Upload
sava-jovanovic
View
130
Download
0
Embed Size (px)
Citation preview
UNIVERZITET U NISU
ELEKTRONSKI FAKULTET
SEMINARSKI RAD
Predmet :Metode inteligentnog upravljanja
Tema:
Savremeni upravljacki ureaji u solarnim sistemima
Mentor: STUDENTI:
Prof.Milica Naumovic Jovanovic Sava 157 Komatovic Djordje 161
2
Sadrzaj:
1.Uvod .............................................................................................................................................. 3
1.1 Solarni sistemi ........................................................................................................................... 3
1.2 Tipovi solarnih Sistema .............................................................................................................. 5
2. Klasicni i savremeni upravljacki uredjaji ................................................................................ 5
2.1 Programabilni logicki kontroleri PLC ........................................................................................ 6
2.2 Regulatori ................................................................................................................................... 7
2.3 Neuronske mreze, Fuzzy upravljanje , i Neuro-Fuzzy upravljacki sistemi................................ 8
2.3.1 Definicija neuronskih mreza ............................................................................................ 8
2.3.2 Model Neurona ................................................................................................................ 9
2.3.4 Arhihektura Neurosnkih mreza ...................................................................................... 10
2.3.5 Obucavanje neuronskih mreza ....................................................................................... 11
2.3.6 Opsta forma pravilnog obucavanja ................................................................................ 12
2.3.7 Koriscenje Neuronskih mreza ........................................................................................ 12
2.4 Fuzzy Upravljcka logika .......................................................................................................... 13
2.4.1 Fazi skupovi ................................................................................................................... 14
2.4.2 Fazi relacija .................................................................................................................... 15
2.4.3 Fazi zakljucivanje .......................................................................................................... 16
2.4.4 Fazi upravljanje .............................................................................................................. 19
2.5 Neuro-fazi sistemi .................................................................................................................... 20
2.5.1 Osnovni principi prilagodljivog neuro-fazi sistema zakljuivanja ................................ 21
3. Dvoosni Kontroler za Pracenje Sunca baziran na mrezi fuzzy pravila i astronomskim
godisnjim podacima ..................................................................................................................... 23
3.1 Kontroler pracenja baziran na FRENu i astronomskim godisnjim kalendarskim podacima ... 24
3.1.1 Solarni put baziran na Astronomskim godisnjim podacima .......................................... 24
3.1.2 Razvoj vestackog kontrolera .......................................................................................... 26
3.1.3 Experiment ..................................................................................................................... 29
3. 1.4 Zakljucak experimenta .................................................................................................. 35
4. Literatura .................................................................................................................................. 36
3
1.Uvod
Danas, ljudima u nasoj zemlji ,najveci problem predstavlja novac. Sve manje ljudi je
zaposljeno ,a veliki procenat zaposlenih nije zadovoljan svojom finansijkom zaradom. Da bi
ustedeli svoj novac, poceli su da traze resenja u vidu smanjenja osnovnih troskova,a jedan od
nacina da se smanje troskovi je sve cesce uvodjenje SOLARNIH SISTEMA u svoje domove.
Ovaj nacin dobijanja elektricne energije jos uvek nije toliko zastupljen u nasoj zemlji, ali ce ga sa
vremenom gotovo sigurno imati skoro svaki dom.
Sa solarnim sistemima mogu se utedeti znatne koliine energije za grejanje i toplu vodu, ali i
redukovati emisije tetnih materija. Time se daje znatan doprinos redukciji emisije ugljen-
dioksida vanog uzronika globalne promene klime.U Evropi se godinje iz kvadratnog metra
kolektora dobije koliina energije izmeu 300 i 650 kWh.
1.1 Solarni sistemi
Solarni sistem, se sastoji od solarnog panela, akumulatora i potroaa, i koristi se za dva
osnovna procesa: pretvaranje svetlosne energije u elektrinu i pretvaranje elektrine energije u
Slika 1. Zraenje sunca (kWh/m2) u Evropi, godinji prosek 1981-90 (izvor: Meteo test Bern,
vajcarska)
4
hemijsku i obrnuto. Ako sistem ne koristi baterije onda samo dolazi do pretvaranja svetlosne
energije u elektrinu koja se odmah koristi.
Solarni paneli pretvaraju Sunevu energiju u elektrinu energiju. Uglavnom se sastoje
od 30-36 serijski vezanih solarnih elija. Sta je solarna celija?
Solarna elija je poluprovodiki ureaj koji pretvara Sunevu energiju direktno u
elektrinu pomou fotoelektrinog efekta koji predstavlja emisiju elektrona iz metala pod
dejstvom Suncevog zracenja. Svaka elija prilikom Sunevog zraenja proizvodi napon od oko
0.5V, tako da je ukupan napon modula koji se sastoji od 30-36 redno veznaih solarnih celija od
15-18V. Ako dva 40Wp panela, koja daju napon 16V i struju 2.5A, poveemo paralelno oni e
davati napon 16V i struju 5A, a ako ih veemo redno davae napon 32V i struju 2.5A. U oba
sluaja snaga e biti ista 80W. Znai paralelnim vezivanjem panela poveava se struja
celokupnog sistema, a rednim se dobija vei napon.
Slika 2. Solarna celija
Slika 3. Solarna celija, modul i panel i njihova veza
5
Da se vratimo na solarni sistem i nacin njegovog rada. Najvaniji element u procesu
fotoelektrinog pretvaranja svetlosne energije u elektrinu je solarna elija, dok je reverzibilni
elektrohemijski proces pretvaranja povezan sa punjenjem i pranjenjem akumulatora.
Fotonaponski sistem moe raditi bez akumulatora samo ako postoji pobuda (Sunevo zraenje).
U tom sluaju se generisana energija neposredno upotrebljava, dok se viak nepovratno gubi
(disipira). Osnovna sema solarnog sistema je prikazana na slici 4.
1.2 Tipovi solarnih Sistema
Tri najee koriena tipa fotonaponskih sistema su:
1. Samostalni solarni sistemi,
2. Solarni sistemi povezani sa elektrodistributivnom mreom i
3. Solarni sistemi povezani sa elektrodistributivnom mreom i backup baterijama.
2. Klasicni i savremeni upravljacki uredjaji
Danas postoje mnogo nacina za upravljanje raznim procesima ,kako u industriji tako i manje
slozenijim procesima. Za takva upravljanja najcesce koristimo odredjen broj kontrolera, od kojih
najvise PLC kontrolere. Veliki sistemi i mnogo slozeniji procesi upravljaju se SCADA
sistemima,koja omogucuje njihov nadzor, upravljanje, kontrolisanje itd. Takodje u skoro 90%
industrisjkih procesa potrebni su regulatori koji sluze da bi se regulisale odredjenje velicine
pomocu osnovnih zakona za regulaciju : brzina odziva, tacnost ,stabilnost U zavisnosti od onoga
Slika 4. Osnovna sema solarnog sistema
6
sto proces radi i zahteva koristimo PI,PD ili PID regulator, frekventne regulatore i druge.Za
najsavremenije procese koristimo inteligentne sisteme, koji predstavljaju kombinaciju neuronskih
mreza i fazi upravljanja, tj neuro-fazi sisteme, sa neuro fazi upravljanjem.
U ovom radu veci akcenat ce biti bacen na neuro-fuzzy upravljanje ,tako da nece biti mnogo
reci o PLCovima i regulatorima,vec ce se vise govoriti o Neuronskim mrezama i Fuzzy
upravljanju.
