Smart multi-model approach based on adaptive Neuro-Fuzzy Inference Systems and Genetic Algorithms

Sala, Enric; Kampouropoulos, Konstantinos; Giacometto, F.; Romeral, L.

doi:10.1109/iecon.2014.7048513

Cited by 7 publications

(3 citation statements)

References 17 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…This observation indicates that week 3 presents a behavior that differs from the rest of the data, as the resulting model achieves worse prediction performance when learning from the other cases. Finally, in order to quantify the increase of performance provided by the application of the proposed methodology, the obtained results have been compared with a classical load forecasting implementation based on ANFIS [35]. The evaluation of the power demand modeling stage using the proposed methodology resulted in decreased error metrics.…”

Section: Power Demand Modelingmentioning

confidence: 99%

Activity-aware HVAC power demand forecasting

Cardoso

Delgado-Prieto

Kampouropoulos

et al. 2018

Energy and Buildings

Self Cite

View full text Add to dashboard Cite

show abstract

Section: Power Demand Modelingmentioning

confidence: 99%

Activity-aware HVAC power demand forecasting

Cardoso

Delgado-Prieto

Kampouropoulos

et al. 2018

Energy and Buildings

Self Cite

View full text Add to dashboard Cite

show abstract

“…GAs are heuristic search methods which attempt to approximate the mechanics of the natural selection and evolution process, offering powerful robustness and flexibility. They differ from traditional optimization techniques in several aspects, for instance GA allows parallelism in the searching process since multiple solutions can be considered concurrently [74]. GA is used for search problems or for finding optimal designs.…”

Section: Optimizationmentioning

confidence: 99%

Analysis and implementation of a methodology for optimal PMa-SynRM design taking into account performances and reliability

Torres¹

View full text Add to dashboard Cite

Automotive applications focus to develop drive-train technologies with higher energy efficiency and lower environmental impact. Electric and hybrid vehicles are gaining popularity since they fulfill these requirements . The aim of optimal motor design is to achieve high torque and power densities, wider speed range and high efficiency within the area defining the most frequent operating points. This work presents a methodology to optimize electric motors for traction applications considering a multi-physics approach. The magnetic behavior is evaluated using a complex reluctance networks capable to compute the cross-coupling. The results of the magnetic model are the inductances, iron losses, and magnet flux linkage. The thermal behavior is evaluated using a thermal network and it is coupled with the magnetic model. The electric model is feed with the solution of the thermal and magnetic model. The electric model aims to calculate the whole operating area of the motor to allow optimizing the machine considering the most frequent operating zone. Therefore, a fast tool to evaluate different variables within the torque-speed map is convenient for this purpose. In this context, starting from a preliminary motor design, and taking into account motor cross-coupling effects and power losses, this thesis presents a new methodology for optimizing and evaluating the behavior of permanent magnet machines, such as synchronous reluctance machines, and permanent magnet assisted synchronous reluctance machines, in all operational points. Apart from the torque and efficiency, many other electrical variables can be obtained, such as the current space vector angle, power factor or electrical power among others. The proposed methodology also allows optimizing the design of the machine under a preestablished control law; thus obtaining the current set point trajectory in the dq frame and allowing a fast and accurate evaluation of motor performance.The results obtained by means of the proposed simulation tool are compared against finite element analysis simulations and experimental data, thus validating the usefulness and accuracy of the proposed methodology. El sector de la automoción se está centrando en las tecnologías con alta eficiencia y un bajo impacto medioambiental. En este sentido el desarrollo de vehiculos eléctricos o hibridos está ganando importancia en este sector. Por lo tanto, el diseño de motores eléctricos que cumplan las especificaciones necesarias para aplicaciones de tracción eléctrica es un punto de especial interés . El principal objetivo en la optimización de motores eléctricos es conseguir altas densidades de par o potencia, alta eficiencia y un buen factor de potencia, teniendo en cuenta la zona de trabajo más común. Este trabajo presenta una metodologia para optimización de motores eléctricos, concretamente motores de reluctancia síncrona, para aplicaciones de tracción eléctrica. Para ello es necesario crear diferentes modelos para evaluar el comportamiento eléctrico, térmico y magnético del motor así como calcular los diferentes puntos de trabajo. El modelo magnético, que está basado en redes de reluctancia, permite calcular las inductancias, el flujo magnético del imán y las pérdidas en el hierro teniendo en cuenta la saturación cruzada. El modelo térmico estará basado en redes térmicas y permite evaluar la temperatura de diferentes partes del motor (dientes, bobinado, cabezas de bobina o imanes) para evaluar la viabilidad de estos motores y definir bien el valor de algunos parámetros como la resistencia del bobinado y las propiedades magnéticas del imán. El modelo eléctrico está basado en la resolución de las ecuaciones completas del motor en los ejes dq, los parámetros necesarios (inductancias, resistencia, perdidas en el hierro, flujo del imán) serán obtenidos en los modelos magnético y térmico. En este punto, la metodología propuesta es capaz de calcular todos los puntos de operación de la máquina. Hay que remarcar que en este punto se puede calcular la eficiencia, factor de potencia, ángulo de corriente. La tesis propuesta empezará el proceso diseño optimizado del motor calculando un pre-diseño para introducirlo en un optimizador que usará los mapas calculados para evaluar su función de coste teniendo en cuenta que estos mapas estarán obtenidos considerando saturación cruzada, perdidas en el hierro y variaciones de temperatura, se puede afirmar que el motor resultante está evaluado en todos sus dominios exceptuando el mecánico. Para el análisis mecánico se propone un estudio en elementos finitos posterior a la optimización. En este análisis se podrán introducir estructuras que mejoren la resistencia mecánica del motor y que serán restricciones para una nueva optimización. Una vez cerrado el proceso iterativo entre optimización y análisis mecánico se tendria el motor final. En la tesis propuesta se usa esta metodologia para diseñar varios motores, con lo cual se permite la validación de la misma.

