CH690638A5 - Dispositif de commande de tension et de puissance réactive d'un système produisant de l'électricité. - Google Patents
Dispositif de commande de tension et de puissance réactive d'un système produisant de l'électricité. Download PDFInfo
- Publication number
- CH690638A5 CH690638A5 CH00837/00A CH8370093A CH690638A5 CH 690638 A5 CH690638 A5 CH 690638A5 CH 00837/00 A CH00837/00 A CH 00837/00A CH 8370093 A CH8370093 A CH 8370093A CH 690638 A5 CH690638 A5 CH 690638A5
- Authority
- CH
- Switzerland
- Prior art keywords
- neural network
- electricity
- reactive power
- voltage
- learning
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/30—Reactive power compensation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
Description
CH 690 638 A5
Description
La présente invention concerne un dispositif de commande de tension et de puissance réactive du système produisant de l'électricité, utilisant un algorithme d'apprentissage pour commander d'une ma-5 nière optimale un objet commandé dont les caractéristiques sont difficiles à identifier.
Description de l'art antérieur:
Les figs. 1(a) et 1(b) sont des organigrammes d'algorithmes d'apprentissage adoptés par le réseau 10 conventionnel qui est décrit, par exemple, dans un article écrit par R. J. Williams et col., intitulé «A Leaming Algorithm for Continually Running Fully Recurrent Neural Networks» paru dans Neural Computation Vol. 1, N° 2, 1989.
L'algorithme d'apprentissage est mis en oeuvre comme suit. Comme représenté sur la fig. 1(a), l'algorithme d'apprentissage commence avec une étape ST1 à laquelle des valeurs cible ck(t) sont introduites 15 comme valeurs de sortie yk(t) destinées à être sorties par un réseau neuronal pour des entrées fournies au réseau neuronal, où k est le nombre d'éléments neuronaux constituant le réseau neuronal.
On passe ensuite à une étape ST2 pour trouver les erreurs ek(t), qui sont les différences entre les valeurs cible dk(t) et les valeurs de sortie réelles yi<(t) effectivement produites par le réseau neuronal lorsque certaines entrées sont fournies au réseau neuronal.
20 Ensuite, on passe à une étape ST3 pour trouver la valeur d'une fonction d'évaluation J(t) conforme à l'équation (1) qui exprime la fonction d'évaluation J(t) en tant que somme des carrés des erreurs ek(t) comme suit:
25
35
45
50
55
J(t) = 12 {(ek(t))2} (1)
2 1
Ensuite, on passe à l'étape ST4 pour comparer la valeur de la fonction d'évaluation J{t) à une valeur prédéterminée s fixée, par avance. Si à l'étape ST4 il est trouvé que la valeur de la fonction d'évalua-30 tion J(t) est inférieure à la valeur prédéterminée e, le processus d'apprentissage est arrêté. Par contre, s'il est trouvé à l'étape ST4 que la valeur de la fonction d'évaluation J(t) est supérieure à la valeur prédéterminée e, le processus continue jusqu'aux étapes ST5 et ST6 pour modifier les poids de la connectivité parmi les éléments neuronaux i (ou les coefficients de connectivité Wij entre les éléments neuronaux i et les entrées j), conformément à l'équation 2 donnée ci-après
Wij (t) = Wij (t) + AWij (t) (2)
dans laquelle AWij(t) sont des quantités de correction dépendantes du temps pour les coefficients de 40 connectivité wij. Les quantités de correction AWij(t) dépendantes du temps sont trouvées en utilisant la méthode de la descente la plus raide, illustrée sur les figs. 1(b) et 8(a), conformément aux équations suivantes
AWij<t) = a 2 ek(t)p\<t) (3)
k É vi pkij(t+i) = f'C&Ct)) [2 WuP'iXt) + S ; k Z j( t ) ] (4)
i ç. «
Pkij< to) = 0 (5)
1 si i = k
Si„ = { (6)
0 dans les autres cas dans lesquelles:
60 f est une fonction de transfert des éléments neuronaux,
pky est une fonction auxiliaire exprimée par l'équation (4) utilisée pour simplifier les équations, Zk représente les entrées fournies aux éléments neuronaux et Sk est une somme des entrées pondérées.
Les poids de la connectivité sont modifiés de manière à ce que la valeur de la fonction d'évaluation 65 J(t) devienne plus petite que la valeur prédéterminée e.
2
5
10
15
20
25
30
35
40
45
50
55
60
65
CH 690 638 A5
On revient ensuite à l'étape ST2, en passant par l'étape de calcul ST3, l'étape de comparaison ST4 et les étapes de modification ST5 et ST6. Cette boucle est répétée jusqu'à ce que la valeur de la fonction d'évaluation J(t) devienne plus petite que la valeur prédéterminée e, au quel cas le processus d'apprentissage est arrêté.
La fig. 2 est un schéma de la configuration de la commande conventionnelle de tension et de puissance réactive du système produisant de l'électricité. La référence 1 sur la figure est un système produisant de l'électricité à commander. La référence 2 indique un simulateur à neuro-système, également dénommé simulateur à réseau neuronal du système produisant de l'électricité. Le simulateur à neurosystème 2 est un réseau neuronal qui a terminé une première phase d'apprentissage, par avance, si bien que ses relations entrée/sortie correspondent à celles du système produisant de l'électricité 1, servant d'objet de commande. La référence 3 est un appareil de commande VQ pour commander le mouvement ascendant et descendant d'une prise utilisée dans un transformateur à commutateur à prises, en fonction de la magnitude de la charge de celui-ci, conformément au schéma de commande représenté sur la fig. 4 ou mettant en service/en coupant un condensateur capacitif - réacteur shunt. L'appareil de commande VQ 3 est également connu sous la dénomination de commande de tension et de puissance réactive. La référence 4 indique un neuroVQC, un réseau neuronal qui a terminé la première phase d'apprentissage, par avance, de sorte que ses relations entrée/sortie correspondent à celles de l'appareil de commande VQ 3. Le neuroVQC 4 est également connu sous le nom de commande de tension et de puissance réactive à réseau neuronal.
