Post on 13-Feb-2015
INTELIGENCIA COMPUTACIONAL APLICADA AL DISEÑO DE ESQUEMAS HIBRIDOS DE
ENERGIA RENOVABLE
DR. NICOLAS KEMPER VALVERDEGrupo de Sistemas InteligentesCentro de Ciencias Aplicadas y
Desarrollo Tecnológicoe-mail: kemper@unam.mx
edu
ard
o.m
arti
nez
@m
x.ib
m.c
om
Nueva clase de serviciosInfraestructura instrumentada, interconectada e inteligente
Reduce el tráfico en 20% , las emisiones en 12% mientras se mejora la calidad de vida
Telecomunicaciones más inteligentesTelecomunicaciones más inteligentesTráfico más inteligenteTráfico más inteligente
Edificios más inteligentesEdificios más inteligentes
Reduce emisiones de CO2 en 10-50% y el uso de agua en 20-50%, mientras se reduce la contaminación y habilita áreas saludables
para los empleados
Redes inteligentes de energía, reduce emisiones de CO2 en 14%, en cumplimiento de normas federales , mejorando la confiabilidad del servicio y reduciendo el costo de energía a
los consumidores en 10%.
Energía más inteligenteEnergía más inteligente
Permite liberar al mercado 85% más rápidamente, reduciendo la entrega de
servicios de 10 meses a 40 días.
La complejidad sigue creciendo
Personal ineficient
e
Herramientas de
administración
aisladas
Demasiadas
bases de datos
Desborde del almacenamiento
Aplicaciones y datos aislados
Baja utilización
Planes de respaldo poco
claros
El ambiente de infraestructura es inflexible, muy caro de manejar y mantener
1. La percepción: capacidad de observar la complejidad del mundo real.
2. Razonamiento: capacidad de manipular y transformar la información sobre el mundo real.
3. Capacidad de memoria para almacenar y recuperar información.
4. Capacidad de aprendizaje para desarrollar nuevos conocimientos y habilidades, y aprender
de la experiencia
5. Capacidad de ajustar el comportamiento para adaptarse a una situación dada. Dinámica y
variedad requerida.
AUTOMATIZAR LA TOMA DE DECISIONES:
DENSIDAD DE LA INTELIGENCIA ORGANIZACIONAL
(1)Medida de la Inteligencia y Productividad Empresarial
(2)Cantidad de información y conocimiento que soporta una decisión útil, haciendo uso de un mecanismo analítico durante
un tiempo determinado
ID
Número de mecanismos que se utilizan para tomar una decisión
Tiempo empleado por un tomador de decisiones para el
análisis
=
ComportamientoComportamientonormalnormal CambioCambio DecaimientoDecaimiento
y Finy Fin
= Depósito= Depósito
= Retiro= Retiro= Transacciones con nosotros= Transacciones con nosotros
= Transacciones con competencia= Transacciones con competencia
TerminaciónTerminaciónde cuentade cuentaM
onto
Mon
to
FechaFecha
Lapso de OportunidadLapso de Oportunidad
Patrón de Comportamiento
Eslogans ...?• Sistemas inteligentes• Sistemas de conocimiento• Sistemas expertos• Reglas de negocios• Empresas inteligentes• Casas inteligentes• Organizaciones que aprenden
Niveles de Conocimiento
Abstracciónsignificado
Toma de decisión
Datos
Conocimiento
Información
Decisiones
Qué necesitamos entonces? ...
Metodologías, teorías, técnicas y sistemas computacionales
para el análisis y explotación del conocimiento
INTELIGENCIA ARTIFICIAL
Rama de las Ciencias Computacionales que estudia la conducta o también llamado Comportamiento Inteligente , con el fin de emularlo o simularlo a través de una computadora.
La meta de la IA es desarrollar sistemas y máquinas que piensen y actúen racionalmente: SISTEMAS INTELIGENTES
SISTEMA INTELIGENTE
Un Sistema Inteligente es una herramienta informática con pericia y habilidad en la solución de problemas. Esto es, un sistema que posee:
(1) conocimientos y experiencia humana suficientes acerca de un dominio particular que le permite comprender los problemas que ocurran dentro de dicho dominio y
(2) Estrategias de análisis: métodos de razonamiento y/o aprendizaje para manipular este conocimiento y resolver tales problemas en la misma forma en que lo haría el experto humano (gerente, ingeniero, operario, etc).
SISTEMA INTELIGENTE
ACCIONES(EFECTORES)
PERCEPCIONES (SENSORES)
PROCESO INTELIGENTE
•RAZONAMIENTO LOGICO
•APRENDIZAJEAMBIENTE
(MUNDO REAL)AGENTE
?