2.1 Programabilni logicki kontroleri PLC
Programabilni logiki kontroleri (engl. programmable logic controller, PLC), danas se
veoma mnogo koriste u tehnologijama upravljanja industrijskim procesima.Programabilni
kontroler je eleminisao najvei deo ianih veza koje su neophodne u upravljakim kolima
realizovanim pomou releja. Druge prednosti PLC-a su: jednostavno programiranje i instaliranje,
velika brzina odziva, mrena kompatibilnost, lako otklanjanje greaka i testiranje, te visoka
pouzdanost.
Tipian PLC sistem sastoji se od vie delova. To su: centralna procesorska jedinica (engl.
central processing unit, CPU), ulazne/izlazne komponente (engl. input/output, U/I), napajanje i
ureaj za programiranje. Programabilni logiki kontroler je projektovan tako da prihvata vie
razliitih rasporeda ulaza i izlaza, podnosi irok opseg radnih temperatura, neosetljiv je na
elektrini um i otporan je na vibracije i udarce. Programi koji upravljaju proizvodnjom maina i
opreme najee se smetaju u memoriju koja je trajna ili ima vlastito napajanje. PLC je primer
sistema koji radi u realnom vremenu poto stanje na izlazima sistema kojim upravlja PLC zavisi
od stanja na ulazima tog sistema.
Prema tome, programabilni logiki kontroler je u sutini digitalni raunar koji je projektovan
za upravljanje odreenom mainom ili postrojenjem. Za razliku od personalnog raunara, PLC je
projektovan da radi u industrijskom okruenju, opremljen je specijalnim ulaznim i izlaznim
interfejsima i programira se pomou posebnog jezika za upravljanje procesima.
Budui da se struktura PLC-a zasniva na istim principima kao to su oni koji se primenjuju u
raunarskoj arhitekturi, PLC moe obavljati ne samo iste poslove kao relejna tehnika, nego je
pogodan i za druge primene na primer, merenje vremena, prebrojavanje, izraunavanje,
poreenje i obrada analognih signala.
PLC prua mnoge prednosti, meu kojima su i sledee:
7
Vea pouzdanost.
Vea fleksibilnost
Nii trokovi.
Mogunost komuniciranja.
Lake otklanjanje greaka.
2.2 Regulatori
Svaki sistem automatskog upravljanja se odlikuje odreenim zakonom ili zakonima
upravljanja. Zakon upravljanja predstavlja matematiku zavisnost na osnovu koje upravljaki
ureaj obrauje relevantne signale i generie odgovarajua upravljaka dejstva. Najea forma
ovakvih upravljakih ureaja se naziva regulator.
Kod osnovnih zakona upravljanja njihovo dejstvo moe linearno zavisiti od greke, njenog
integrala ili prvog izvoda greke po vremenu. Na osnovu ove injenice sledi podela regulatora na
proporcionalni, integralni i diferencijalni regulator. Pomou navedenih osnovnih regulatora
mogue je formirati sloenije oblike regulatora. Savremeni industrijski procesi ne mogu se
zamisliti bez sistema upravljanja,a PID regulatori imaju centralno mesto u upravljanju
industrijskim procesima
Statiki frekventni pretvarai su elektronski ureaji koji omoguavaju upravljanje brzinom
trofaznih motora pretvarajui mreni napon i frekvenciju, koji su fiksirane vrednosti, u
promenljive veliine. Zbog sve veeg uea automatike u industriji, postoji konstantna potreba
za automatskim upravljanjem, a neprekidno poveanje brzine proizvodnje i bolje metode za
poboljanje stepena korisnosti pogona su razvijane sve vreme. Elektromotori su danas vaan
standardan industrijski proizvod. Ovi motori su projektovani da rade sa konstantnom brzinom i
tokom prolih godina radilo se na optimizaciji kontrole njihove brzine. Sve dok se nisu pojavili
frekventni pretvarai nije bilo mogue u potpunosti upravljati brzinom trofaznog AC motora.
Veina statikih frekventnih pretvaraa koji se danas koriste u industriji za regulaciju ili
upravljanje brzinom trofaznih motora su pravljeni na osnovu dva principa:
1. frekventni pretvarai bez meukola (poznati kao direktni pretvarai),
2. frekventni pretvarai sa promenljivim ili konstantnim meukolom.
Frekventni regulator se sastoji od etiri glavne komponente:
Slika 5. Primer jednog Simensovog PLCa
8
1. Ispravlja, koji je spojen glavnim mono/tro-faznim AC napajanjem i generie pulsirajui DC napon. Postoje dva osnovna tipa ispravljaa - kontrolisani i nekontrolisani
2.Meukolo. Postoje tri tipa: a)konvertuju ispravljaki napon u direktnu struju b)stabiliu (peglaju) pulsirajui DC napon i stavljaju ga na raspolaganje invertoru c)konvertuju konstantan DC napon ispravljaa u promenljiv AC napon 3.Invertor, koji generie frekvenciju napona na motoru. Alternativno, neki invertori mogu
takoe konvertovati konstantan DC napon u promenljiv AC napon. 4.Upravljako kolo, koje alje i prima signale iz ispravljaa, meukola i invertora. Delovi
regulatora koji se kontroliu zavise od dizajna samog regulatora.
2.3 Neuronske mreze, Fuzzy upravljanje , i Neuro-Fuzzy upravljacki
sistemi
2.3.1 Definicija neuronskih mreza
Neuronske mree simuliraju nain rada ljudskog mozga pri obavljanju datog zadatka ili neke
funkcije. Neuronska mrea je masovno paralelizovan distribuirani procesor sa prirodnom
sposobnou memorisanja iskustvenog znanja i obezbedivanja njegovog korienja. Vetake
neuronske mree podseaju na ljudski mozak u dva pogleda:
1. Neuronska mrea zahvata znanje kroz proces obuavanja
2. Teine medjuneuronskih veza (jaina sinaptikih veza) slue za memorisanje znanja.
Procedura kojom se obavlja obuavanje je algoritam obuavanja. Kroz ovu procesuru se na
algoritamski (sistematian) nain menjaju sinaptike teine u cilju dostizanja eljenih
performansi mree. Osnovnu raunarsku snagu neuronskih mrea ini masivni paralelizam,
sposobnost obuavanja i generalizacija. Generalizacija predstavlja sposobnost produkovanja
zadovoljavajueg izlaza neuronske mree i za ulaze koji nisu bili prisutni u toku obuavanja.
Slika 6. Blok sema Frekventnog regulatora
9
Neuronske mreze imaju mnogo prednosti u njihovom koriscenju a to su:
1.Omoguavaju inteligentno procesiranje bez prethodno definisanog modela ili algoritma ve na
osnovu podataka o ponaanju nekog sistema
2.Imaju sposobnost uenja
3.Primenjive su na irok spektar problema
4.Efikasno mogu da reavaju veoma sloene probleme koji bi inae bili teko reivi nekim
algoritamskim postpupkom
2.3.2 Model Neurona
Model neurona ine tri bazina elementa:
Skup sinaptikih teina (Wij) Pozitivne teine odgovaraju ekscitirajuim sinaptikim vezama, a negativne inhibitornim.
Sumator (linearni kombajner) formira teinsku sumu ulaza. Aktivaciona funkcija limitira amplitudu izlaznog signala neurona. Tipino se uzima
normalizacija izlaza na interval [0,1] ili [-1,1].