La fig. 3 montre une configuration typique du simulateur à neuro-système 2 et du neuroVQC 4 à une seconde phase d'apprentissage. A la seconde phase d'apprentissage, les entrées/sorties du neuroVQC 4 sont connectées aux entrées/sorties du simulateur à neuro-système 2 comme représenté sur la figure. A la seconde phase d'apprentissage, le réseau neuronal du neuroVQC 4 reçoit l'instruction d'effectuer un processus d'apprentissage pour que les sorties du simulateur à neuro-système 2 correspondent aux entrées du neuroVQC 4.
Maintenant, on va expliquer le principe de fonctionnement de la commande de tension et de puissance réactive du système produisant de l'électricité.
Tout d'abord, les premières phases d'apprentissage sont menées à terme, par avance, par le réseau neuronal du simulateur à neuro-système 2, de sorte que ses relations entrée/sortie correspondent à celles du système produisant de l'électricité 1 et par le réseau neuronal du neuroVQC 4, de sorte que ses relations entrée/sortie correspondent à celles de l'appareil de commande VQ 3 à chaque point sur l'axe de temps. Le neuro-système 2 et le neuroVQC 4 sont réalisés pour fournir aux premières étapes de l'apprentissage des caractéristiques équivalentes respectivement à celles du système produisant de l'électricité 1 et de l'appareil de commande VQ 3.
L'information entrée/sortie du système produisant de l'électricité 1 tel que la position verticale de la prise et celle concernant les états ON/OFF du Se obtenues à la première phase d'apprentissage ne concerne pas seulement son propre système produisant de l'électricité 1, mais comprend également les données obtenues à partir de centrales électriques situées sur d'autres sites par, entre autres moyens, des connections de câbles ou similaire.
Ensuite, la seconde phase d'apprentissage est exécutée en connectant les entrées/sorties du neuroVQC 4 aux entrées/sorties du simulateur à neuro-système 2 comme représenté sur la figure. Comme décrit précédemment, le réseau neuronal du neuroVQC 4 reçoit l'instruction de subir le second processus d'apprentissage pour que les sorties du simulateur à neuro-système 2 correspondent aux entrées du neuroVQC 4.
Finalement, l'opération de commande proprement dite dans laquelle le neuroVQC 4 commande le système produisant de l'électricité 1 est basée sur les résultats des première et seconde phases d'apprentissage.
L'algorithme d'apprentissage du réseau neuronal conventionnel est utilisé de la manière décrite ci-dessus. Dans ces conditions, dans un processus d'apprentissage des caractéristiques dynamiques d'un objet de commande ou d'une commande, les valeurs cible peuvent changer brutalement. Dans ce cas, des problèmes se posent parce que, entre autres, il faut beaucoup de temps pour mener à terme le processus d'apprentissage. Ceci parce qu'avec l'algorithme d'apprentissage conventionnel, les poids de la connectivité parmi les éléments neuronaux sont changés en considérant uniquement les erreurs entre les valeurs de sortie du réseau neuronal et les valeurs cible.
En plus, la commande conventionnelle de tension et de puissance réactive du système produisant de l'électricité a une configuration décrite ci-dessus. Dans une telle configuration, pour effectuer une première phase d'apprentissage l'information entrée/sortie de centrales électriques situées sur d'autres sites doit être transmise à sa propre centrale électrique par des câbles ou similaire. Il s'ensuit inévitablement les problèmes que l'installation des câbles et similaire est peu commode et qu'il faut beaucoup de temps pour que le réseau neuronal mène à terme un processus d'apprentissage, pour n'en mentionner que quelques uns.
Compte tenu de ce qui précède, un objet de la présente invention est de fournir un algorithme d'apprentissage pour un réseau neuronal qui permet de mener à terme le processus d'apprentissage de celui-ci plus rapidement, même lorsque les valeurs cible changent brutalement.
Un autre objet de la présente invention est de fournir une commande de tension et de puissance
3
5
10
15
20
25
30
35
40
45
50
55
60
65
CH 690 638 A5
réactive du système produisant de l'électricité qui puisse obtenir une information entrée/sortie à partir de centrales électriques situées sur d'autres sites à des fins d'apprentissage, sans câbles ou similaire,
Un autre objet de la présente invention est de fournir une commande de tension et de puissance réactive du système produisant de l'électricité qui puisse ajuster les caractéristiques d'une commande de tension et de puissance réactive à réseau neuronal à des valeurs optimales pour les caractéristiques d'un système produisant de l'électricité commandée, sans interrompre la commande du système produisant de l'électricité, même si les caractéristiques du système produisant de l'électricité changent.
Selon le premier aspect de la présente invention, pour atteindre les objectifs susmentionnés, on fournit un algorithme d'apprentissage pour un réseau neuronal, grâce auquel on détermine d'abord les erreurs entre les valeurs de sortie du réseau neuronal et les valeurs cible, puis on calcule une somme des carrés des erreurs et les carrés des changements d'erreurs, et finalement on modifie les poids de la connectivité parmi les éléments neuronaux du réseau neuronal dans une direction pour diminuer la somme uniquement s'il est trouvé que la somme est supérieure à une valeur prédéterminée.
Selon le second aspect de la présente invention, on fournit un algorithme d'apprentissage pour un réseau neuronal, avec lequel on détermine d'abord les erreurs entre les valeurs de sortie du réseau neuronal et les valeurs cible, puis on calcule une somme des carrés des erreurs et finalement on modifie les poids de la connectivité parmi les éléments neuronaux du réseau neuronal en utilisant une technique de recherche du premier ordre dans une direction pour diminuer la somme uniquement s'il est trouvé que la somme est supérieure à une valeur prédéterminée.