INTELIGENCIA ARTIFICIAL
Inteligencia Artificial tradicional:
Inteligencia Artificial Simbólica, Inteligencia
Artificial DeductivaInteligencia Computacional: Inteligencia Artificial sub-
simbólicaInteligencia Artificial Inductiva
INTELIGENCIA ARTIFICIAL TRADICIONAL
Análisis formal del comportamiento y razonamiento humano (toma de
decisiones):
-Sistemas Expertos-Razonamiento difuso
-Razonamiento Basado en casos-Redes Bayesianas
-IA basada en comportamientos
Juicio en fenómeno A
Juicio en fenómeno B
Juicio en fenómeno C
Análisis de situación
Reconocimiento del fenómeno
Determinación de la acción
Acción trasera
Acción delantera
Juicio finalacción
Más allá del fenómeno
Información del sensor
Cambios de los valores absolutos,
variaciones
ALTO HORNO
operador
INTELIGENCIA COMPUTACIONAL:(Inteligencia Artificial Bioinspirada)
Desarrollo, Adaptación y Aprendizaje:
-Redes neuronales-Computación Evolutiva
-Lógica Difusa-Inteligencia de enjambres
-Sistemas inmunes
Inspiración biológica
“Entender el cerebro y emular su potencia”
• Cerebro:– Gran velocidad de proceso– Tratamiento de grandes cantidades de
información procedentes de:• Los sentidos
• Memoria almacenada
– Capacidad de tratar situaciones nuevas– Capacidad de aprendizaje
Cerebro Humano
• 1011 Neuronas (procesadores)
• Poder desconocido
• 1000 – 10000 conexiones por neurona
Inspiración biológica
• Neuronas:– Árbol dendrítico de entradas
– Un axón de salida
– Sobre de104 sinapsis
– Comunicación mediante Potenciales de Acción (PA)
– Periodo refractario de 10-3 segundos entre PAs
Inspiración biológica
Inspiración biológica• Características SNC:
– Inclinación a adquirir conocimiento desde la experiencia
– Conocimiento almacenado en conexiones sinápticas
– Gran plasticidad neuronal
– Comportamiento altamente no-lineal
– Alta tolerancia a fallos (muerte neuronal)
– Apto para reconocimiento, percepción y control
Modelado Neuronal
• Una red neuronal artificial (RNA) es un sistema de procesamiento de información que tiene ciertas aptitudes en común con las redes neuronales biológicas:– El procesamiento de información ocurre en muchos elementos
simples llamados neuronas.
– Las señales son transferidas entre neuronas a través de enlaces de conexión.
– Cada conexión tiene un peso asociado, el cual, típicamente, multiplica a la señal transmitida.
– Cada neurona aplica una función de activación (usualmente no lineal) a su entrada de red (suma de entradas pesadas) para determinar su salida.
Laurene Fausett
Modelado Neuronal
• Neurona Artificial:– Grupo de entradas (x)
– Pesos sinápticos (w)
– Función suma (net)
– Función de activación (act)
– Una única salida (y)
– Funcionamiento en modo aprendizaje o ejecución
Modelo de una Neurona
Modelado Neuronal
• Neurona Natural vs. Artificial:– Neurona = Unidad de proceso
– Conexiones sinápticas = Conexiones Pesadas
– Efectividad sináptica = Peso sináptico
– Exitatorio/Inhibitorio = 1 ó 0
– Efecto combinado de sinapsis = Función suma
– Activación-> Ratio disparo = Función activación -> salida
Modelado Neuronal
• Aprendizaje:– Estimulación de la RN por el entorno– Cambios en la RN debido a estimulación– Nueva forma de responder debido a cambios de
la estructura interna de la RN
Modelado Neuronal
• Paradigmas de aprendizaje:– Aprendizaje Supervizado– Aprendizaje por Reforzamiento– Aprendizaje Auto-organizado (No Supervizado)– Precalculado o prefijado
Modelado Neuronal
– Generalización
– Estructura altamente paralela
– No linealidad
– Mapeo de Entrada-Salida
– Adaptabilidad
– Respuesta graduada
– Información Contextual
– Tolerancia a fallos
– Implementación VLSI
– Uniformidad en el Análisis y Diseño
– Analogía Neurobiológica
Propiedades y CapacidadesPropiedades y Capacidades
Modelado Neuronal
• Algoritmos de aprendizaje más comunes:– Perceptrón multicapa o Backpropagation
(BPN)• Aprendizajes supervizados bajo corrección de
error
– Mapas Auto-organizados (SOM)• Aprendizajes competitivo no supervizados
– Extractores de características (GHA ó ICA)• Aprendizajes hebbianos no supervizados
¿Qué es un AG?
