Système de regression neuro-flou pour prédire les apports non contrôlés dans les bassins versant...
This presentation is the property of its rightful owner.
Sponsored Links
1 / 12

Mounir Boukadoum, Hakim Lounis, Vincent Siveton PowerPoint PPT Presentation


  • 66 Views
  • Uploaded on
  • Presentation posted in: General

Système de regression neuro-flou pour prédire les apports non contrôlés dans les bassins versants de centrales hydro-électriques. Mounir Boukadoum, Hakim Lounis, Vincent Siveton. 200 km. 500 km. Le Contexte. Le réseau hydroélectrique d’ Alcan : ( circa ~2000) 73 800 km² de surface

Download Presentation

Mounir Boukadoum, Hakim Lounis, Vincent Siveton

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Mounir boukadoum hakim lounis vincent siveton

Système de regression neuro-flou pour prédire les apports non contrôlés dans les bassins versants de centrales hydro-électriques

Mounir Boukadoum, Hakim Lounis, Vincent Siveton


Mounir boukadoum hakim lounis vincent siveton

200 km

500 km

Le Contexte

  • Le réseau hydroélectrique d’Alcan : (circa ~2000)

    • 73 800 km² de surface

    • 2000 MW d’électricité par an

    • 6 stations hydroélectriques actives, 28 installation en réserve

    • 43 groupes de turbines-alternateurs

    • 850 km de lignes de transmission

    • 30 stations hydro-météorologiques, etc.


Le probl me

Le problème

  • Le niveau des bassins versants pour les barrages dépend des décharges des rivières, des précipitations et de contributions souterraines (apports non contrôles)

  • On veut prédire le volume des apports non contrôles indirectement, à partir de mesures d’autres variables

    Exemples du bassin de la Chute du Diable au Saguenay


Donn es historiques

Données historiques

  • On dispose des données historiques suivantes :


Pr dicteurs classiques

Prédicteurs classiques

  • Regression linéaire ou logistique

  • Interpolation polynômiale

  • Test d’hypthèse

    N’ont pas donné de bons résultats


Mounir boukadoum hakim lounis vincent siveton

Prédicteurs reliés à l’apprentissage machine

  • Arbres de décision binaires (C4.5 & OC1)

  • Inducteurs de règles (CN2)

  • Algorithmes de groupement (LVQ, Kohonen, k-centroïdes, c-centroïdes)

  • Classifieurs bayesiens (ROC)

  • Réseaux de neurones artificiels (PMC, Elman, Jordan)

  • Classifieurs flous ou neuro-flous (ANFIS, CANFIS)


Mounir boukadoum hakim lounis vincent siveton

Variables d’entrée

A1 An

Flouïfication (SOM + MM)

Arbre de décision flou

X grand

0.65

0.35

C grand

B petit

0.2

0.8

0.7

0.3

0.2

0.35

0.3

0.65

Déflouïfication (PMC)

Valeur prédite/classe

0

1

1

0

Prédicteur neuro-flou basé sur un arbre de décision binaire “flouïfié”


Mounir boukadoum hakim lounis vincent siveton

Création d’un arbre de décision binaire par induction

C4.5 algorithm:

If no more training examples:

Stop;

Else:

If all training examples belong to the same class

Create a leaf with the classname ;

Else:

- Select a test to identify the next best discriminating attribute in the learning set ;

- Divide the learning set into subsets according to the value of the selected attribute ;

End if ;

End if

The entropy of A={ai}i=1,…,n, is :

  • where p(ai) is the probability of A=ai

  • In the fuzzy approach, ai takes n’ linguistic values, and

  • Where k(ai) is the membership of ai to linguistic value k and p(ai) is its frequency in the domain of k.

  • We want, each time, to find the attribute that maximizes


Flou fication des donn es d entr e

Entrées à valeursClassificationFonctions

précises symbolique d’appartenance

FMM

SOM

Flouïfication des données d’entrée

  • Processus en deux étapes:

    • On trie les données selon deux catégories (« grand », « petit »)

    • On définit les fonctions d’appartenance correspondantes (forme et limites)

SOM = Carte auto organisatrice de Kohonen : divise les données en catégories

FMM = Filtre à morphologie mathématique : Trouve les points limites de fonctions d’appartenance


D flou fication des feuilles de l arbre de d cision flou

Déflouïfication des feuilles de l’arbre de décision flou

  • Effectuée à l’aide d’un réseau de neurones artificiel de type perceptron multi-couche avec apprentissage par retropropagation d’erreurs

  • Particularités :

    • Opère par association des patrons d’entrée avec des valeurs mémorisées avec un bon pouvoir de généralisation (données incomplètes, vagues, bruitées, etc.)

    • Peut faire autant la classification que la régression


Mounir boukadoum hakim lounis vincent siveton

Résultats

(1) 14 output neurons

(2) 1 output neuron


Conclusion

Conclusion

  • Un arbre de décision flou peut donner de meilleurs résultats de prédiction qu’un arbre de décision précis

  • L ’approche neuro-floue peut donner de meilleurs ou moins bons résultats qu’un réseau de neurones

  • L’usage d’un réseau de neurones pour la phase de déflouïfication donne de meilleurs résultats que la méthode du centre de gravité

  • L ’approche neuro-floue offre la possibilité d’extraire des règles (savoir explicite) en plus de prédire les variables hydro-électriques (savoir implicite)


  • Login