Jednacina modela je :
Slika 7. Bioloska i vestacka neuronska mreza
Slika 8. Nelinearni model neurona
Ukv= =1
10
Postoje i nelinearni modeli neurona sa sa prosirenim ulazom i prenosom praga u sinapticku
tezinu,kao i model sa prosirenim ulazom i bajpasom u obliku sinapticke tezine.Tipovi
aktivacionih funkcija mogu biti linearna ,odskocna i sigmodna funkcija. Na slici 9. su date ove
funkcije ,respektivno.
2.3.4 Arhihektura Neurosnkih mreza
Najcesce koriscene arhihekture Neuronskih mreza su prikazane na slici 10. , i to su:
1.Jednoslojne neuronske mree sa prostiranjem signala unapred (feed forward single layer neural
network)
2.Vieslojne neuronske mree sa prostiranjem signala unapred (feed forward multilayer neural
network)
3.Rekurentske neuronske mree
Slika 9. Tipovi aktivacionih f-ja
Slika 10. Arhihekture neuronskih mreza
11
2.3.5 Obucavanje neuronskih mreza
Obuavanje je proces adaptiranja slobodnih parametara neuronske mree, koji se obavlja kroz
stimulaciju okruenja u kome se neuronska mrea nalazi. Proces obuavanja je klasifikovan u tri
kategorije:
1. obuavanje sa uiteljem (nadzorom), (supervized learning)
2. obuavanje sa podsticanjem (reinforcement learning)
3. samoobuavanje (obuavanje bez uitelja), (unsupervised learning)
Slika 11. Obuavanje sa uiteljem, Obuavanje sa podsticanjem, Samoobuavanje, respektivno
12
2.3.6 Opsta forma pravilnog obucavanja
Opti princip: minimizacija greke kroz iterativnu proceduru
Slika 12. Opta ema obuavanja i-tog neurona
wi = (wi1,wi2,....,wim) , i=1,2,...n - vektor sinaptikih teina i-tog neurona
wi(t) = r x (t)
- koeficijent obuavanja pozitivna konstanta. r signal obuavanja, u optem sluaju funkcija oblika
r= fr(wi,x,di) ;
wi(t+1) = wi(t)+ fr (wi(t)),x(t),di(t))x(t) Na osnovu opte jednaine generisani su mnogi zakoni obuavanja, dominantno variranjem naina
generisanja signala obuavanja r.
2.3.7 Koriscenje Neuronskih mreza
Neuronske mreze koristimo u nekoliko slucajeva:
Kada nema jasno definisanog matematikog modela ili drugog reenja
Kada je potrebna otpornost na nepotpun ili pogrean ulaz
Kada je potrebna sposobnost uenja
Visokodimenzionalnost
Kada se sa NM postiu bolji rezultati nego sa alternativnim reenjima (npr. odziv u realnom
vremenu, tolerancija na greke)
13
Vrste problema gde se koriste vestacke neuronske mreze su:
Klasifikacija
Prepoznavanje (oblika, govora, vektora...)
Aproksimacija
Optimizacija
Obrada signala
Modeliranje sistema
Predvianje
Kontrola i upravljanje
Resenja za pojedine probleme su naprdne neuronske mreze gde se koriste:
Kombinacija NM, fuzzy logike i genetskih algoritama computational intelligence
Fuzzy logika uvodi semantiku i strukturu
Gen. algoritmi poboljavaju algoritme za uenje
2.4 Fuzzy Upravljcka logika
Re fazi je engleskog porekla (fuzzy) i oznaava nejasan, neodreen, neprecizan pojam.
Predlog je bio da se pri reavanju problema omoguida pojave budu neodreene i definisano je
pravilo nekompatibilnosti: to se blie posmatra realni problem, njegovo reenje postaje sve vie
fazi.Karakteristike fazi pristupa su:
nepreciznost- sloena pojava se iskazuje samo u optem stanju i pri tome se
koriste neodreeni iskazi;
postepenost - neto je prisutno u izvesnoj meri, neka osobina je prisutna u
izvesnom stepenu;
subjektivnost - ekspertsko znanje oveka i njegovo umee se predstavlja i
obrauje u raunaru u skladu sa individualnim izraavanjem ljudi.
Poznati Aristotelov silogizam
Svaki Grk je ovek.
Svaki ovek je smrtan, zakljuak je
Svaki Grk je smrtan.
Jasno je da na osnovu Aristotelovog silogizma ovakvi brojni realni problemi ne mogu biti
reeni jer taj silogizam koristi jasno odreene kategorije. Fazi razmiljanje omoguava veliku
fleksibilnost, korienje lingvistikih promenljivih (veoma, vrlo,mnogo...) i zbog toga je blie
ljudskoj logici.
14
Paradoksi predstavljaju nereivi problem u klasinoj logici u kojoj je sve ili tano ili netano,
u kojoj su strogo odvojene suprotnosti, bez postepenog prelaza od tanog ka netanom. Fazi
logika, potujui postepenost i pripadnot skupu u nekom stepenu, reava ove paradokse. U fazi
logici stvari istovremeno mogu biti i tane i netane, pa je reenje paradoksa tano u sredini
izmeu dve krajnosti tu je tvrenje podjednako i tano I netano.
2.4.1 Fazi skupovi
Fazi skup je osnovni elemenat za predstavljanje i obradu nepreciznosti u fazi tehnologijama.
Fazi skup predstavlja skup elemenata sa slinim svojstvima.
Klasian, diskretan skup je skup elemenata sa istim svojstvima.Svaki elemenat diskretnog skupa
pripada tom skupu 100%. Na skali, od 0 do 1, kaemo da svaki element diskretnog skupa pripada
tom skupu sa stepenom 1.
Fazi skup je skup elemenata sa slinim svojstvima.Dok u diskretnom skupu svaki element
pripada tom skupu sa stepenom pripadnosti 1, u fazi skupu svaki element pripada tom skupu u
izvesnom stepenu.
Primer fazi skupa je fazi skup visokih mukaraca koji sadri mukarce visoke 205 cm a i
mukarce visoke 185 cm. Mukarci visoki 205 cm su vii od mukaraca visokih 185 cm pa je
njihov stepen pripadnosti fazi skupu visokih mukaraca vei. Kada se od 180 cm visina poveava
ka 220 cm, stepen pripadnosti fazi skupu visokih mukaraca se poveava od 0 do 1.
Oblici fazi funkcija pripadnosti
Fazi funkcije pripadnosti mogu imati razliite oblike.
Trougaona funkcija pripadnosti
Trapezoidna funkcija pripadnosti
Slika 13 Primer klasinog u odnosu na fuzzy skup
15
Pravolinijska funkcija pripadnosti
Zvonasta funkcija pripadnosti
2.4.2 Fazi relacija
Fazi skupovi mogu imati viedimenzionalne funkcije pripadnosti.Oviviedimenzionalni fazi
skupovi predstavljaju fazi relacije. N-dimenzionalna fazi relacija R na X1 x X2 x...x Xn je
viedimenzionalni fazi podskupdirektnog proizvoda X1 x X2 x...x Xn i zapisuje se kao:
ili u kontinualnom sluaju:
Ovakva fazi relacija predstavlja vezu meu elementima prostora Dekartovog proizvoda.
