MOVIMENTO DEI SISTEMI LINEARI - didattica e... · 2020-05-25 · per descrivere la dinamica di un...
Transcript of MOVIMENTO DEI SISTEMI LINEARI - didattica e... · 2020-05-25 · per descrivere la dinamica di un...
117
PREVISIONE
Sono analoghi a quelli di simulazione tranne che per l'uso
dell'informazione:
- si utilizzano tutte le informazioni disponibili (ingressi) fino all'istante t e si calcola il passo/i passi successivi con il modello,
- si aggiorna l'informazione disponibile con nuovi dati e si procede.
Funzionano tanto meglio quanto più l'inerzia del sistema è
elevata (conta molto lo stato iniziale).
Si assume di solito che il sistema reale sia composto da
due parti:
componente deterministica + componente stocastica
Esempio: temperatura T del giorno t+1
T (t+1) = T + Tsen(2/365(t+1)) + T(t) + t
componente deterministica componente stocastica
media + variazione annuale giorno prec. + errore
E’ inutile cercare di prevedere la componente
deterministica. Quindi si opera su valori depurati di questa
componente.
T*(t+1) = T (t+1) – [T + Tsen(2/365(t+1))] = *T*(t) + t
118
previsore z -1
ritardo unitario
Per calcolare la previsione, si può tener conto solo delle
informazioni note (es. T(t) temperatura del giorno
corrente) e, se nota, della distribuzione di probabilità
dell’errore t.
Un caso già visto: ricostruttore dello stato (uscita)
Si usano le informazioni note (y(t) e u(t)) e si prevede
l’uscita all’istante t+1.
Lo schema può essere usato anche su sistemi non lineari,
linearizzando il sistema a ogni passo e ricalcolando la
matrice L ogni volta (in questo caso quindi la matrice
cambia con t).
sistema reale
iI due
metodi
portano,
asintotic
amente
allo
119
Componente stocastica e rischio
Se si conosce la distribuzione di probabilità dell’errore t si
può operare nel modo seguente:
- si calcola con il modello il valore atteso dell’uscita sulla base
dell’informazione corrente It
- si somma a questo la distribuzione dell’errore
- si ottiene così la distribuzione di probabilità della variabile prevista.
In questo modo è possibile calcolare la probabilità di qualsiasi valore o il rischio di superare un certo limite (es. di legge).
Come valutare la distribuzione dell’errore
Sui dati di taratura, si valuta t = misurat - previsionet
e si controlla poi che questa serie abbia media nulla,
distribuzione gaussiana, correlazione nulla con se stessa
e le altre variabili (cioè sia un rumore bianco).
120
Modello ARMA o ARX (descrizione esterna)
Un sistema dinamico lineare (es. discreto) può anche essere
descritto attraverso le sole grandezze misurabili all’esterno:
ingresso u(t) e uscita y(t) (caso di sistema 1_ingresso 1_uscita).
Es:
1 2
2 1
1
( 1) ( )
( 1) ( ) ( )
( ) ( )
x t x t
x t x t u t
y t x t
Sostituendo:
2 1( 1) ( ) ( ( 1) ( 1)) ( 1) ( 1)y t x t x t u t ay t bu t
In generale:
1 2 1 2
parte autoregressiva AR parte a media mobile(moving average) MA
( 1) ( ) ( 1) .... ( ) ( 1)y t a y t a y t b u t b u t
N.B. la parte MA è detta a volte “esogena” (eXogenous)
N.B. a1,a2,…,an sono i coefficienti del polinomio caratteristico.
Nel continuo:
1 1 1
1 2 1 21 1 1.... ....
n n n n n
n n n n n
d y d y d y d u d ua a b b
dt dt dt dt dt
121
Esempio
Esempio
u = forza
y = posizione
1modello ARMA
m y Ky H y u
H Ky y y u
m m m
Conigliera y(t) = n° coppie conigli
Supponiamo u(t) = 0 e y(0) = 1 y(1) = 1
y(t+2) = y(t+1) + y(t) (1,1,2,3,5,8,13,...)
modello AR(2) (= due termini autoregressivi)
122
I modelli ARMA sono spesso utili per effettuare previsioni su
sistemi complessi. In tali casi i parametri ai e bi vanno poi stimati
a partire dai dati.
