بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
روش های مدل سازی عصبی – فازی جهت تخمین گشتاور در روتور توربین بادی ساونیوس
چکیده
در مقاله ی حاضر توانایی و دقت یک سیستم استنتاجی عصبی- فازی تطبیقی برای مدل سازی دینامیکی روتور توربین بادی ساونیوس مورد بررسی قرار گرفته است . هدف اصلی این تحقیق پیش بینی عملکرد نیروی گشتاور به عنوان تابعی از موقعیت زاویه ای توربین می باشد. یک آزمایش مقایسه ای در ANFIS ، FIS و RBF انجام گرفته و در نتیجه ی آن دیده شده است که ANFIS نتایج بسیار دقیق تری در مقایسه با دو روش دیگر می دهد . نتایج نشان می دهد که یک سازگاری عالی بین داده های آزمایش (که در آموزش به کار نرفته اند) و داده های تخمین زده شده وجود دارد همراه با خطای میانگین بسیار پایین . همچنین FIS با آستانه ی خطای 0.005 و ANFIS آموزش داده شده قادر هستند که رفتار دینامیک غیرخطی گشتاور را در زمان یک شرایط جدید که در فرآیند آموزش لحاظ نشده (داده های آزمایش) رصد کنند . برای پیاده سازی تکنیک حاضر، کدها و دستورالعمل های مرتبط نرم افزار متلب به صورت موثری مورد استفاده قرار گرفته است .
واژه های کلیدیْ روتور ساونیوس ، مدل سازی ، گشتاور ، عصبی- فازی ، ANFIS ، FIS ، RBF
-1 مقدمه
توربین بادی دستگاهی است که انرژی باد را به انرژی مکانیکی تبدیل می کند . این توربین ها به دو گروه افقی و عمودی تقسیم بندی می شوند . توربین های بادی محور قائم ) (VAWTs مانند ساونیوس ساختاری ساده و امکان به کارگیری در سرعت های پایین باد را دارند . در این پژوهش برای روتور ساونیوس که یک توربین محور قائم می باشد ، پرّه ها در تونل باد آزمایش شده اند .
سیستم های فازی و شبکه های عصبی نسبت به روش کلاسیک دارای مزیت هایی می باشند . اگر چه به کارگیری این تکنیک های مدل سازی هیبرید (عصبی- فازی) می تواند تنها محدود به حل پاره ای از مسائل مهندسی شود .
بنابراین ترکیب شبکه های عصبی مصنوعی با سیستم های فازی مدّ نظر است در حالیکه هر دو مدل مکمل یکدیگرند . این سیستم های معروف به عصبی- فازی ، ضعف های فردی هر کدام از روشها را می پوشانند و ویژگی های جدیدی ارائه می دهند .
در ابتدا تاکاگی و سوگنو روش تحلیل عددی سیستم فازی را ارائه کردند و سپس مطالعات زیادی انجام گرفت . از آنجایی که سیستم هایی که تئوری فازی را استفاده می کنند می توانند قوانین و اطلاعات را به صورت اگر- آنگاه بیان کنند ، بنابراین دارای مزیت هایی می باشند. از جمله آنکه برای مدل سازی نیازی به آنالیزهای ریاضی نمی باشد . اگر چه این سیستم ها نیازمند انتخاب پارامترها و ساختار مدل مناسب می باشند . ANFIS ازشبکه عصبی برای تعیین شکل توابع عضویت و استخراج قوانین استفاده می کند . از آنجاییکه نیاز به تقسیم بندی فضای داده های ورودی می باشد دقت سیستم بسیار زیاد به دست یابی به این پیش پردازش بستگی دارد . روش هایی جهت به دست آوردن قوانین فازی با تقسیم بندی فضای ورودی گزارش شده است . این تکنیک ها چون فضای داده های خروجی را در نظر نمی گیرند بنابراین قوانین به دست آمده همیشه نمی توانند منطقی باشند . از آنجاییکه معماری و رفتار ANFIS بسیار قابل کاربرد می باشد ، به عنوان یک جز اساسی برای تعبیر و تفسیر پژوهش ها جا افتاده است . در این مقاله یک شبکه عصبی فازی استنتاجی تطبیقی به کار برده شده است که نسبت به مدلهای مرسوم دارای میانبرهایی می باشد .
-2 ساختار ANFIS در توربین باد
ANFIS می تواند فضای داده های ورودی خروجی را تقسیم بندی کرده و به صورت اتوماتیک قوانین مناسبی را فراهم کند . شکل 1 ساختار ANFIS برای توربین باد را نشان می دهد که شامل 3 لایه ی میانی می باشد . لایه ی اول لایه ی ورودی (I) می باشد . دومی لایه ی میانی یا پنهان یا لایه ی قوانین و آخری لایه ی خروجی (O) می باشد . لایه های ورودی و خروجی به ترتیب شامل بخشهای خروجی و ورودی می باشند . هر گروه در لایه ی قوانین بیان کننده ی یک قانون می باشد . وزن ها از قسمت ورودی به لایه ی قوانین و از لایه ی قوانین به قسمت خروجی کاملاً مرتبط اند و قوانین اگر- آنگاه را در خود دارند . توابع عضویت به عنوان بخش فرضیه ی قبلی در وزن ها ظاهر شده اند. هر وزن از لایه ی قوانین به بخش خروجی ، بستگی به مقدار تخمین زده شده ی هر قانون دارد . به صورت مختصر می توان گفت ، وزن ها از قسمت ورودی به لایه ی قوانین ، نشان دهنده ی بخش " اگر" قوانین فازی و وزن ها از لایه ی قوانین به قسمت خروجی ، نشان دهنده ی بخش "آنگاه" قوانین فازی می باشد . اشکال توابع عضویت به صورت اتوماتیک در هنگام آموزش تنظیم می شوند .