Primer : Neka je zadata relacija =dobri prijatelji nad proizvodom X x Y, gde je X skup
devojaka, a Y skup momaka. Vrednosti stepena zadovoljenja ove relacije dati su u tabeli
Na osnovu tabele moe se uoiti (Natalija, Dejan)=0.8, (Natalija, Nikola)=0.2itd. To
znai da su Natalija i Dejan dobri prijatelji sa stepenom 0.8, a da su Natalija I Nikola dobri
prijatelji sa stepenom 0.2 itd. Prema tome, vrednosti u tabeli predstavljaju vrednosti funkcije
pripadnosti (x,y)
Osobine fazi skupova i operacije na fazi skupovima mogu se proiriti na osobine fazi relacija i
operacije na fazi relacijama. Osobine, visina i podrka mogu se definisati na fazi relacijama kao i
u sluaju fazi skupova. Operacije kao to su -presek, t-norme i t-konorme mogu se primeniti na
fazi relacije samo kada su one definisane nad istim prostorom.
Postoje dva sluaja: jedan u kome dati par zadovoljava relaciju i drugi u kome dati par ne
zadovoljava relaciju. Takve relacije se nazivaju diskretne ili binarne relacije.
16
esto kaemo da izmeu nekih pojmova postoji izvesna veza, ima neke veze, postoji tesna
veza. U ovim izrazima jaina veze (relacije) se izraava potepenim izrazima. Fazi relacija se
definie nad proizvodom X x Y, oznaava se sa , i predstavlja fazi skup mR~ u dve dimenzije:
Stepen u kome par (x,y) zadovoljava relaciju r se izraava kao broj iz intervala [0,1].to je
ovaj stepen blie jedinici, relacija je vie zadovoljena. to je ovaj broj blie nuli,relacija je manje
zadovoljena.
2.4.3 Fazi zakljucivanje
U binarnoj logici uobiajen je nain zakljuivanja pod nazivom modus ponens. Ovaj nain
zakljuivanja slian je Aristotelovom silogizmu. Na osnovu poznate injenice A I pravila AB
(ita se ako A onda B), pokazuje se da vai zakljuak B. Ovaj postupak se moe prikazati na
sledei nain:
injenica: A
Pravilo: AB
Zakljuak: B
injenice i pravila koja upotrebljavamo u svakodnevnom ivotu su neprecizni. kao to smo
objasnili i kod Aristotelovog soligizma, ako se injenica i pravilo samo malo razlikuju, primenom
modus ponensa ne moemo da dobijemo zakljuak. ovekov nain razmiljanja je fleksibilniji.
Kada se injenica i pravilo malo razlikuju, mi uspevamo da dobijemo koristan zakljuak. To
znai da mi ne posmatramo injenicu i pravilo kao proste simbole, ve kao reprezentaciju znanja
koje ima dublji smisao.
Fazi zakljuivanje bazirano na fazi relaciji
Za definiciju fazi zakljuivanja vani su pojmovi cilindrinog proirenja fazi skupa
iprojekcije fazi relacije.
Definicija. Neka je A fazi skup definisan nad nadskupom U, i neka je (u) njegovafunkcija
pripadnosti. Cilindrino proirenje fazi skupa A nad proizvodom U x V je fazi skup A xV sa
sledeom funkcijom pripadnosti:
17
Definicija. Neka je R fazi relacija definisana nad proizvodom U xV i neka je funkcija
pripadnosti koja opisuje ovu relaciju R(u v) . Projekcija ove fazi relacije na nadskup U se
oznaava sa RU i data je funkcijom pripadnosti:
Zakljuivanje metodom odsecanja
Neka su A, A` i B skupovi definisani nad U i V retrospektivno i dati kao to je prikazano na
slikama. Zakljuak B` se izraunava na osnovu zadate injenice A i pravila AB primenom
metode odsecanja.
Slika 14.Fazi skup A i injenica A definisani nad U
Slika 15. Fazi skupB i zakljuak B definisani nad V
Korak 1. Izraunati stepen saglasnosti izmeu A i A` (slika
Korak 2. Na osnovu stepena saglasnosti izvriti odsecanje fazi skupa B (slika)
18
Defazifikacija
Defazifikacija je poslednji korak pri izgradnji sistema za fazi zakljuivanje.Defazifikacija je
proces izvodjenja tanog rezultata iz fazi skupa. Ulazna veliinaprocesa defazifikacije je fazi
skup, a izlaz jedna, tana vrednosti iz fazi skupa.Razvijen je niz metoda za defazifikaciju.
Obavezna je pri izradi kontrolera.
U izradi fazi kontrolera preovlauju tri metoda:
1. metod centra mase;
2. metod centra maksimuma;
3. metod centra srednje vrednosti maksimuma.
Neka je fazi zakljuak C definisan kao diskretan fazi skup, sa elementima C(Zk), gde je Zk
element diskretnog nadskupa sa elementima Zi, a d je broj koji traimo. Premametodu centra
mase, izraz za izraunavanje je:
Prema metodu centra maksimuma najpre se odredi skup M {z | c(z ) h(c)} gde jeh(c) najvea
vrednost f-je pripadnosti fazi zakljuka c.
Slika 16. Ilustracija defazifikacije
Vrednost dobijena metodom sredine maksimuma dMM(C) je srednja vrednost svihvrednosti u
diskretnom skupu M definisanom pomou:
19
gde je |M| broj elemenata diskretnog skupa M.
2.4.4 Fazi upravljanje
Fazi upravljanje je metod upravljanja sistemima na makro nivou, korienjemkvalitativnih
opisa. Osnova takvog upravljanja su fazi-lingvistika (lingvistika) pravila upravljanja.
Lingvistika pravila upravljanja su pravila koja strunjak koristi u stvarnoj situaciji prilikom
upravljanja objektom. Ona predstavljaju zbirno upravljako znanje, koje se izraava primenom
nepreciznih, lingvistikih izraza. Tako se formiraju pravila oblika ako-onda koja se nazivaju
lingvistikim pravilima. Isto kao kod fazi pravila, ako deo pravila se naziva I delom uslova
pravila, i njime se definiu upravljaki uslovi. Onda deo pravila se naziva delom zakljuka
pravila, i njime se definiu akcije nad upravljakim objektom. Primer je: AKO je temperatura x
vea od eljene temperature r, ONDA smanjiti jainu struje kroz greja.
Fazi upravljanje ima smisla koristiti kada je objekat ili problem upravljanja:
1. sloen,
2. takav da se ne moe precizno odrediti njegov matematiki model,
3. dinamiki, odnosno vremenski promenljiv i/ili
4. nelinearan.
Slika 17. Osnovni delovi sklopa za fazi upravljanje
FLR su fazi-lingvistika pravila, FZ je deo za fazi zakljuivanje. Ispred dela za fazi
zakljuivanje i fazi-lingvistikih pravila nalazi se deo za fazifikaciju, a iza deo za defazifikaciju.
20
S1, S2, S3 i S4 su faktori skaliranja koji odreuju statiko pojaanje celokupnog sklopa za fazi
upravljanje. FLR i FZ obrauju fazi podatke, dok su veliine na ulazu i izlazu iz sklopa za
upravljanje diskretni podaci. Pomou dela za fazifikaciju I defazifikaciju se vri pretvaranje
podataka iz spoljanjeg (dikretnog, ne-fazi) oblika u unutranji (fazi) oblik, i obrnuto. Bez obzira
na to da li je sistem za upravljanje fazi ili ne, postoje dva tipa upravljanja: poziciono i brzinsko.
Kod sistema za fazi upravljanje ova razlika se vidi u onda delu fazi lingvistikog pravila.