Selon le troisième aspect de la présente invention, on fournit une commande de tension et de puissance réactive du système produisant de l'électricité, dans laquelle un réseau neuronal d'un simulateur à réseau neuronal du système produisant de l'électricité apprend les relations entrée/sortie des systèmes produisant de l'électricité autres que sa propre centrale électrique à partir de données estimées sur la base de la puissance réactive passant dans le primaire du transformateur et des relations entrée/sortie de sa propre centrale électrique, par avance, durant un processus d'apprentissage des relations entrée/sortie du système produisant de l'électricité.
Selon le quatrième aspect de la présente invention, on fournit une commande de tension et de puissance réactive du système produisant de l'électricité équipée d'une unité d'évaluation du réapprentissage, dans laquelle la commande du système produisant de l'électricité est commutée d'une commande de tension et de puissance réactive à réseau neuronal sur une commande de tension et de puissance réactive et sur une commande de tension et de puissance réactive à réseau neuronal prévues pour l'apprentissage et sur un simulateur à réseau neuronal du système produisant de l'électricité également prévu pour l'apprentissage, ainsi que pour apprendre les nouvelles relations entrée/sortie du système produisant de l'électricité et enregistrer les résultats de l'apprentissage respectivement dans la commande de tension et de puissance réactive à réseau neuronal et dans le simulateur à réseau neuronal du système produisant de l'électricité en cas de détection d'erreur entre les relations entrée/sortie du simulateur à réseau neuronal du système produisant de l'électricité et les relations entrée/sortie du système produisant de l'électricité.
Comme mentionné ci-dessus, le nombre d'itérations requises dans le processus d'apprentissage peut être diminué avec l'algorithme d'apprentissage pour un réseau neuronal utilisé conformément au premier aspect de la présente invention, car on détermine d'abord les erreurs entre les valeurs de sortie du réseau neuronal et les valeurs cible, puis on calcule une somme des carrés des erreurs et les carrés des changements d'erreur, et finalement on modifie les poids de la connectivité parmi les éléments neuronaux du réseau neuronal dans une direction pour diminuer la somme uniquement s'il est trouvé que la somme est supérieure à une valeur prédéterminée.
En outre, le nombre d'itérations requises dans le processus d'apprentissage peut être diminué avec l'algorithme d'apprentissage pour un réseau neuronal réalisé conformément au second aspect de la présente invention, car on détermine d'abord les erreurs entre les valeurs de sortie du réseau neuronal et les valeurs cible, puis on calcule une somme des carrés des erreurs et finalement on modifie les poids de la connectivité parmi les éléments neuronaux du réseau neuronal en utilisant la technique de recherche du premier ordre dans une direction pour diminuer la somme uniquement s'il est trouvé que la somme est supérieure à une valeur prédéterminée.
En plus, il n'est pas nécessaire d'installer des câbles ou similaire, car dans la commande de tension et de puissance réactive du système produisant de l'électricité mise en œuvre selon le troisième aspect de la présente invention, le réseau neuronal du simulateur à réseau neuronal du système produisant de l'électricité apprend les relations entrée/sortie des systèmes produisant de l'électricité autres que sa propre centrale électrique à partir de données estimées sur la base de la puissance réactive passant dans le primaire de transformateur et des relations entrée/sortie de sa propre centrale électrique, par avance, durant un processus d'apprentissage des relations entrée/sortie des systèmes produisant de l'électricité.
En outre, les caractéristiques de la commande de tension et de puissance réactive à réseau neuronal peuvent être ajustées aux valeurs qui sont optimales pour les caractéristiques du système produisant de l'électricité, sans interrompre la commande du système produisant de l'électricité même lorsque les caractéristiques du système produisant de l'électricité changent, car la commande de tension et de puissance réactive du système produisant de l'électricité réalisée selon un quatrième aspect de la présente invention est équipée d'une unité d'évaluation du réapprentissage, permettant à la commande du
4
5
10
15
20
25
30
35
40
45
50
55
60
65
CH 690 638 A5
système produisant de l'électricité de commuter de la commande de tension et de puissance réactive à réseau neuronal sur la commande de tension et de puissance réactive et sur la commande de tension et de puissance réactive à réseau neuronal prévues pour l'apprentissage et sur le simulateur à réseau neuronal du système produisant de l'électricité également prévu pour l'apprentissage, ainsi que pour apprendre de nouvelles relation entrée/sortie du système produisant de l'électricité et enregistrer les résultats de l'apprentissage respectivement dans la commande de tension et de puissance réactive à réseau neuronal et dans le simulateur à réseau neuronal du système produisant de l'électricité, en cas de détection d'erreur entre les relations entrée/sortie du simulateur à réseau neuronal du système produisant de l'électricité et les relations entrée/sortie du système produisant de l'électricité.
Les objets et traits caractéristiques nouveaux ci-dessus de la présente invention, ainsi que d'autres, apparaîtront plus clairement grâce à la description détaillée qui suit, lorsque celle-ci est prise en connexion avec les dessins en annexe. Il est toutefois bien entendu que les dessins ne sont donnés qu'à des fins d'illustration et qu'ils ne sont pas destinés à définir les limites de la présente invention.