show abstract

“…A second concept that is important in the EMS is the online modeling or also called "auto tuning" [66], [67]. It gives the LMSF the ability to closely match the operating conditions to the model.…”

Section: Auto Tuningmentioning

confidence: 99%

Adaptive load consumption modelling on the user side: contributions to load forecasting modelling based on supervised mixture of experts and genetic programming

Giacometto Torres

View full text Add to dashboard Cite

This research work proposes three main contributions on the load forecasting field: the enhancement of the forecasting accuracy, the enhancement of the model adaptiveness, and the automatization on the execution of the load forecasting strategies implemented. On behalf the accuracy contribution, learning algorithms have been implemented on the basis of machine learning, computational intelligence, evolvable networks, expert systems, and regression approaches. The options for increase the forecasting quality, through the minimization of the forecasting error and the exploitation of hidden insights and miscellaneous properties of the training data, are equally explored in the form of feature based specialized base learners inside of a modelling ensemble structure. Preprocessing and the knowledge discovery algorithms are also implemented in order to boost the accuracy trough cleaning of variables, and to enhance the autonomy of the modelling algorithm via non-supervised intelligent algorithms respectively. The Adaptability feature has been enhanced by the implementation of three components inside of an ensemble learning strategy. The first one corresponds to resampling techniques, it ensures the replication of the global probability distribution on multiple independent training sub-sets and consequently the training of base learners on representatives spaces of occurrences. The second one corresponds to multi-resolution and cyclical analysis techniques; through the decomposition of endogenous variables on their time-frequency components, major insights are acquired and applied on the definition of the ensemble structure layout. The third one corresponds to Self-organized modelling algorithms, which provides of fully customized base learner's. The Autonomy feature is reached by the combination of automatic procedures in order to minimize the interaction of an expert user on the forecasting procedure. Experimental results obtained, from the application of the load forecasting strategies proposed, have demonstrated the suitability of the techniques and methodologies implemented, especially on the case of the novel ensemble learning strategy. Este trabajo de investigación propone tres aportaciones principales en el campo de la previsión de consumos: la mejora en la exactitud de la predicción, la mejora en la adaptabilidad del modelo ante diferentes escenarios de consumo y la automatización en la ejecución de los algoritmos de modelado y predicción. La mejora de precisión que ha sido introducida en la estrategia de modelado propuesta ha sido obtenida tras la implementación de algoritmos de aprendizaje supervisados pertenecientes a las siguientes familias de técnicas: aprendizaje de máquinas, inteligencia computacional, redes evolutivas, sistemas expertos y técnicas de regresión. Otras las medidas implementadas para aumentar la calidad de la predicción han sido: la minimización del error de pronóstico a través de la extracción de información basada en análisis multi-variable, la combinación de modelos expertos especializados en atributos específicos del perfil de consumo, el uso de técnicas de pre procesamiento para aumentar la precisión a través de la limpieza de variables, y por último implementación de la algoritmos de clasificación no supervisados para obtener los atributos y las clases características del consumo. La mejora en la adaptación del algoritmo de modelado se ha conseguido mediante la implementación de tres componentes al interior de la estrategia de combinación de modelos expertos. El primer componente corresponde a la implementación de técnicas de muestreo sobre cada conjunto de datos agrupados por clase; esto asegura la replicación de la distribución de probabilidad global en múltiples y estadísticamente independientes subconjuntos de entrenamiento. Estos sub conjuntos son usados para entrenar los modelos expertos que consecuentemente pasaran a formar los modelos base de la estructura jerárquica que combina los modelos expertos. El segundo componente corresponde a técnicas de análisis multi-resolución. A través de la descomposición de variables endógenas en sus componentes tiempo-frecuencia, se abstraen e implementan conocimientos importantes sobre la forma de la estructura jerárquica que adoptaran los modelos expertos. El tercero componente corresponde a los algoritmos de modelado que generan una topología interior auto organizada, que proporciona de modelo experto base completamente personalizado al perfil de consumo analizado. La mejora en la automatización se alcanza mediante la combinación de procedimientos automáticos para minimizar la interacción de un usuario experto en el procedimiento de predicción. Los resultados experimentales obtenidos, a partir de la aplicación de las estrategias de predicción de consumos propuestas, han demostrado la idoneidad de las técnicas y metodologías implementadas; sobre todo en el caso de la novedosa estrategia para la combinación de modelos expertos.

show abstract

Smart multi-model approach based on adaptive Neuro-Fuzzy Inference Systems and Genetic Algorithms

Cited by 7 publications

References 17 publications

Activity-aware HVAC power demand forecasting

Activity-aware HVAC power demand forecasting

Analysis and implementation of a methodology for optimal PMa-SynRM design taking into account performances and reliability

Adaptive load consumption modelling on the user side: contributions to load forecasting modelling based on supervised mixture of experts and genetic programming

Contact Info

Product

Resources

About