2.5 Neuro-fazi sistemi
U cilju obrade fazi pravila neuronskim mreama, neophodno je modifikovati standardnu
strukturu neuronskih mrea. Razlog za predstavljanje fazi sistema neuronskim mreama je
iskorienje sposobnosti uenja neuronskih mrea u cilju unapreenja performansi modela
sistema.Fazi sistem zakljuivanja (Fuzzy Inference System FIS) je najznaajniji alat za
modelovanje zasnovan na teoriji fazi skupova. Osnovna struktura FIS-a je model koji preslikava
ulazne karakteristike u ulazne funkcije pripadnosti (ulazne MF Membership Function), ulazne
funkcije pripadnosti u pravila (rules), pravila u skup izlaznih karakteristika, izlazne karakteristike
u izlazne funkcije pripadnosti (izlazne MF) i izlaznu funkciju pripadnosti u jednu vrednost izlaza
ili odluku u skladu sa izlazom (Slika 18).Struktura neuronske mree preslikava ulaze kroz ulazne
funkcije pripadnosti i njihove parametre, a potom kroz izlazne funkcije pripadnosti i njihove
parametre. Ovi sistemi se koriste u oblasti automatskog upravljanja, u procesima odluivanja i
sl.Najuobiajnija metodologija fazi zakljuivanja je ona Mamdani tipa .Meutim, pored nje
postoji i metodologija poznata kao fazi zakljuivanje Sugeno tipa.Prednosti Sugeno metoda:
raunski efikasniji, dobro radi sa linearnim tehnikama, dobro radi sa optimizacionim i adaptivnim
tehnikama, pogodan je za matematiku analizu i dr.Zbog toga to je kompaktniji i raunski
efikasniji od Mamdani sistema. Sugeno sistem se i koristi za adaptivne tehnike konstrukcije fazi
modela. Pomenute adaptivne tehnike mogu se koristiti za prilagoavanje funkcija pripadnosti,
kako bi fazi sistem na najbolji nain modelirao podatke.
Slika 18. Funkcionisanje Sugeno pravila
21
Tipino fazi pravilo Sugeno fazi modela ima format (Slika 18):
If x1 is A and x2 is B then y = f(x),
gde su A i B fazi skupovi u premisi, y = f(x) je rasplinuta funkcija u zakljuku. Obino je f(x)
polinom, ali moe biti i bilo koja druga funkcija koja na odgovarajui nain opisuje izlaz sistema
unutar fazi oblasti definisane premisom pravila. Izlaz svakog pravila yi ,otean je jainom pravila
pravila wi (Slika 18). Na primer, za jedno and pravilo jaina pravila je : wi = AndMetod (A
(x1),B(x2 )) , gde su A(x1) i B(x2 ) funkcije pripadnosti za x1 i x2, respektivno. Konaan
izlaz sistema je oteani prosek izlaza pravila, izraunat kao:
2.5.1 Osnovni principi prilagodljivog neuro-fazi sistema zakljuivanja
Prilagodljivi neuro-fazi sistem zakljuivanja (Adaptive Neuro-Fuzzy Inference System - ANFIS)
korienjem ulazno/izlaznog skupa podataka konstruie FIS. Parametri funkcija pripadnosti FIS-a
su sinhronizovani i podeeniili korienjem samo algoritma prostiranja unazad (back propagation
algorithm) ili kombinacije pomenutog algoritma i metode poslednjeg kvadrata. Ovo podeavanje
omoguava fazi sistemima uenje iz podataka koje modeluju. ANFIS podrava iskljuivo sisteme
Sugeno tipa, koji imaju sledee karakteristike:
Fazi funkcija f(x) je polinom nultog ili prvog reda;
Poseduju samo jedan izlaz koji je dobijen korienjem defazifikacione metode oteanog
proseka (Slika 19), koju moemo definisati algebarskim izrazom
Sve izlazne funkcije pripadnosti su im istog tipa;
Izlazne funkcije pripadnosti mogu biti ili linearne ili konstantne;
Teine svih pravila su jednake i iznose 1 i nema deljenja pravila 4;
Slika 19. Graficki prikaz metode otezanog preseka
22
S obzirom da ANFIS podrava samo Sugeno metod, upotreba neuronskih mrea pri fazi
zakljuivanju bie predstavljena Sugeno modelom. Radi jednostavnosti prikaza, uzeto je da se on
sastoji od samo dva fazi pravila:
R1 : If x1 is A1 and x2 is B1 then y = f1 (x),
R2 : If x1 is A2 and x2 is B2 then y = f2 (x),
gde su Ai, Bi (i=1,2) fazi skupovi, a fazi funkcije su:
f1(x) = z11* x1 + z12* x2 + z13, f2 (x) = z21 * x1 + z22 * x2 + z23.
Za numeriki ulaz x = (x1, x2 ) mehanizam zakljuivanja e dati numeriki izlaz:
Neuro-fazi mrea za implementiranje Jednaine (3) prikazana je na Slici 2.
Naravno, prikazani tip neuronske mree za predstavljanje baze od dva pravila moe biti proiren
na proizvoljan broj pravila.
U narednom poglavlju imacemo jedan primer neuro-fazi upravljakog sistema baziranog na
kontroli pracenja Sunca.
Slika 20 Sugeno fazi model prvog reda sa dva pravila
23
3. Dvoosni Kontroler za Pracenje Sunca baziran na mrezi
fuzzy pravila i astronomskim godisnjim podacima
U ovom primeru imamo, inteligentno pracenje Sunca bazirano na fuzzy logickoj kontroli, da
bi maksimalno povecali solarnu energiju skupljenu od strane fotonaponskih solarnih
panela.Unutrasnja zakljucivacka fuzzy logika masine je projektovana sa IF - THEN pravilima i
bazirana je na inteligentnom znanju ljudskog uma , u kome su podaci iz astronomskog godisnjeg
kalendara. Informacija u sklopu fuzzy pravila je prenesena kroz neuronsku mrezu, da pronadje
fuzzy informaciju o sezonskom i dnevnom kretanju. Nasuprot tradicionalnim sistemima za
pracenje sunca, ovaj predlog ukljucuje znanje o solarnom kretanju.Zbog toga, ova kontrolna sema
moze da dostigne optimalnu poziciju panela,i bude upravna na Sunceve zrake,bez ikakvih
senzora za pracenje Sunca.
Posto je maksimalni iznos solarne energije, koju prikupi kolektor, vezan sa preciznoscu
pracenja Sunceve pozicije, tada visoko precizni kontroler suncevog pracenja dolazi u obzir.
Prethodnih godina,bilo je predlozeno nekoliko sema da se poboljsaju sistemi za pracenje, kao sto
je sema za pracenje putanje Sunca ,bazirana na kontroli orjantacije i nagiba kretanja. Ove seme
ukljucuju optimizaciju nagiba i orjentaciju uglova solarnog kolektora, koristeci informacije o
geografskoj sirini ,matematicke modele, i algoritme pracenja. Da bi automatski podesili nagib i
orjentciju ugla u smislu pozicije Sunca, u polju inzenjerskog proucavanja i kontrole su predlozeni
neki pristupi koji na bazi kontrole pokreta i obrade signala koriste informacije koje dolaze sa
elektronskog uredjaja. Nedavno , neke od najvaznijih i najistaknutijih sema u solarnim
aplikacijama, su uvedene u polje vestacke inteligencije, sto ukljucuje : sistem za pracenje sunca
koristeci fuzzy kontrolisani svetlosni senzor, temperaturu ambijenta i varijacije elektricnog
opterecenja, fuzzy algoritme da povezu domace aparate na elektricnu mrezu ili na fotonaponski
panel,predvidjanje i procenu suncevog zracenja,i hibridne sisteme koji koriste solarnu energiju sa
tehnologijom baziranom na genetskim algoritmima.