• Los AG son métodos de resolución de problemas de búsqueda y optimización.
• Son una clase particular de algoritmos evolutivos.
• Su característica principal es que se basan en técnicas inspiradas en la evolución biológica.
¿Qué es un AG?• Se aplican sobre una población representada de forma
abstracta como cromosomas, que son la codificación de soluciones candidatas a un problema.
• La evolución comienza desde una población aleatoria
• En cada generación, la selección natural elegirá que individuos son aptos, reproduciéndolos, modificándolos y mutándolos para la siguiente generación.
Estrategia de un Algoritmo Genético
Problema Solución Complejo óptima
Población de soluciones
mutaciones
bajo ritmo cruzamiento frecuencia alta
selección natural
ruleta
Buena
Los algoritmos genéticos son potentes
• AGs trabajan con una parametrización del problema
• AGs usan una función premio• AGs usan reglas de transición probabilísticas
¿Cómo funcionan?
• Para resolver un problema usando AG necesitamos:– Representar soluciones.
• Tradicionalmente una cadena de bits.
– Medir la calidad de cada solución con respecto al problema a resolver.• Se usa una función de selección.
Representación de los genes
1 0 1 1 0 0 1 0
A C C T G C A G G
•En la naturaleza:
Un valor numérico (178) expresado en binario
•En un algoritmo genético (ejemplos):
Una secuencia de nucleótidos
Analogía entre AGs y Genética Biológica
La variable (individuo) La variable (individuo) nnestá está formada por uno o varios formada por uno o varios
parámetros.parámetros.
21121, f
La función de reproducción es La función de reproducción es la función mediante la cual se la función mediante la cual se
obtiene la descendenciaobtiene la descendencia..
Población
Piscina de apar eamient o
S elección de los padr es
Repr oducción
Descendencia
N ueva Población
c d
3 m… 1 2
N…
,
h
b
,
,
1 2
a b, , c d,
a
b, a
=
3 4 N… 1 2
h
C ro m o so m a
G en es
nnnn
mmm
aqaqaqbqbqb
11
1
11
1
. . .. . .
Cruzamiento
1 0 1 1 0 0 1 0
0 0 1 1 1 0 0 1
1 0 0 1 00 0 1
1 0 1 1 1 0 0 1
Gen AGen B
Gen AB
Gen BA
1. Se decide con alguna probabilidad si se aplica la cruza o no.
2. De aplicarse se selecciona con alguna probabilidad la posición del arreglo donde
se aplica.
Mutación
1 0 1 1 0 0 1 0
1 0 1 1 1 0 1 0
1. Se decide con alguna probabilidad si se aplica la mutación o no.
2. De aplicarse se selecciona con alguna probabilidad el bit (o item del arreglo) a
mutar.
3. De no ser un bit (que sería negado) se elije con alguna probabilidad en que muta.
P o b lac ió n
P ad res
M ás ap to s M en o s ap to s
S e lecc ió n
4 0 %
Creando una nueva Generación
padre1)α(padre2padre1hijo1
ónperturbacihijohijo
P o b lac ió n
H ijo s
M ás ap to s M en o s ap to s
R ein se rc ió n
Población inicial
Fuentes de incertidumbre• Confiabilidad de la información• Ambigüedad del lenguaje natural• Aleatoriedad• Información incompleta• Imprecisión• Inexactitud• Precisión de la representación • Declaración en conflicto
© INFORM 1990-1998 Slide 48
“Fiebre alta”
40.1°C40.1°C
42°C42°C
41.4°C41.4°C
39.3°C39.3°C
38.7°C38.7°C
37.2°C37.2°C
38°C38°C
40.1°C40.1°C
42°C42°C
41.4°C41.4°C
39.3°C39.3°C
38.7°C
37.2°C
38°C
““Mas o menos en lugar de uno u otro” !Mas o menos en lugar de uno u otro” ! “Fiebre alta”
Conjuntos convencionales
Conjuntos difusos
CONJUNTOS DIFUSOS
R azon am ien to E xac to
M an ip u lac ion s im b o lica
C las ico
R azon am ien to A p roxim ad o
M an ip u lac ion s im b o lica y ca lcu los n u m ericos
D ifu so
L og ica
P rob ab ilid adC u an tos e lem en tos?
C ard in a l
P os ib ilid adD on d e es tan las fron te ras
L og ica d ifu sa
Razonamiento difuso
• El razonamiento cotidiano es de naturaleza aproximada.