Brève description des dessins:
Fig. 1(a) est un organigramme d'un algorithme d'apprentissage utilisé dans le réseau neuronal conventionnel;
fig. 1(b) est un organigramme montrant plus en détail une étape ST5 de l'organigramme représenté sur la fig. 1(a);
fig. 2 est un diagramme montrant la configuration d'une commande conventionnelle de tension et de puissance réactive du système produisant de l'électricité;
fig. 3 montre une configuration typique d'un simulateur à neuro-système 2 et d'un neuroVQC 4 à une seconde phase d'apprentissage;
fig. 4 est un diagramme conceptuel montrant un algorithme opérationnel d'une commande de tension et de puissance réactive;
fig. 5(a) est un organigramme d'un algorithme d'apprentissage utilisé dans un réseau neuronal adopté dans une forme d'exécution réalisée conformément à un premier aspect de la présente invention;
fig. 5(b) est un organigramme montrant plus en détail une étape ST5 de l'organigramme représenté sur la fig. 5(a);
fig. 6 est un diagramme conceptuel décrivant une fonction d'évaluation;
fig. 7 est un organigramme d'apprentissage utilisé pour modifier les poids de la connectivité parmi les éléments neuronaux utilisés dans un réseau neuronal adopté dans une forme d'exécution réalisée conformément à un second aspect de la présente invention;
fig. 8 est un diagramme conceptuel décrivant une méthode de la descente la plus raide et une technique de gradient optimum;
fig. 9 est un diagramme montrant la configuration d'une commande de tension et de puissance réactive du système produisant de l'électricité réalisée selon un troisième aspect de la présente invention;
fig. 10 montre une configuration typique d'un simulateur à neuro-système 5 et d'un neuroVQC 4 à une seconde phase d'apprentissage;
fig. 11 est un diagramme systématique montrant une alimentation en courant 1;
fig. 12 est un diagramme montrant les données estimées des relations entrée/sortie d'une centrale électrique située sur un autre site;
fig. 13 est un graphique montrant un processus d'estimation d'une opération de prise de courant effectuée par une centrale électrique située sur un autre site;
fig. 14 est un diagramme montrant la configuration d'une commande de tension et de puissance réactive du système produisant de l'électricité réalisée selon un quatrième aspect de la présente invention; fig. 15 est un graphique montrant les changements typiques de consommation de puissance; fig. 16 est un graphique montrant une portion de données d'apprentissage;
fig. 17 est un diagramme graphique montrant l'extrapolation d'un motif d'apprentissage existant; fig. 18 est un diagramme montrant des changements typiques des caractéristiques du système; et fig. 19 est un diagramme montrant la configuration d'un réseau neuronal du type connu sous la désignation de réseau neuronal récurrent.
Description détaillée des formes d'exécution préférées
On va décrire maintenant les formes d'exécution préférées de la présente invention en se reportant aux dessins en annexe. Les descriptions des parties composantes communes sont omises ici pour éviter des répétitions inutiles.
Première forme d'exécution
On va décrire maintenant une première forme d'exécution de la présente invention en se reportant aux diagrammes en annexe.
La fig. 5(a) est un organigramme d'un algorithme d'apprentissage utilisé dans un réseau neuronal
5
5
10
15
20
25
30
35
40
45
50
55
60
65
CH 690 638 A5
adopté dans une première forme d'exécution conforme à un premier aspect de la présente invention, alors que la fig. 5(b) est un organigramme montrant d'une manière plus détaillée une étape ST5 de l'organigramme représenté sur la fig. 5(a). Sur la figure, les mêmes notations que celles de la fig. 1 sont utilisée pour désigner les mêmes parties composantes ou des parties composantes équivalentes.
Ensuite, on décrit les opérations des organigrammes.
La comparaison de l'organigramme représenté sur la fig. 5(a) et de celui de la fig. 1(a) met en relief la différence entre l'étape ST11 du premier et l'étape ST3 du second. Les deux étapes diffèrent l'une de l'autre par le fait que les équations utilisées pour calculer la fonction d'évaluation J(t) sont différentes. La formule utilisée à l'étape ST11 est donnée par les équations (7) à (9) comme suit:
J(t) def 1 2 {(ek(t))2 + y(Aek(t))2} (7)
2 t1 »
dk(t) - yk(t) si kET(t)
ek(t) def { (8) 0 dans les autres cas dans lesquelles:
y est une constante supérieure à zéro et
T(t) est un nombre fixé d'éléments neuronaux pour lesquels existent des valeurs cible.
Aek(t) = ek(t) - ek(t-l) (9)
En comparant les équations (1) et (7), on trouve qu'elles sont différentes l'une de l'autre, en ce que les valeurs carrées {Aek(t)}2 des changements des erreurs sont ajoutées au côté droit de l'équation (7).
De cette manière, les changements des erreurs sont pris en compte dans les poids modifiant la connectivité parmi les éléments neuronaux ou coefficient de connectivité wy entre les éléments neuronaux i et les entrées j aux étapes ST5 et ST6. Dans ces conditions, on peut obtenir l'information de savoir si les changements des erreurs causés par des poids modifiés de la connectivité sont modifiés dans une direction croissante ou décroissante. On peut ainsi trouver les quantités appropriées pour la correction AWij(t). Il s'ensuit que l'algorithme d'apprentissage peut être réalisé avec un temps plus court requis pour mener à terme le processus d'apprentissage qu'avec l'algorithme conventionnel.
Les quantités appropriées pour la correction Awy(t) sont données par les équations (10) à (13) comme suit:
AWiKt) = a2{ek(t) + Aek(t)} pkiXt) (10)
k £ u pkjj(14* 1 ) = f'(Sk(t))[2 WuP'.Ct) +
t e »
pkij{to) = 0
1 lorsque i = k
S = {
0 dans les autres cas
SikZiCt)] (11)
(12)
(13)
dans lesquelles:
f est une fonction de transfert des éléments neuronaux,
pkij est une fonction auxiliaire exprimée par l'équation (11) pour simplifier les équations,
Zk est une entrée fournie aux éléments neuronaux et Sk est une somme d'entrées pondérées.
Il est à noter que dans le cas d'une fonction d'évaluation J(t) prenant en considération les changements des erreurs en attribuant à y la valeur 1, le temps nécessaire pour mener à terme le processus d'apprentissage est diminué à un quart de celui requis pour une fonction d'évaluation J(t) qui ne prend pas en compte les changements en erreurs en attribuant à y la valeur 0, à condition que les autres conditions soient les mêmes.
Seconde forme d'exécution:
La fig. 7 est un organigramme d'un algorithme d'apprentissage utilisé pour modifier les poids de la
6
5
10
15
20
25
30
35
40
45
50
55
60
65
CH 690 638 A5
connectivité parmi les éléments neuronaux utilisés dans un réseau neuronal adopté dans une seconde forme d'exécution réalisée conformément à un second aspect de la présente invention.
La mise en œuvre de l'algorithme d'apprentissage est décrite ci-après.