Takodje, postoje razliciti pristupi bazirani na inteligentnim tehnikama. Ljudsko znanje je
objasnjeno kao informacija koja dolazi sa senzora i elektronskog kola. Ali postoji i generacija
ljudske inteligencije pre mnogo godina, u astronomskim i fizickim istrazivanjima sto moze da
bude mocna alatka bazirana na ljudskom umu. Na primer, prednost integracije izmedju fuzzy
logike i neuronskih mreza,koja se zove neuro-fuzzy, je u ucecim sposobnostima neuronskih
mreza i da bude kao covek, sto znaci da razume fuzzy logiku. Zato ova sema govori da covekovo
znanje moze biti opisano ne samo elektronskim uredjajima, vec i u astronomskim godisnjim
informacijama sadrzanim u bazama podataka i naucnom znanju ,koje moze biti veoma mocna
umna alatka. Nedavno,proizveden je kontroler koji ima slicne principe kao neuro-fizzy tehnika,
24
zvan Fuzzy Rules Emulaed Network ili FREN, i primenjen je za kontrolu razlicitih nelinearnih
pogona. Ova struktura je jednostavna i dozvoljava inicijalnu promenu i selekciju mreznih
parametara. Prateci If-Then pravila, slicna ljudskim culima, astronomske informacije mogu biti
sadrzane u fuzzy sistem. Ovo povoljno stanje oznacava da ovaj algoritam moze da se koristi u
aplikacijama solarne energije.
3.1 Kontroler pracenja baziran na FRENu i astronomskim
godisnjim kalendarskim podacima
3.1.1 Solarni put baziran na Astronomskim godisnjim podacima
Postoji veliki broj nebeskih kordinatnih sistema koje mi mozemo da iskoristimo da bi videli
poziciju nebeskog tela u nebeskoj sferi. Jedan od njih je ekvatorski koordinatni sistem Slika 21.
Ovaj sistem je veoma slican koordinatnom sistemu sa geografskom sirinom i duzinom, i koristi se
da odredi poziciju na Zemljinoj povrsini. Linije na mapi Zemlje koje idu severno ili juzno od
Ekvatora,su linije duzine a kada su projektovane ka nebu ,onda postaju linije penjanja. Linije na
mapi Zemlje koje idu u pravcu istok-zapad ,paralelno sa Ekvatorom su linije sirine, a kada se
projektuju ka nebu,one postaju linije deklinacije. Deklinacija radi na povrsini nebeske sfere
slicno kao i sirina na povrsini Zemljine sfere. Za posmatraca na sfernoj hemisferi,kada je
deklinacija Sunca x a sirina posmatraca L, visina popodnevnog Sunca je = 90 - L + x, kao sto je
pokazano na slici 22.
Slika 21. Ekvatorski koordinatni sistem
25
Pored toga, ugaono pomeranje Sunca od Istoka ka Zapadu je od velike vaznosti u smislu
procene ugaonog pomeranja ,dok Zemlja rotira oko svoje ose, Slika 23. U ovom radu je
razmotreno 15 stepeni po satu.
Astronomski godisnji podaci su tabele koje primarno sadrze kordinate nebeeskih tela i
sastavljene su za svaku godinu sa dodacima u kojima sadrze tabele sa podacima o pomracenju
Sunca i Meseca,koji su bazirani na matematickim teorijama kretanja tela u solarnom sistemu, na
principu metode nebeske mehanike. Astronomski godisnji podaci su korisceni u nauci
,tehnologiji, astronomiji, geodeziji,kartografiji i u geofizickim istrazivanjima kao i u racunanju
putanja vestackih satelita i slobodnim probama,kao i u ispitivanju kretanja. Oni su takodje
korisceni za resavanje problema navigacije na moru, vazduhu i u prostoru. U ovom radu,
astronomski godisnji podaci su korisceni za konstrukciju sistema baziranih na znanju, u smislu
odredjivanja uglova solarne dekinacije.
Slika 22. Visina Sunca zavisi od njegove deklinacije
Slika 23. Ugaono pomeranje Sunca u pravcu Istok / Zapad
26
3.1.2 Razvoj vestackog kontrolera
Razmatrajuci informacije o kojima smo govorili,maksimalna kolicina energije, transformisana
od strane fotonaponske solarne celije, je ostvarena kada se su suncevi zraci odrzali pravac
normalan na povrsinu panela, kao na Slici 24. Da bi se odrzalo ovo stanje potrebno je kontrolisati
nagib i orjentaciju ugla , za odgovarajuce sezonsko i dnevnom kretanje ,respektivno. Opseg
vrednosti ovog ugla,varira od zemlje do zemlje, ali ova informacija se moze lako dobiti iz
astronomskih godisnjih kalendarskih podataka svake zemlje. U zavisnosti od potrebe,
projektovali smo kontroler baziran na IF-THEN pravilima,za kontrolisanje parametara nagiba i
orjentacije, da bi povecali kolicinu solarne energije koja je prikupljena fotonaposnkim sistemom.
Slika 24. Maksimalna kolicina energije sakupljena, kada je pravac Suncevih zraka upravan na
povrsinu panela . Nagib i orjentacija ugla se kontrolisu.
27
Prvo, predstavljamo fuzzy zakljucni sistem, za odgovarajuca sezonska kretanja , baziran na IF -
THEN pravilima. Neka , R+ , budu dani tokom godine predstavljeni pozitivnim realnim
brojevima, a neka , R, budu sezonska kretanja ,u skladu sa realnim brojevima, koja se
postizu sistemom preko servomotora.Za svaki ulaz ,imamo jedan izlaz, i svako fuzzy IF-
THEN pravilo moze biti zapisano kao:
Pravilo i :IF(AKO) je = Ai, THEN (ONDA) je i = fi (Ai);
gde pravilo i = 1,2...n ukazuje da IF pripada fuzzy skupu Ai sa odgovarajucom vrednoscu
Ai, THEN (Onda) fuzzy vrednost izlaza ovog pravila, oznacenog sa i, je jednaka fi (Ai). Kada
se sva pravla izvrse,izlaz je izracunat pomocu defuzzikacione seme.
Sada se nastavlja sa slicnim predstavljanjem fuzzy zakljucivackog sistema , odgovarajuceg
dnevnog kretanja, takodje po fuzzy IF THEN pravilima, Neka R+ budu sati tokom dana
,predstavljeni pozitivnim realnim brojevima,a neka R ,budu dnevna kretanja,na skali
brojeva, koji se ostvaruju preko sistema servomotora. Zbog toga,za svaki ulaz , postoji
odgovarajuci izlaz , i svako fuzzy IF THEN pravilo moze da se napise kao:
Pravilo j : If (AKO) je = Bj ,THEN (Onda) je j = gj (Bj) ,
gde pravilo j= 1,2,....k ukazuje da IF(ako) pripada fuzzy skupu Bj sa odgovarajucim
vrednostima Bj ,THEN (onda) fuzzy vrednosti izlaza ovog pravila, oznacenog sa j ,su jednake
vrednostima gj(Bj). Na isti nacin, posle obrade svih pravila, izalaz je izracunat.
