovaný Gauss-Newtonov algoritmus.

26. r Optimalizácia u Proces y u’ - Adaptácia modelu + ym Nepriamy model ym’, dym’/du’ Nepriama štruktúra riadenia nelineárnych dynamických procesov pomocou UNS

27. Priama štruktúra riadenia nelineárnych dynamických procesov pomocou UNS Kritérium optimalizácie r u y Proces Optimalizácia Priamy model u’ ym’

28. Samonastavujúce sa štruktúry riadenia nelineárnych dynamických procesov pomocou UNS NN-regulátor NN-model Robustná verzia algoritmu riadenia