Esempio
1 2
( ) ( ) ritardo piena di n ore
( ) ( 1) ( 2) .... ( )n
y t n u t
y t n b u t n b u t n b u t
La portata all’uscita è una media pesata della portata all’ingresso.
1 2
( ) ( 1) ipotesi di congelamento
( ) 2 ( 1) ( 2)
( ) ( 1) ( 2) .... ( )n
y t n y t n
y t n y t n y t n
y t n a y t n a y t n a y t
Modello più complesso
1 1( ) ( 1) .... ( ) ( 1) .... ( )n ny t n a y t n a y t bu t n b u t
u(t) portata nella sezione 1
all’ora t
y(t) portata nella sezione 2
all’ora t
Estrapolatore del 1° ordine AR(1)
Estrapolatore di ordine n AR(n)
AR(1)
AR(2)
ARMA(n,n)
123
A volte i modelli ARMA vengono detti a “scatola nera” (black box)
perché sono strutture matematiche che vengono a priori scelte
per descrivere la dinamica di un sistema complesso.
Modelli matematici che vengono scelti con alcune motivazioni
fisiche (analogia, meccanica di funzionamento, ipotesi di
comportamento,…) sono invece chiamati a “scatola grigia”.
Spesso, tuttavia, le due classi di modelli coincidono e cioè le
ipotesi fatte non sono assolutamente essenziali.
Esempio
In molti casi gli ingressi sono più di uno.
Es. pi(t) pioggia misurata al pluviometro i
q(t+1)=q(t) + 1p1(t)+2p1(t-1)+…+1p2(t)+2p2(t-1)+..+1p3(t)+…
u(t) = pioggia
y(t) = portata
Il modello di Nash interpreta il
bacino come una sequenza di n
serbatoi, ma essendo lineare, può
essere scritto anch’esso come un
modello ARMA.
e quindi il modello di Nash
corrisponde al più generale
modello ARMA
124
Taratura dei previsori
I previsori sono di solito tarati con il consueto criterio dei
minimi quadrati. E’ chiaro che, in questo caso, i valori della
variabile yt compaiono sfalsati tanto nella matrice M dei
dati, tanto nel vettore y dei risultati.
stima a lotti
stima ricorsiva (la stima è aggiornata
all’arrivo di un nuovo dato)
previsore
sistema
Il vettore dei parametri
viene stimato in tempo reale fino alla convergenza
I due metodi di stima portano, asintoticamente, allo stesso risultato.
ESEMPIO: modello con 2 ingressi SISTEMA y
u
w
125
PREVISIONE - CASO DI STUDIO:
Qualità dell’aria a Milano
Vedi: Finzi, Fronza, Spirito, Multivariate stochastic models of sulphur dioxide pollution in an urban area , APCA Journal , 30: 1212-1215, 1980
La previsione è diffusa ogni giorno t per quello successive (t+1) e
si riferisce ai valori previsti dalle normative (ad esempio, media
delle 24 ore, valore massimo, massima media su 8 ore,…).
La previsione può riguardare diversi inquinanti (es. PM10 in
inverno, O3 in estate). Qui trattiamo il caso di inquinanti primari
(niente reazioni chimiche) e deposizione umida (pioggia)
trascurabile.