Dvoosni kontroler za pracenje Sunca se sastoji od dva FREN kontrolera, o sezonskom
kretanju i o dnevnom kretanju . Ova kontrola je izvedena i bazirana na fuzzy pravilima o
kojima se govorilo iznad,i njegova struktura moze biti objasnjena u sklopu 5 slojeva, sto je
pokazano na Slici 25. i Slici 26 ,za sezonska i dnevna kretanja, respektivno. Kao sto se moze
primetiti, FREN ima jednostavnu strukturu, koja je sposobna da prenosi ljudsko znanje o putu
suncevih zraka tokom godine i tokom dana( iz astronomskih godisnjih podataka) ,bazirano na
fuzzy pravilima ubacenim u mrezu. Funkcija svakog sloja ce biti opisana u nastavku:
Sloj 1. Zove se sezonski i dnevni ulazni sloj, za svaki FREN respektivno. U ovom sloju oba
ulaza i se salju direktno sledecem sloju,i zbog toga nema nikakvog preracunavanja u njemu.
Sloj 2. Ovaj se zove sloj clanova funkcije. Svaki clan u ovom sloju ima odgovarajucu
clansku funkciju koja je gausova, linearna ili sign matematicka funkcija,koja odgovara jednom
lingvistickom nivou (negativan ili pozitivan) . Neki primeri su na Slici 30. i Slici 32. .Izlaz
28
vrednosti i-tog i j-og clana svakog FRENa je izracunat sa Ai = Ai () i Bj = Bj () ,za svaki
ulaz za dane, i za svaki ulaz ulaz za sate,respektivno.
Sloj 3. Zove se sloj linearne vaznosti. U ovom sloju svaki clan je povezan direktno iz
prethodnog clana tako da imamo n i k clanova u ovom sloju za svaki FREN respekivno. Izlaz u i-
tom clanu ,u sezonskom FRENu, je izracunat kao:
i = i Aj (),
a izlaz j-og clana ,za dnevni FREN izracunat je kao:
j=j Bj (),
gde parametri i i Ai () odgovaraju i-tom clanu, a parametri j i Bj () odgovaraju j-tom
clanu,dok parametri i i j predstavljaju nagib linearne posledice, koje odgovaraju svakom
FREN kontroleru (Slike 31. i 33.) .
Slike 25. i 26. Struktura sezonskog i dnevnog kretanja FREN kontrolera,respektivno
Sloj 4. Ovaj sloj se zove pozicija izlaza. Kao sto se vidi na slikama 25 i 26 ,struktura ovog
sloja je slicna izlaznom sloju vestacke neuronske mreze,sa tezinama koje su jednake ovim
jedinicama. Tako izlaz generisan od strane FREN kontrolera, za sezonsku poziciju, racuna se
kao:
= i=1 =
,
Gde je vektor B = (1,2....i )T i vektor H = ( A1,A2,...Ai)T. Konacno izlaz generisan od
strane FREN kontrolera, za dnevnu poziciju, je izracunata kao:
29
= i=1 =
gde je = (1,2....j )T a vektor O = (B1,B2,...Bj) T .
Ovo razlaganje na 4 sloja dozvoljava projektantima da podese inicijalne vednosti neuronske
mreze intuitivno. Kada se izvrsi predlozeno pracenje Sunca po obe kordinate pomocu FREN
kontrolera, kontrola dobija oba ulaza i , koji odgovaraju danu tokom godine i casu tokom
dana, respektivno. Odmah posle toga, nominalni kontrolni signali i , zeljene pozicije, se
izracunavaju kontrolerom.
3.1.3 Experiment
Da bi se izumeo kontroler, u labaratoriji je proizveden i integrisan jedan experimentalni
prototip baziran na DYNAMIXEL AX 12 motoru preko ROBOTIS inc Drajevra i korisnicki
interfejs je programiran preko MatLaba. Dvoosni prototip za pracenje Sunca,se sastoji od dva
stepena slobode da bi kontrolisao nagib i orjenaticju ugla kao na Slici 27. Program cita
vreme i datum iz kompijutera u smislu da generise odgovarajuci ulaz kontrolnom algoritmu kao
na slici 28. Ova informacija je transformisana u stepene pomocu inteligentnog kontolera i poslata
je servomotoru za podesavanje pozicije solarne celije.Podesavanje pozicije solarne celije je
automatski podeseno online, kada i realno vreme i dan variraju. Na slici 29 ,experimentalna
metodologija je sumirana na sledeci nacin :
1. Vreme na satu (realno vreme ) (sati /minuti /sekunde) i datum (godina /mesec /dan) ,su
procitani sa racunara,i konvertovani u sate i dane respektivno.
2. Nagib i orjentacija pozicije je izracunata od strane kontrolera da bi se pozicionirala solarna
celija normalno na pravac suncevih zraka.
3. Sistem prati sunce, podesavajuci ugaonu poziciju motora, koje se vrsi preko fuzzy
zakljucivackog sistema.
Slika 27. Prototip za solarno dvoosno pracenje
30
Takodje matematicki, postoje veze izmedju nagiba i orjentacije ugla, dana u godini, i vremena
na satu ; matematicki model bi trebao biti definisan za svaku zemlju zato sto ove relacije variraju
od zemlje do zemlje. Na drugoj strani, podaci bazirani na astronomskim godisnjim podacima
mogu da se koriste za svaku zemlju ,ali prakticno, ovo moze biti jako tezak zadatak, i zahteva
visoke troskove da bi se izvrsila kontrola pozicije. Pored toga ,u ovim zapisima, solarna putanja
je opisana velikim intervalom izmedju uzoraka podataka za svaki skup parametara ( i ,datum ,
cas) ,sto znaci nekompletnu informaciju o celom vremenu vektora u prostoru.
Tabela 1. Matematicko predstavljanje za sezonsko kretanje bazirano na lingvistickim nivoima
Slika 28. Kontrolni sistem FREN strukture za kontrolu sezonskog i dnevnog kretanja ,gde d
oznacava zeljenu poziciju
31
Koristeci predlozenu kontrolnu semu, za odrzavanje normalnog pravca celije u odnosu na
suncevu svetlost,omogucava se formalni matematicki opis. Fuzzy aproksimacioni model jedino
treba opseg nagibnog ugla (min i max ) i opseg ugla orjentacije (min i max),koji se mogu
dobiti iz astronomskih godisnjih podataka svake zemlje. Ovaj pristup je mnogo jefitniji u smisu
mekog racunarstva.Ova sezonska kretanja mogu biti definisana na osnovu sledecih fuzzy pravila:
gde JF ,MA ,MJ ,JA ,SO ,i ND oznacavaju Januar-Februar, Mart-April, Maj-Jun, Jul-Avgust,
Septembar-Oktobar i Novembar-Decembar lingisticki nivo ,respektivno. Na drugoj strani,RB
,RM, RS, FS, FM, FB oznacavaju "Povratni pravac sa veilkim uglom","Povratni pravac sa
srednjim uglom","Povratni pravac sa malim uglom", "Poslat pravac sa malim uglom", "Poslat
pravac sa srednjim uglom","Poslat pravac sa velikim uglom", respektinvo. Ovi funkcijski clanovi
su pokazani na slici 30, gde su pravila izvrsena.
Slika 29. Algoritam eksperimentalne metodologije
32
Kada se sva pravila izvrse, ostar izlaz je izracunat na osnovu odgovarajuce linearne
posledice (LCs ) pomocu defuzzikacije, kao sto je prikazano na slici 31. Na osnovu podataka iz
astronomskog godisnjeg kalendara, inicijalno podesavanje parametara je dato kao 1=48 , 2=
30, 3= 15, 4=15, 5=30 ,6=48. Matematicki prikaz MFova i LCova po lingvistickim nivoima je
prikazan u Tabeli 1.