La différence entre la présente invention et la précédente est l'algorithme utilisé pour modifier les poids de la connectivité parmi les éléments neuronaux Wij(t). Pour être plus précis, dans l'invention précédente, les quantités pour la correction Awy(t) ont été trouvées conformément à un organigramme de la fig. 1(b) en utilisant la méthode de la descente la plus raide illustrée sur la fig. 8(a). Les quantités pour la correction AWij(t) sont alors utilisées pour corriger les poids de la connectivité wij(t) aux étapes ST5 et ST6 de l'organigramme représenté sur la fig. 1(a). D'autre part, dans le cas de la présente invention, les quantités pour la correction AWij(t) sont trouvées conformément à un organigramme de la fig. 7 en utilisant une technique de recherche du premier ordre telle que la technique du gradient optimum représentée sur la fig. 8(b) qui est également connue en tant que technique d'interpolation du second ordre. Les quantités pour la correction AWij(t) sont alors utilisées pour corriger les poids de la connectivité Wij(t).
La technique du gradient optimum est caractérisée par le fait que le processus d'apprentissage peut être géré avec moins d'interactions pour trouver une fonction cible. Dans cette forme d'exécution, cette technique est utilisée pour trouver la valeur de a apparaissant sur le côté droit de l'équation 3 qui optimise la fonction d'évaluation J(t).
Lorsqu'on se reporte à la fig. 7, l'algorithme d'apprentissage est expliqué comme suit:
1. Si H(1) > H(0), trouver H(a) en donnant à a une série de valeurs commençant par 1/2 à 1/4 — etc., jusqu'à ce que H(a) < H(0). Ensuite, fixer a = 0, b = a et c = 2a.
Il est à noter que les coefficients modifiés de connectivité parmi les éléments neuronaux wij(n+1) et la fonction d'évaluation H(a) sont définis respectivement par les équations (14) et (15) comme suit:
Wi/n+i) = WiKn) + aAWij (14)
H(a) = J(w,j : Wij + aAWij) (15)
2. Si H(1) < H(0), trouver a, b et c qui satisfont à H(b) < H(c). En d'autres mots, augmenter continuellement la valeur de a jusqu'à ce que H(a) devienne plus grand que le H(a) immédiatement avant. Ensuite, enregistrer les valeurs de a, b et c pour lesquelles H(c), le H(a) en cours, est supérieur à H(b), le H(a) immédiatement avant.
3. Calculer ae conformément à l'équation (16) donnée comme suit:
cte = _i_ H(a)(c2-b2)+H(b)(a2-c2)->-H(c)(b2-a2) (16)
2 H(a)(c-b)+H(bXa-c)+H(cXb-a)
4. Si H(ae) < H(b), utiliser ae comme un a optimum trouvé. Autrement, utiliser b comme un a optimum trouvé.
La valeur de oc trouvée de la manière décrite ci-dessus est introduite dans l'équation (3) pour calculer les quantités de correction Awy(t) et modifier les poids de la connectivité parmi les éléments neuronaux.
Avec l'algorithme d'apprentissage décrit ci-dessus, le temps requis pour effectuer le processus d'apprentissage peut être diminué à 1/3 de celui de la méthode conventionnelle de descente la plus raide.
Troisième forme d'exécution:
La fig. 9 est un diagramme montrant la configuration d'une commande de tension et de puissance réactive du système produisant de l'électricité réalisée conformément au troisième aspect de la présente invention. Sur la figure, les mêmes notations sont utilisées que celles utilisées précédemment pour indiquer les mêmes composants ou des composants équivalents et aucune description n'en sera faite.
La référence 5 de la figure est un simulateur à réseau neuronal, également connu sous la désignation de simulateur à réseau neuronal du système produisant de l'électricité qui apprend les relations entrée/sortie des systèmes produisant de l'électricité autres que sa propre centrale électrique à partir de données estimées sur la base de la puissance réactive passant dans le primaire de transformateur Qi et des relations entrée/sortie (condenseur de puissance Se) de sa propre centrale électrique pendant un processus d'apprentissage des relations entrée/sortie d'un système produisant de l'électricité 1, par avance.
Ensuite, le principe de fonctionnement de la commande de tension et de puissance réactive du système produisant de l'électricité est décrit comme suit.
Lorsque le simulateur à réseau neuronal 5 apprend, par avance, les relations entrée/sortie du système produisant de l'électricité 1, l'information sur sa propre centrale électrique telle que les tensions de primaire et de secondaire de transformateur Vi et V2, les puissances actives passant dans le primaire
7
5
10
15
20
25
30
35
40
45
50
55
60
65
CH 690 638 A5
et le secondaire de transformateur Pi et P2, les puissances réactives passant dans le primaire et le secondaire de transformateur Qi et Q2, un appareil commutateur à prises chargé (prise de courant) et le condensateur de puissance (Se) peuvent être obtenus avec facilité, car ces éléments d'information sont des données locales comme représenté sur la fig. 11. Dans cette commande de tension et de puissance réactive du système produisant de l'électricité, ces éléments d'information sont utilisés pour estimer les relations entrée/sortie d'une centrale électrique située sur un autre site (ou le condensateur Se de l'autre site qui est appelé ici pour simplifier «autre Se») afin d'éliminer des circuits encombrants, l'installation de câbles et similaire.
Si on fait une description plus détaillée, la puissance réactive passant dans le primaire de transformateur Qi de sa propre centrale électrique, qui peut être obtenue localement sur son propre site, est le reflet, entre autres, des opérations de toutes les centrales électriques, y compris sa propre centrale. Dans ces conditions, la différence entre la puissance réactive passant dans le primaire de transformateur Qi et la valeur du condensateur de puissance Se de sa propre centrale électrique est le reflet des variations de puissance réactive de centrales électriques autres que la sienne.
Les facteurs de variation de la puissance réactive des centrales électriques autres que la sienne = Qi + Se.
