Système de regression neuro-flou pour prédire les apports non contrôlés dans les bassins versants de centrales hydro-électriques Mounir Boukadoum, Hakim.

Présentation au sujet: "Système de regression neuro-flou pour prédire les apports non contrôlés dans les bassins versants de centrales hydro-électriques Mounir Boukadoum, Hakim."— Transcription de la présentation:

1 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

2 Le Contexte Le réseau hydroélectrique d’Alcan : (circa ~2000)
200 km 500 km Le réseau hydroélectrique d’Alcan : (circa ~2000) 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.

3 Exemples du bassin de la Chute du Diable au Saguenay
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 Variable à prédire Abréviation Données historiques Volume quotidien d’apports non contrôlés à CD durant les 7 jours précédents ucCD_D1 - ucCD_D7 1992 – 99 Contributions totales au volume de débit durant les prochains 3 jours Vol_3D Contributions totales au volume de débit durant les prochains 7 jours Vol_7D

4 Données historiques On dispose des données historiques suivantes :
Variable # Contribution naturelle au débit à CD pour les deux jours précédents 2 Variation de la contribution naturelle au débit à CD durant les deux jours précédents 1 Débits des rivières Manouane, Serpent, and Petite Péribonka les 4 heures d’avant(m3/s/hr) 3 Débits des rivières Manouane, Serpent, and Petite Péribonka le jour d’avant Variation des débits des rivières Manouane, Serpent, and Petite Péribonka pour les 4, 12, 24 heures précédentes 9 Tendance de la variation des débits des rivières Manouane, Serpent, and Petite Péribonka entre 4 et 12 heures Précipitations de jour –4 à jour-1 dans le bassin versant de CD 4 Précipitations de jour–3 à jour-1 aux stations CD, CDP, Mistassini 2 et Manouane Est 12 Prévisions météorologiques de jour+1 à jour+7 pour le bassin versant de CD 7 Prévisions météorologiques équilibrées de jour+1 à jour+7 pour le bassin versant de CD

5 Prédicteurs classiques
Regression linéaire ou logistique Interpolation polynômiale Test d’hypthèse N’ont pas donné de bons résultats

6 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)

7 Prédicteur neuro-flou basé sur un arbre de décision binaire “flouïfié”
X grand B petit C grand 1 0.65 0.35 0.2 0.8 0.7 0.3 Déflouïfication (PMC) Flouïfication (SOM + MM) Arbre de décision flou … Variables d’entrée A An Valeur prédite/classe

8 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 ; - 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

9 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) Entrées à valeurs Classification Fonctions précises symbolique d’appartenance SOM FMM SOM = Carte auto organisatrice de Kohonen : divise les données en catégories FMM = Filtre à morphologie mathématique : Trouve les points limites de fonctions d’appartenance

10 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

11 Résultats (1) 14 output neurons (2) 1 output neuron

12 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)