Vous êtes sur la page 1sur 6

III.

3 Modlisation dinductance non linaire par ANFIS


La courbe de magntisation est parmi les proprits physiques les plus fondamentales du
matriau ferromagntique. Cette courbe est complique par la relation non linaire entre le champ
magntique H et l'induction magntique B cause de la saturation. Dans la littrature [50], [51],
[52], plusieurs mthodes mathmatiques ont t labores pour reprsenter les caractristiques de la
courbe de la magntisation (approximation par srie de Fourier ou approximation par fonction
rationnelle). Afin de modliser la courbe de magntisation B(H) correspondant au matriau
ferromagntique utilis pour la fabrication du transformateur, nous prsentons une mthode de
modlisation neuro-floue de cette courbe, en tenant compte des phnomnes de saturation. Cette
mthode est base sur lutilisation du systme d'infrence adaptatif neuro-flou (ANFIS). Cela
conduit dvelopper un nouveau modle d'inductance non linaire partir de la courbe de
magntisation B(H). Lavantage de ce modle est dviter lintroduction point par point des valeurs
de (i) dduites des valeurs de la courbe de magntisation B-H. En plus, le processus
dimplantation de ce modle en utilisant loutil MATLAB-SIMULINK devient trs facile.

III.3.1 ANFIS structure


Le modle ANFIS, connu sous le nom de rseau adaptatif base de systme dinfrence floue
est considr comme un approximateur universel, qui incorpore le concept de la logique floue dans
les rseaux de neurones, ce qui permet de tirer des avantages, principalement, des capacits
dapprentissage des rseaux de neurones, et de la lisibilit et la souplesse de la logique floue. Il a t
largement utilis dans beaucoup dapplications (KISI , TUTMEZ). Cette technique a t dveloppe
par Jang dans les annes 1990 [53]-[54]. Son systme d'infrence correspond un ensemble de
rgles floues si-alors de Takagi et Sugeno qui ont la capacit d'apprendre se rapprocher des
fonctions non linaires. Pour utiliser ANFIS d'une manire plus efficace et optimale, on peut utiliser
les meilleurs paramtres obtenus par l'algorithme gntique (pour plus de dtail voir annexe B).
La structure ANFIS est constitue de cinq couches comme le montre la figure III.6, chacune
comportant plusieurs nuds. Les nuds carrs contiennent des paramtres, alors que les nuds
circulaires nont pas de paramtres dans le systme Pour simplifier la comprhension, nous
considrons un systme deux entres x et y et une sortie f. Une description dtaille de la
technique ANFIS peut tre trouve dans la littrature (Jang & Sun, 1995) [53] et [54].
couche 1 couche 4
couche 2 couche 3

A1
x y
couche 5
x w1 1 1
N
A2
f
B1 2
N
y w2 Sommation
2
(sortie)
B2 Normalisation
Rgles floues x y
Fuzzification Dfuzzification

Figure III.6: Architecture du modle ANFIS

III.3.2 Marche suivre par ANFIS


Dans ce chapitre, un modle ANFIS avec une entre et une sortie sur la base de rseau neuronal
et logique floue a t dvelopp pour modliser l'inductance non linaire partir de la courbe de
magntisation B (H).
Le modle ANFIS pour linductance non linaire a t dvelopp selon les tapes suivantes:
Etape 1: dfinir les donnes d'entre et de sortie utiliss pour lentrainement dANFIS.
tape 2: trouver partition floue de donnes d'entre par ANFIS;
tape 3: tester les donnes d'entre/sortie via le rseau neuronal.
La figure III.7 montre lorganigramme de la marche suivre pour modliser l'inductance non
linaire par ANFIS. Les rsultats sont analyss et discuts ci dessous.
Dbut

Charger les donnes

Gnrer le modle FIS initiale:


Choisir le nombre et le type de fonctions
dappartenance pour lentre

Entrainer le modle FIS:


Choisir la mthode pour loptimisation du modle
FIS (mthode hybride)
Dfinir nombre d'poques et erreur de tolrance
Non

Entranement termin?

oui
Rsultats obtenus

fin

Figure III.7: Marche suivre par ANFIS

III.3.3 Slection de donnes d'entre/sortie


Le processus de modlisation utilis par ANFIS commence par l'obtention d'un ensemble de
donnes (paires de donnes d'entres-sorties). Il sagit dun ensemble de donnes de mesure Hn et
Bn (n = 1, 2, 3 ... ..N = 100) de ce transformateur spcial. Les donnes sont regroupes en tant que
matrice de deux colonnes et les donnes de sortie (H) sont dans la dernire colonne. Les donnes
utilises dans lentrainement de ANFIS sont donns dans lannexe C.

III.3.4 Gnration du modle FIS initiale


Avant de commencer lentrainement de ANFIS, nous gnrons le modle de FIS initiale en
dfinissant le nombre et le type de fonctions d'appartenance pour l'entre. Deux techniques de
partitionnement sont utiliss par ANFIS pour gnrer le modle de la FIS initiale [55], [56]:
Grid partition: Gnre une sortie unique de type Sugeno FIS en utilisant la grille de
partitionnement des donnes.
regroupement soustractive: gnre un modle initial pour lentrainement dANFIS en appliquant
d'abord le regroupement soustractive sur les donnes.
Dans cette tude, nous avons choisi la mthode de partition Grid partition pour dfinir la
partition logique floue de donnes d'entre. LANFIS fournit 8 types de fonction d'appartenance, y
compris la fonction triangulaire d'adhsion, la fonction d'appartenance gaussienne, etc. La fonction
gaussienne a t juge apte pour la prsente tude, car elle est plus adapte avec le comportement de
modlisation [57], [58]. Les fonctions d'appartenance pour l'entre, qui sont tires par la mthode
ANFIS, sont prsentes dans la figure III.8.

Figure III.8: Les fonctions d'appartenance de donne d'entre (B)

III.3.5 Entranement du rseau ANFIS aprs apprentissage


Aprs le chargement des donnes dentrainement et la gnration de la structure de la FIS
initiale, nous pouvons commencer lentranement du rseau ANFIS. ANFIS fournit deux
algorithmes d'apprentissage, y compris lalgorithme de rtro propagation ou lalgorithme hybride.
Dans cette tude, les donnes d'entre/sortie sont entraines par un algorithme hybride en utilisant
300 Nombre d'itrations (poques) avec une erreur (tolrance) de 0,005. La figure III.9 montre la
courbe d'erreur d'entranement.
Figure III.9: Entranement du rseau neuro-flou (avec un nombre ditration de 300)
Une fois que ANFIS est train, nous pouvons tester le systme vis--vis les diffrents et
ensembles de valeurs de donnes pour vrifier la fonctionnalit du systme propos. Les figures
III.10 et III.11 prsentent les rsultats obtenus par ANFIS. La structure du contrleur ANFIS est
reprsente sur la figure III.10, il est constitu de 6 rgles. La surface gnre par ANFIS est
montre sue la figure III.11.

Figure III.10: Structure neuronale du modle Figure III.11: Surface gnre par ANFIS
propos sous MATLAB
Aprs avoir train et testee le modle Fis, nous pouvons le prendre directement pour le tester
dans un environnement de simulation. Un schma de Simulink pour inductance non linaire est
reprsent dans la figure suivante. Il contient un bloc Simulink appel Fuzzy Logic controller qui
implmente un systme d'infrence floue (FIS) dans Simulink, un intgrateur pour dduire le flux
partir de la tension et une source de courant impos. Ce schma est valable pour toute inductance
non linaire.

Entre +
V 1/S x B H I
- x S
Intgrateur Sortie
Mesure de la Division Produit
tension Contrleur logique -
n2.S ln2 floue source de
courant

Figure III.12: Schma quivalent dune inductance non linaire