En d'autres termes, le fait d'incorporer un condensateur de puissance dans sa propre centrale électrique diminue la puissance réactive passant par le primaire de transformateur Qi par la puissance réactive pour l'incorporation du condensateur de puissance Se. En éliminant les éléments stationnaires correspondant aux variations de puissance réactive consommée par la charge, par exemple, on peut obtenir l'autre Se pour l'opération de commande des centrales électriques autres que la sienne. Il est à noter que par «éléments à l'état stationnaire» on entend les éléments avec un degré de variation plus bas. En réalité toutefois, les éléments sont éliminés par un filtre ou similaire, car les variations d'état stationnaire provoquées, entre autres, par la puissance consommée, existent effectivement (voir fig. 12).
Dans une seconde phase d'apprentissage où le simulateur à réseau neuronal 5 est connecté à un neuroVQC 4, l'autre Se pour l'opération de commande de centrales électriques autres que la sienne est fixé à zéro. Dans ces conditions, le simulateur à réseau neuronal 5 peut apprendre uniquement les effets fournis par sa propre centrale électrique.
Une technique typique pour estimer une opération de prise de courant d'une centrale électrique située sur un autre site est décrite comme suit. La fig. 13 est un diagramme montrant un procédé d'estimation d'une opération de prise de courant effectuée par une centrale électrique située sur un autre site. Sur la figure, on a porté les points représentant les relations des valeurs des tensions de primaire et de secondaire de transformateur Vi et V2 à différents temps. La figure montre que la courbe résultante n'est pas continue en certains points et que les pentes de la courbe ne forment pas une ligne continue en certains points. Les premières discontinuités sont provoquées par le condensateur de puissance Se de sa propre centrale électrique ou un autre condensateur de puissance Se d'une autre centrale électrique, cependant que les secondes discontinuités sont dues à une opération de prise de courant à sa propre centrale électrique ou à une autre centrale électrique.
On peut obtenir les informations sur l'opération de prise de courant de sa propre centrale électrique. En effet, lorsque la prise de courant de sa propre centrale électrique n'est pas réalisée, les secondes discontinuités peuvent être utilisées pour estimer une opération de prise de courant d'une centrale électrique située sur un autre site, en admettant que la prise de courant de sa propre centrale électrique a été réalisée.
Quatrième forme d'exécution:
Le diagramme de la fig. 14 montre la configuration d'une commande de tension et de puissance réactive du système produisant de l'électricité réalisée conformément à un quatrième aspect de la présente invention. La référence 11 représentée sur la figure est une unité d'évaluation du réapprentissage utilisée dans une commande de tension et de puissance réactive du système produisant de l'électricité, où la commande d'une centrale électrique 1 est commutée d'un neuroVQC 4 sur un appareil de commande VQ 3 et sur un neuroVQC 12 prévus pour l'apprentissage et sur un simulateur à neuro-système 13 également prévu pour l'apprentissage, ainsi que pour apprendre les relations nouvelles entrée/sortie du système produisant de l'électricité 1 et enregistrer les résultats de l'apprentissage dans le neuroVQC 4 et dans un simulateur à neuro-système 2 en cas de détection d'erreur entre les relations entrée/sortie du simulateur à neuro-système 2 et les relations entré/sortie du système produisant de l'électricité 1. La référence 14 est une unité de stockage pour conserver les relations entrée/sortie du système produisant de l'électricité 1.
Ensuite, on va expliquer le principe de fonctionnement.
Lorsqu'on met effectivement en opération la commande de tension et de puissance réactive du système produisant de l'électricité, le simulateur à neuro-système 2 et le neuroVQC 4 subissent d'abord un processus d'apprentissage à la centrale électrique et ensuite les opérations du système produisant de l'électricité 1 sont entrées comme information entrée/sortie.
La fig. 15 montre un exemple d'une demande en courant. Pour une telle demande en courant, les éléments d'information tels que les tensions de primaire et de secondaire de transformateur Vi et V2,
8
5
10
15
20
25
30
35
40
45
50
55
60
65
CH 690 638 A5
les puissances actives passant dans le primaire et le secondaire de transformateur Pi et P2 et les puissances réactives passant dans le primaire et le secondaire de transformateur Qi et Q2 sont échantillonnés successivement avec une période d'échantillonnage typique de 10 secondes, comme représenté sur la figure. Les éléments d'information échantillonnés pour une période allant de plusieurs minutes à plusieurs dizaines de minutes sont appris comme un motif.
Ensuite, le neuroVQC 4 commande le système produisant de l'électricité 1 en utilisant les résultats de l'apprentissage comme base. Cependant, les caractéristiques du système produisant de l'électricité 1 durant la période d'apprentissage peuvent différer de ses caractéristiques réelles. Par conséquent, l'unité d'évaluation du réapprentissage 11 entre les sorties du simulateur à neuro-système 2 et celles du système produisant de l'électricité 1 pour détecter une quelconque erreur, un désaccord entre les sorties.
Si une erreur est détectée, l'unité d'évaluation du réapprentissage 11 décide qu'il est nécessaire que le simulateur à neuro-système 2 et le neuroVQC subissent un processus de réapprentissage.
Lorsqu'il est décidé qu'un processus de réapprentissage est nécessaire, l'unité d'évaluation du réapprentissage 11 commute d'une manière temporaire la commande du système produisant de l'électricité 1 du neuroVQC 4 sur l'appareil de commande VQ 3, parce que l'erreur détectée indique que le réseau neuronal du neuroVQC 4 n'est pas ajusté à un état optimum.
Comme l'informations la plus récente sur les relations entrée/sortie du système produisant de l'électricité 1 est enregistrée dans l'unité de stockage 14, l'unité d'évaluation du réapprentissage 11 demande au simulateur à neuro-système 13 utilisé à des fins d'apprentissage et au neuroVQC 12 également utilisé à des fins d'apprentissage de subir un processus de réapprentissage sur la base de l'information la plus récente.
