ENSIT & UVT Mohamed KOUISSI MP IASRIA2

TP1
Dans le contexte d’application du résultat de cette classification sur des
données réelles collectées de mon milieu professionnel (Société Tunisienne de
l’Electricité et du Gaz/ District Sbeïtla). J’ai préparé une base de données sur les
demandes d’électrification et raccordement au réseau STEG du mois d’Aout
2022. Pour la classification de ces données, nous avons donné un taux de
faisabilité de ces demandes.

Date Nombre des abonnées

01/08/2022 16
02/08/2022 12
03/08/2022 20
04/08/2022 10
05/08/2022 14
06/08/2022 0
07/08/2022 0
08/08/2022 15
09/08/2022 11
10/08/2022 17
11/08/2022 12
12/08/2022 10
13/08/2022 0
14/08/2022 0
15/08/2022 14
16/08/2022 13
17/08/2022 19
18/08/2022 6
19/08/2022 2
20/08/2022 0
21/08/2022 0
22/08/2022 10
23/08/2022 15
24/08/2022 11
25/08/2022 13
26/08/2022 9
27/08/2022 0
28/08/2022 0
29/08/2022 17
30/08/2022 8
31/08/2022 22
ENSIT & UVT Mohamed KOUISSI MP IASRIA2

On peut classer les demandes en deux classes :

Classe 1 pour les demandes faisables et classe 2 pour les autres.
import numpy as np
import matplotlib.pyplot as plt

x=[ 9, 6, 10, 19,11,

7,26,15,7,11,100,17,22,30,95,15,11,2,6,10,32,7,4,120,26,22,13,6,6,9,2]
u=[[0.6,0.4,0.7,0.3,0.4,0.6,0.6,0.4,0.7,0.3,0.4,0.6,0.6,0.4,0.7,0.3,0.4,0.6,0.
6,0.4,0.7,0.3,0.4,0.6,0.6,0.4,0.7,0.3,0.4,0.6,0.6],
[0.4,0.6,0.3,0.7,0.6,0.4,0.4,0.6,0.3,0.7,0.6,0.4,0.4,0.6,0.3,0
.7,0.6,0.4,0.4,0.6,0.3,0.7,0.6,0.4,0.4,0.6,0.3,0.7,0.6,0.4,0.4]]
c=2
nmax=10
JJ=[]
for m in range(0,nmax):
v=[]
for i in range(0,c):
a=0
b=0
for k in range(0,31) :
a=a+(x[k]*(u[i][k]**2))
b=b+(u[i][k]**2)

v.append(a/b)
#print(v)
d=np.empty([2, 31])
for i in range(0,2):
for k in range (0,31):
d[i][k]=abs(x[k]-v[i])
#print(d)

for i in range(0,c) :
for k in range(0,31) :
s=0
for j in range(0,2):
s=s+((d[i][k]/d[j][k])**2)
u[i][k]= 1/s
#print(u)
J=[0]
for i in range(0,c):
for k in range(0,31):
J=J+(u[i][k]**2)*((x[k]-v[i])**2)
JJ.append(J)
risque=u[0]
day=[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,2
8,29,30,31]
plt.plot(day,risque)
ENSIT & UVT Mohamed KOUISSI MP IASRIA2
plt.xticks(day)
plt.show()
print("res du jour1",u[0][10],"est de classe2 ",u[1][10])

Après l’exécution du programme on obtient la figure suivante qui

présente le taux de faisabilité des demandes d’électrification.

Conclusion
Comme montre ce TP l’utilisation de classification par la logique floue
aide nous de valoriser les données et de l’interpréter plus facilement.