Na slican nacin saznajemo i dnevna kretanja, na osnovu sledecih fuzzy prvila:
gde m,n,a,L,M i S oznacavaju odgovarajuci jutarnja, podnevna,poslepodnevna, velika ,srednja
i mala,respektinvo. MFs funkcija clanica,je prikazana na slici 32,gde su sva pravila izvrsena.
Posle izvrsavanja svih pravila, ostri izlaz je izracunat na osnovu odgovarajuce linearne
posledice (LC) pomocu defuzikacije, kao sto je prikazano na slici 33. Na osnovu astronomskih
Slika 30. Podesavanje Clanova funkcije (MCs) dvoosnog kontrolera za solarno pracenje ,za
izabran u ulaznom opsegu od 0-365 dana
Slika 31. Podesavanje linearne posledice (LCs) dvoosnog kontrolera za solarno pracenje, za izabrano u
izlaznom opsegu 0 - 47.1 stepena, u zavisnosti od astronomskih podataka
33
godisnjih podataka , inicijalno podesavanje parametaara je dato kao 1= 60, 2= 100, 3= 180.
Matematicko predstavljanje MFa i LCa po lingvistickim nivoima pokazano je u tabeli 2.
Kao sto se moze primetiti, podesavanje MFa i LCa je oznaceno po informacijama koje dolaze
iz astronomskih godisnjih podataka, i opsezi (min i max ) i (min i max) se mogu lako
promeniti u zavisnosti od lokacije zemlje. Ovaj pristup nam dozvoljava da ubacimo znanje u
kontroler bazirano na kombinaciji fuzzi logike i astronomskih merenja.
Experimentalni rezulati
Tabela 2. Matematicko predstavljanje za dnevna kretanja bazirano na lingvistickim nivoima Tabela 3. Informacije o Meksiku iz astronomskog godisnjeg kalendara
Slika 32. i 33. : Podesavanje clanice funkcije dvoosnog sistema za solarno pracenje ,za izabrano u ulaznom
opsegu od 7.00 - 19.00 h; Podesavanje linearne posledice dvoosnog sistema za solarno pracenje ,za izabrano
u izlaznom opsegu od 0 - 180 stepeni,u zavisnosti od astronomskih podataka
34
Da bi se ilustrovalo izvodjenje predlozene inteligentne kontrolne seme za pozicioniranje
solarne celije, izvrsen je ovaj eksperiment. Kontrolni algoritam je napravljen na osnovu prototipa
odozo sa Slike 27. Ulazi i izlazi kontrolera su oznaceni u zavisnosti od astronomskih godisnjih
podataka za Meksiko(28), i sumirani su u tabeli 3. Na osnovu ova 4 parametra (, , , )
,upravljanje automtski izracunaca i podesava poziciju sa ciljem da se postigne normalni pravac na
povrsinu panela.
Experimentalni rezultati su procenjeni i uporedjeni sa podacima iz baze podataka
astronomskih godisnjih kalendara. Rezultati sezonskih kretanja (nagibni ugao) su prikazani na
Slici 34. Kao sto se moze primetiti, dobar dogovor je pronadjen izmedju baze podataka i
experimenta. Za svaki dan u godini (ulazi),kontrola je sposobna da izracuna odgovarajuci izlazni
ugao .
Rezultati dnevnih kretanja su prikazani na Slici 35. Na ovoj slici je prikazan napredak
izlaznog ugla za svaki odgovarajuci ulaz baziran na realnom vremenu. Moze se videti da je
kontroler precizan tokom ovog kretanja, cija je aproksimacija prava linija.
Ova aproksimacija bazirana na fuzzy pravilima i astronomskim informacijama , sa prakticne
tacke gledista, predstavlja pogodan i bitan pristup,zato sto sistem za solarno pracenje ne zahteva
nikakav elektronski uredjaj (senzor svetlosti, GPS tragac itd) za slanje relativne pozicije sunca ka
kontroleru.
Slika 34 . Nagib ugla izracunat predlozenim kontrolerom, i uporedjenim sa uglom
dobijenim iz astronomskih godisnjih podataka
35
3. 1.4 Zakljucak experimenta
U ovom radu , predstavljen je kontroler za solarno pracenje preko obe koordinate. Srz ovog
kontrolnog sistema je baziran na fuzzy pravilima napravljenim na osnovu podataka iz
astronomskih godisnjih kalendara. Ova sema automatski podesva nagib i orjentaciju
ugla,uzimajuci u obzir dan u godini i realno vreme. Fleksibilna struktura njegovog nacina rada
dozvoljava da se koristi u zavistnosti od lokacije zemlje,tako sto modifikuje maksimalni i
minimalni opseg vrednosti za i . Ovde je od vaznosi primetiti to da kontrola ne zahteva bilo
kakvu informaciju sa senzorskog uredjaja,koji je povezan sa pozicijom sunca, zato sto
inteligentna struktura bazirana na fuzzy masini dozvoljava da se aproksimira ili zakljuci lokacija
Sunca. Inteligentni algoritam je realizovan u prakticnom prototipu sa dva stepena slobode.
Experimentalni podaci demonstriraju efikasnost i prave jasnu potencijalnu karakteristiku
predloga. Na kraju, zakljucujemo da predlozeni kontroler moze lako da se realizuje u stvarnim
aplikacijama, bez ikakvog senzora za pracenje sunca i bio bi veoma jeftin.
Slika 35.Orjentacija ugla izracunatog predlozenim kontrolerom i uporedjenim sa
uglom dobijenim iz podataka o astronmskog godisnjeg kalenadara
36
4. Literatura
[1] Dual-Axis Solar Tracking Controller Based on Fuzzy-Rules Emulated Networks and
Astronomical Yearbook Records ;J. Armendariz, C. Ortega-Estrada, F. Mar-Luna, and E.
Cesaretti
[2] Fusion of Neural Networks, Fuzzy Systems and Genetic Algorithms: Industrial Applications
by Lakhmi C. Jain; N.M. Martin
[3] dr Zoran evarac ; Neuronske mreze
[4] Dr Lejla Banjanovi-Mehmedovi; Uvod u inteligentno upravljanje
[5] FUNKCIONISANJE FAZI SISTEMA; Seminarski rad -Tanja Radovanov
[6] http://solair.eunet.rs/~ilicv/neuro.html
1.Uvod1.1 Solarni sistemi1.2 Tipovi solarnih Sistema
2. Klasicni i savremeni upravljacki uredjaji2.1 Programabilni logicki kontroleri PLC2.2 Regulatori2.3 Neuronske mreze, Fuzzy upravljanje , i Neuro-Fuzzy upravljacki sistemi2.3.1 Definicija neuronskih mreza2.3.2 Model Neurona2.3.4 Arhihektura Neurosnkih mreza2.3.5 Obucavanje neuronskih mreza2.3.6 Opsta forma pravilnog obucavanja2.3.7 Koriscenje Neuronskih mreza
2.4 Fuzzy Upravljcka logika2.4.1 Fazi skupovi2.4.2 Fazi relacija2.4.3 Fazi zakljucivanje2.4.4 Fazi upravljanje
2.5 Neuro-fazi sistemi2.5.1 Osnovni principi prilagodljivog neuro-fazi sistema zakljuivanja
3. Dvoosni Kontroler za Pracenje Sunca baziran na mrezi fuzzy pravila i astronomskim godisnjim podacima3.1 Kontroler pracenja baziran na FRENu i astronomskim godisnjim kalendarskim podacima3.1.1 Solarni put baziran na Astronomskim godisnjim podacima3.1.2 Razvoj vestackog kontrolera3.1.3 Experiment3. 1.4 Zakljucak experimenta
4. Literatura