En réponse à la demande faite par l'unité d'évaluation du réapprentissage 11, le simulateur à neurosystème 13 et le neuroVQC 12 effectuent le processus de réapprentissage. A la fin du processus de réapprentissage, le simulateur à neuro-système 13 en apprentissage et le neuroVQC 12 en apprentissage copient les résultats respectivement dans le simulateur à neuro-système 2 et dans le neuroVQC 4. Une série d'opérations dans le processus d'apprentissage est finalement effectuée en retournant la commande du système produisant de l'électricité 1, de l'appareil de commande VQ 3, sur le neuroVQC 4.
Comme mentionné ci-dessus, l'algorithme d'apprentissage pour un réseau neuronal utilisé conformément au premier aspect de la présente invention a pour effet de permettre au processus d'apprentissage d'être mené à terme en une courte durée de temps, même si les valeurs cible sont changées brutalement, car avec cet algorithme d'apprentissage on trouve d'abord les erreurs entre les valeurs de sortie du réseau neuronal et les valeurs cible, puis on calcule une somme des carrés des erreurs et les carrés des changements d'erreur et finalement on modifie les poids de la connectivité parmi les éléments neuronaux du réseau neuronal dans une direction pour diminuer la somme uniquement s'il est trouvé que la somme est supérieure à une valeur prédéterminée.
En outre, l'algorithme d'apprentissage pour un réseau neuronal utilisé conformément au second aspect de la présente invention permet au processus d'apprentissage d'être mené à terme en une durée de temps courte même lorsque les valeurs cible changent brutalement, car avec cet algorithme, on détermine d'abord les erreurs entre les valeurs de sortie du réseau neuronal et les valeurs cible, puis on calcule une somme des carrés des erreurs et finalement on modifie les poids de la connectivité parmi les éléments neuronaux du réseau neuronal en utilisant la technique de recherche du premier ordre dans une direction pour diminuer la somme uniquement s'il est trouvé que la somme est supérieure à une valeur prédéterminée.
En plus, la commande de tension et de puissance réactive du système produisant de l'électricité a pour effet de permettre d'obtenir et d'apprendre l'information sur les relations entrée/sortie de centrales électriques situées sur d'autres sites sans qu'il soit nécessaire d'installer des câbles ou similaire, car dans la commande de tension et de puissance réactive du système produisant de l'électricité réalisée selon le troisième aspect de la présente invention, le réseau neuronal du simulateur à réseau neuronal du système produisant de l'électricité apprend les relations entrée/sortie des systèmes produisant de l'électricité autres que sa propre centrale électrique à partir de données estimées sur la base de la puissance réactive passant dans le primaire du transformateur et des relations entrée/sortie de sa propre centrale électrique, par avance, pendant un processus d'apprentissage des relations entrée/sortie des systèmes produisant de l'électricité.
En outre, la commande de tension et de puissance réactive du système produisant de l'électricité a pour effet de permettre aux caractéristiques de la commande de tension et de puissance réactive à réseau neuronal d'être ajustées à des valeurs qui sont optimales pour les caractéristiques du système produisant de l'électricité, sans interruption de la commande du système produisant de l'électricité même si les caractéristiques du système produisant de l'électricité changent, car la commande de tension et de puissance réactive du système produisant de l'électricité, réalisée selon la quatrième forme d'exécution de la présente invention est équipée d'une unité d'évaluation du réapprentissage, permettant que la commande d'un système produisant de l'électricité soit commutée de la commande de tension et de puissance réactive à réseau neuronal sur la commande de tension et de puissance réactive et sur la commande de tension et de puissance réactive à réseau neuronal prévues pour l'apprentis9
5
10
15
20
25
30
35
40
45
50
55
60
65
CH 690 638 A5
sage et sur le simulateur à réseau neuronal du système produisant de l'électricité également prévu pour l'apprentissage, ainsi que pour apprendre les nouvelles relations entrée/sortie du système produisant de l'électricité et enregistrer les résultats de l'apprentissage respectivement dans la commande de tension et de puissance réactive à réseau neuronal et dans le simulateur à réseau neuronal du système produisant de l'électricité en cas de détection d'erreur entre les relations entrée/sortie du simulateur à réseau neuronal du système produisant de l'électricité et les relations entrée/sortie du système produisant de l'électricité.
Claims (1)
- Revendication1. Dispositif de commande de tension et de puissance réactive d'un système produisant de l'électricité, comprenant: une commande de tension et de puissance réactive à réseau neuronal comprenant un réseau neuronal apte à effectuer, par avance, un processus d'apprentissage consistant à faire correspondre les relations entrée/sortie de celui-ci aux relations entrée/sortie d'une commande de tension et de puissance réactive, et un simulateur à réseau neuronal du système produisant de l'électricité comprenant un réseau neuronal apte à effectuer, par avance, un processus d'apprentissage consistant à faire correspondre les relations entrée/sortie de celui-ci aux relations entrée/sortie d'un système produisant de l'électricité en cours de commande, où lesdites sorties de ladite commande de tension et de puissance réactive à réseau neuronal sont connectées aux entrées dudit simulateur à réseau neuronal du système produisant de l'électricité et où ladite commande de tension et de puissance réactive à réseau neuronal est apte à utiliser les résultats d'un processus de réapprentissage pour faire correspondre les entrées de ladite commande de tension et de puissance réactive à réseau neuronal aux sorties dudit simulateur à réseau neuronal du système produisant de l'électricité pour la commande dudit système, ladite commande de tension et de puissance réactive du système produisant de l'électricité comprenant une unité d'évaluation du réapprentissage, permettant à la