• Ejemplos:• Encontrar un lugar donde estacionar tu carro.• Localización de una llamada telefónica.• Escoger cual ruta debes tomar para llegar a tu
destino lo mas pronto posible.• Cruzar la calle.• Alto, caluroso, lejos, grande, pesado, etc.
Modelado y diseño de una planta de producción de vapor solar,
Estimación del factor de intercepción de un colector cilindro-parabólicos y la relación de concentración
local,
Estimación de la radiación solar
Estimación de las cargas de calentamiento de edificios, para la predicción de los flujos de aire en una habitación de prueba con ventilación natural
Predicción del consumo de energía de un edificio solar pasivo.
APLICACIONES
Modelado y diseño de una planta de producción de vapor solar,
Modelado y diseño de una planta de producción de vapor solar,
SISTEMA INTELIGENTE PARA EL DISEÑO Y EVALUACION DE
ESQUEMAS HIBRIDOS DE ENERGIA RENOVABLE PARA SATISFACER EL
CONSUMO DE ENERGIA EN CONJUNTOS HABITACIONALES.
SECTORIAL CONACYT CONAVISECTORIAL CONACYT CONAVI
•Seleccionar la ciudad donde se edificará el edificio o conjunto habitacional•Estimar la radiación solar global para la ciudad seleccionada•Determinar las demandas de energía eléctrica y térmica del conjunto habitacional•Determinar el área de azotea disponible neto para instalar el esquema híbrido de energía renovable•Determinar el área de los arreglos de calentadores solares al 100%•Determinar el área de los arreglos de paneles fotovoltaicos al 100%•Calcular el ahorro económico por el ahorro de energía al hacer uso de calentadores solares•Calcular el ahorro económico por el ahorro de energía al hacer uso de paneles fotovoltaicos•Calcular el ahorro económico por emisiones de gases de invernadero evitadas al hacer uso de calentadores solares•Calcular el ahorro económico por emisiones de gases de invernadero evitadas al hacer uso de paneles fotovoltaicos•Optimización de las áreas de calentadores solares y áreas de paneles fotovoltaicos•Determinar la proporción de satisfacción de la demanda eléctrica y térmica del edificio.
Proceso GeneralProceso General
Prototipo de un inversor de corriente de 500 watts a 127 volts
Figura 18.0: Componentes del prototipo del inversor de 500 watts y 127 volts
Figura 20.0: Modulo electrónico para el monitoreo de la generación fotovoltaica.
COMPUTADOR INTELIGENTE PARA LA ELABORACIÓN DE MEZCLAS DE BIO-KEROSENO PARAFÍNICO SINTETIZADO Y TURBOSINA: BIOTURBOSINA
PATROCINADOR: FONDO SECTORIAL ASA-CONACYT
Desarrollo de un computador inteligente que permita contabilizar de forma automática y adecuadamente, los flujos de Bio-KPS y turbosina para la generación de bioturbosina de acuerdo al último estándar de calidad ASTM D 7566-11 y que permita además el monitoreo y control del proceso de mezclado y la evaluación permanente de la calidad de la bioturbosina después de realizada dicha mezcla en el tanque de almacenamiento.
Este computador inteligente va a garantizar alta precisión en la medición de los flujos que integran la bioturbosina, en el control del inventario de Bio-KPS y turbonsina, el aseguramiento de la calidad del producto final y exactitud en la medición del flujo de salida de la Bioturbosina
COMPUTADOR INTELIGENTE PARA LA ELABORACIÓN DE MEZCLAS DE BIO-KEROSENO PARAFÍNICO SINTETIZADO Y
TURBOSINA: BIOTURBOSINA
SISTEMA INTELIGENTE PARA LA GESTION DELA EFICIENCIA ENERGETICA EN EDIFICIOS
Diseñar y desarrollar un Sistema Inteligente para la gestión de la Eficiencia Energética en edificios en la ciudad de México, que permita monitorear, analizar y controlar en línea las principales áreas de consumo de energía eléctrica de los edificios como iluminación, aire acondicionado, etc.
Esta herramienta proporcionará información sobre el consumo global del edificio, de cada área de consumo y por espacios, de este modo se espera llevar a cabo un consumo energético más eficiente, tanto desde el punto de vista económico como medio ambiental.
MUCHAS GRACIAS
NICOLAS KEMPER VALVERDE
Grupo de Sistemas InteligentesCENTRO DE CIENCIAS APLICADAS Y
DESARROLLO TECNOLOGICOe-mail: kemper@unam.mx