شکل 1، معماری ANFIS با یک ورودی و یک خروجی با هفت قانون در سیستم توربین بادی
-3 سیستم استنتاج تطبیقی عصبی- فازی
معماری یک ANFIS تک ورودی با هفت قانون در شکل 1 نشان داده شده است . در معماری ANFIS یک FIS در یک ساختار شبکه ای پیش خور لایه ای توصیف شده است که بعضی از پارامترها توسط گره های قابل تنظیم فراهم شده و برخی دیگر به عنوان گره های ثابت موجود می باشند . ورودی های خام به گره های لایه یک خورانده می شود که توابع عضویت را به دنبال می آورد . در این مطالعه برای هر ورودی یک تابع عضویت وجود دارد. برای یک مدل فازی سوگنوی مرتبه اول ، یک مجموعه قانون متداول با دو قانون اگر-آنگاه فازی به صورت زیر می باشد .
پارامتهای موجود در قوانین فوق در ادامه توضیح داده خواهند شد .
ANFIS دارای پنج لایه می باشد که نوع توابع گره هر لایه یکسان می باشد و در زیر آورده شده است (توجه شود که بیان کننده خروجی گره i ام در لایه j ام می باشد).
لایه : 1 هر گره در این لایه یک گره تطبیقی با تابع گره زیر می باشد :
که X*و σ پارامترهای پیش فرض هستند که توسط الگوریتم یادگیری هیبرید تصحیح شده اند و x متغیر ورودی است . لااقل در این روش پایه ی ANFIS این پارامترها قابل تظیم نیستند .
لایه : 2 هر گره i در این لایه یک گره ثابت با برچسب ∏ می باشد . خروجی حاصلضرب همه سیگنال های ورودی می باشد .
که متغیرهای ورودی و n تعداد گره هاست .
لایه : 3 هر گره I در این لایه یک گره ثابت با برچسب N می باشد . i امین گره ، نسبت قدرت اجرایی i امین قانون به مجموع قدرتهای همه قوانین می باشد .
این لایه پیاده سازی یک تابع نرمال سازی به روی قدرت های اجرایی می باشد که قدرت های اجرایی نرمال شده را فراهم می آورد .
لایه : 4 تنها گره در این لایه یک گره ثابت با برچسب Σ می باشد که خروجی کلی را به صورت مجموع همه سیگنال های ورودی محاسبه می کند .
متغیرهای ورودی وpi} ، qi ، ، ki ،{ri پارامترهای ثابتی هستند که توسط روش تخمین حداقل مربعات بازگشتی (LSE) به هنگام و تصحیح می شوند . لایه پنجم اجتماعی از خروجی هایی که توسط جمع وزن دار شده بدست آمده اند ، فراهم می آورد و قابل تنظیم نمی باشد .
-4 قانون یادگیری هیبرید : ترکیب BP و LSE
یک الگوریتم یادگیری هیبرید به این صورت در نظر گرفته شده : در مسیر رو به جلو ، خروجی های گره تا لایه 3 پیش می روند و پارامترهای ثابت توسط روش حداقل مربعات مشخص می شوند . در مسیر برگشت سیگنال های خطا به صورت پسخور انتشار می یابند و پارامترهای پیش فرض توسط روش گرادیان نزولی به هنگام و تصحیح می شوند . این روند در جدول 1 خلاصه شده است .
جدول 1، دو مسیرپروسه ی آموزش هیبریدبرای ANFIS
-5 روش ها و اقلام مورد نیاز
1-5 نمونه های تهیه شده
روتور ساونیوس با چهار منحنی پره متفاوت در یک تونل باد با مقطع مربع به ابعاد 0.4 0.4 14 مترمکعب مورد آزمایش قرار گرفت . در روتورهای 1 تا 4 هر پره یک نیم استوانه با قطر 16 سانتی متر می باشد . مقادیر فواصل (gap) s برای روتورهای 1تا4 به ترتیب برابر است با 0 ، 3.2 ، 3.8 و 6.4 سانتی متر . این فاصله gap مقدار نیروی دراگ در پشت و جلوی پره را در زوایای مختلف متناسب با دمش باد تغییر می دهد . ارتفاع در همه مدل های تهیه شده یکسان و حدود 30 سانتی متر می باشد . ضخامت پره یک میلی متر بوده و از آلومینوم ساخته شده است . شکل 2 ظاهر روتور را نشان می دهد .
شکل 2، شماتیک یک روتور ساونیوس((a نمای جلو (b) نمای بالا
2-5 آزمایش تجربی پره های مختلف در تونل باد
ضریب توان پره ها توسط اندازه گیری سرعت دوران روتور به دور محور و گشتاور خروجی توسط دو دینامومتر ویژه ی متصل به انتهای هر پره ، قابل محاسبه هستند . همه آزمایشات در یک وضعیت انجام شده و سرعت باد از 8 تا 14 تغییر می کند . در آزمایش اول سرعت دوران و گشتاور هر روتور در یک دوران کامل اندازه گیری شده و نتایج با سایر روتورها مقایسه گردید .