N.B. Il danno dipende dalle reazioni individuali all’informazione
fornita (allarme) e la reazione può dipendere a sua volta dalla
bontà delle previsioni precedenti (falsi o mancati allarmi).
condizioni meteorologiche stazioni
meteo
emissioni
inquinamento, e.g. SO2
misure qualità aria
previsione
allarme reazioni
individuali
esposizione sistema
respiratorio
DANNO
126
isola di calore
qu
ota
inversione
Dati disponibili
temperatura
rosa dei venti stagionale mappe meteo
127
dati concentrazione di
previsore
la variabile di uscita da prevedere è
la media su 24 ore della media della
stazioni di misura effettuata alle ore 8
Stazioni di misura della qualità dell’aria (PTS, PM10, PM2,5, NOx, SO2, VOC,…)
Consideriamo ad esempio il sistema di previsione seguente:
Possiamo usare come dati in ingresso:
- la concentrazione di inquinante del giorno precedente (chiaramente se la concentrazione odierna è elevata, ci aspettiamo che lo sia anche quella successiva)
- la temperatura T (d’inverno, più bassa è la temperatura, più elevate saranno le emissioni per riscaldamento ed energia)
- la condizione meteo m (con alta pressione, l’inversione termica è più probabile)
- la velocità del vento v (più vento, maggiore dispersione).
128
Scelta del modello
Occorre scegliere la struttura del modello e tarare i parametri
sulla base dei dati disponibili. .
La struttura dipende dalle informazioni che immaginiamo di
poter utilizzare in tempo reale e maggiore è la quantità di
informazione necessaria, maggiori saranno i costi di
implementazione del modello.
Anche a parità di informazioni sono possibili diverse
formulazioni. Occorre anche tener conto dell’uso che poi si farà
della previsione (es. inutile fare previsioni per diverse aree
della città, se poi si può solo chiudere tutto al traffico)
La procedura è la solita:
selezione modello
structure
taratura dati
Su Milano sono state sperimentate la strutture seguenti:
129
Modello 1
sono i parametri da stimare
è la concentrazione prevista per il giorno k+1 [ppm]
è la concentrazione misurata nel giorno k [ppm]
è la temperatura misurata nel giorno k [°C]
è una temperatura di riferimento (evita divisioni per
0)
&
previsione perfetta (la pendenza non è 45° perché le unità sui due assi sono diverse)
Il modello non è molto
preciso perché tende un po’
a sottostimare gli episodi di
inquinamento acuto.
= 0,76
episodi = 0,69
concentrazione misurata
co
nce
ntr
azio
ne
pre
vis
ta
130
Modello 2
Il modello ha la stessa struttura del precedente, salvo il fatto
che i parametri e si suppongono dipendenti dalla situazione
meteo prevista per il giorno k+1: situazione ciclonica o
anticiclonica. Ciò significa che devono essere calibrati DUE
diversi modelli: prima si raggruppano tutti I dati relative a
situazioni cicloniche e si tarano 2 parametri, poi tutti I dati
relative a situazioni anticicloniche e si tarano altri 2 parametri.
Si noti che si tratta di situazioni previste, cioè quelle elaborate
da un servizio di previsione meteo, e che, separando I dati in
due insiemi, occorre tener presente il loro effettivo legame
temporale (cioè i giorni realmente precedenti, che potrebbero
non appartenere allo stesso insieme).
Raddoppiando il numero di parametri e specializzando il
modello per le diverse situazioni, le prestazioni migliorano, ma il
doppio dei dati è necessario per raggiungere la stessa
affidabilità nella stima.
La correlazione tra previsioni e misure passa da 0.76 a 0.79.
131
Modello 3
Il modello differisce dal precedente solo per la presenza
dell’ultimo temine, che ha un segno meno per tener conto che
la concentrazione decresce con l’aumento della velocità del
vento (maggiore dispersione).
Notate però che si utilizza la velocità prevista per il giorno
k+1. Se questa è calcolato solo per fare la previsione di
inquinamento (ad es. con un AR(1)) è meglio usare
direttamente quella rilevata al giorno k.
previsione
perfect La previsione è migliorata in
particolare sugli episodi più
elevati:
= 0,88
episodi = 0,82
Il modello utilizza tuttavia 6
parametri e quindi richiede più
dati, oltre alle misure di vento in
tempo reale (localmente
rilevabili con un anemometro).
concentrazione misurata
co
nce
ntr
azio
ne
pre
vis
ta
66
Dati misurati
Previsioni
misure previsioni (si nota il tipico ritardo sui picchi dei modelli autoregressivi)
132