commande dudit système produisant de l'électricité de commuter de ladite commande de tension et de puissance réactive à réseau neuronal sur ladite commande de tension et de puissance réactive du système produisant de l'électricité et sur une commande de tension et de puissance réactive à réseau neuronal prévues pour des opérations d'apprentissage et sur un simulateur à réseau neuronal du système produisant de l'électricité également prévu pour des opérations d'apprentissage ainsi que pour apprendre de nouvelles relations entrée/sortie dudit système produisant de l'électricité et enregistrer les résultats de l'apprentissage respectivement dans ladite commande de tension et de puissance réactive et ledit simulateur à réseau neuronal du système produisant de l'électricité en cas de détection d'erreurs entre les relations entrée/sortie dudit simulateur à réseau neuronal du système produisant de l'électricité et les relations entrée/sortie dudit système produisant de l'électricité.10
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4209535A JPH0635888A (ja) | 1992-07-15 | 1992-07-15 | 神経回路網の学習方法及びその学習方法を用いた電力系統電圧・無効電力制御装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CH690638A5 true CH690638A5 (fr) | 2000-11-15 |
Family
ID=16574413
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CH00837/00A CH690638A5 (fr) | 1992-07-15 | 1993-07-14 | Dispositif de commande de tension et de puissance réactive d'un système produisant de l'électricité. |
| CH02125/93A CH690637A5 (fr) | 1992-07-15 | 1993-07-14 | Dispositif de commande de tension et de puissance réactive d'un système produisant de l'électricité. |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CH02125/93A CH690637A5 (fr) | 1992-07-15 | 1993-07-14 | Dispositif de commande de tension et de puissance réactive d'un système produisant de l'électricité. |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JPH0635888A (fr) |
| CH (2) | CH690638A5 (fr) |
| DE (1) | DE4323432C2 (fr) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AT512672A2 (de) * | 2012-04-02 | 2013-10-15 | Siemens Ag Oesterreich | Verfahren zur Bestimmung von Messstellen in Niederspannungsnetzen und Netzmanagementsubsystem zur Durchführung des Verfahrens |
| FR3006818B1 (fr) * | 2013-06-11 | 2016-11-04 | Electricite De France | Procede d'optimisation du positionnement de capteurs de tension dans un reseau de distribution hta |
| US11144788B2 (en) | 2018-12-04 | 2021-10-12 | Here Global B.V. | Method and apparatus for providing a low-power perception architecture |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04114263A (ja) * | 1990-09-04 | 1992-04-15 | Matsushita Electric Ind Co Ltd | 学習機械 |
| JP3221497B2 (ja) * | 1991-06-20 | 2001-10-22 | 三菱電機株式会社 | 制御方法およびその制御方法を用いた電力系統電圧−無効電力制御装置 |
-
1992
- 1992-07-15 JP JP4209535A patent/JPH0635888A/ja active Pending
-
1993
- 1993-07-13 DE DE4323432A patent/DE4323432C2/de not_active Expired - Fee Related
- 1993-07-14 CH CH00837/00A patent/CH690638A5/fr not_active IP Right Cessation
- 1993-07-14 CH CH02125/93A patent/CH690637A5/fr not_active IP Right Cessation
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0635888A (ja) | 1994-02-10 |
| CH690637A5 (fr) | 2000-11-15 |
| DE4323432A1 (de) | 1994-01-20 |
| DE4323432C2 (de) | 1997-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| FR3060887B1 (fr) | Systeme adapte pour la recharge de vehicules electriques | |
| EP1400886A1 (fr) | Circuit de conditionnement pour une source de puissance au point de puissance maximum, générateur solaire et procédé de conditionnement | |
| FR2658930A1 (fr) | Optimisation de la distribution de puissance reactive dans un reseau d'electricite industriel. | |
| FR2824229A1 (fr) | Circuit d'allumage de lampe a decharge, notamment pour lampe d'automobile | |
| EP4157723B1 (fr) | Procédé d'ajustement de trajectoire orbitale de satellite | |
| FR3116929A1 (fr) | Méthode d’apprentissage d’un réseau de neurones pour le rendre robuste aux attaques par exemples contradictoires | |
| EP3287795A1 (fr) | Determination de la frequence d'un signal alternatif | |
| EP3649728A1 (fr) | Convertisseur muni d'un module de gestion de l'energie en partie alternative | |
| CH690638A5 (fr) | Dispositif de commande de tension et de puissance réactive d'un système produisant de l'électricité. | |
| FR2498848A1 (fr) | Procede pour affaiblir un signal numerique et dispositif pour l'execution de ce procede | |
| EP2963611A1 (fr) | Procédé de contrôle de la puissance électrique délivrée sur un réseau électrique par au moins deux sources d'énergie électrique et système électrique associé | |
| WO2017093420A1 (fr) | Procede et dispositif de detection d'un arc electrique dans une installation photovoltaïque | |
| EP0731554A1 (fr) | Dispositif électronique de conversion de l'énergie électrique | |
| EP0715400B1 (fr) | Dispositif de régulation désensibilisée de la tension statorique d'un alternateur | |
| EP3070505B1 (fr) | Procede et systeme de mise au point automatique d'une camera | |
| FR3038153A1 (fr) | Procede de gestion de la production d'energie d'un systeme energetique et dispositif gestionnaire associe | |
| WO2021063725A1 (fr) | Procédé d'estimation de la résistance d'isolement d'un circuit haute tension d'un véhicule automobile électrique ou hybride | |
| FR2799085A1 (fr) | Methode et dispositif d'egalisation avec reglage du gain pour canaux de donnees d'unite de stockage a acces direct | |
| EP0656596B1 (fr) | Contrôleur à logique floue | |
| EP3971788A1 (fr) | Multiplieur par décalages multiplexés et addition, calculateur électronique de mise en oeuvre d'un réseau de neurones et procédé d'apprentissage associés | |
| FR3072516B1 (fr) | Dispositif de charge d'une batterie d'accumulation electrique | |
| WO2018024977A1 (fr) | Procede de controle d'un convertisseur modulaire multi-niveaux | |
| EP3073376A2 (fr) | Procédé de séquencement de commandes d'exécution, procédé d'exécution, programme d'ordinateur et circuit intégré | |
| FR3116671A1 (fr) | Procédé et dispositif de prédiction de capacités de raccordement d’un réseau de distribution électrique | |
| EP4175160A1 (fr) | Optimisation de l'utilisation d'un groupe électrogène |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PL | Patent ceased |