Методика оценки устойчивости электроэнергетического обеспечения субъектов Российской Федерации в условиях чрезвычайных ситуаций Текст научной статьи по специальности «Математика»

УДК 351(075.8)+677.017.633.2

В.А. Седнев, А.В. Баринов, А.В. Смуров

МЕТОДИКА ОЦЕНКИ УСТОЙЧИВОСТИ ЭЛЕКТРОЭНЕРГЕТИЧЕСКОГО ОБЕСПЕЧЕНИЯ СУБЪЕКТОВ РОССИЙСКОЙ ФЕДЕРАЦИИ В УСЛОВИЯХ ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЙ

Представлена методика оценки устойчивости электроэнергетического обеспечения субъектов Российской Федерации, имеющая существенное значение для управления электроэнергетической безопасностью экономики и территорий Российской Федерации в условиях чрезвычайных ситуаций.

Ключевые слова: техноценологический подход; технический анализ; ценоз; Н-распределение; динамика структуры; система электроснабжения.

V. Sednev, A. Barinov, A. Smurov

METODS OF ESTIMINATION OF THE SUSTAINABILITY OF THE ELECTRICITY SECURITY OF THE REGIONS RUSSIAN FEDERATION IN EMERGENCIES

Presents a methodology for assessing the sustainability of the electricity security of the Russian Federation, is material to the control elec-troenergeticheskoy safety economy and territories of the Russian Federation under the conditions of emergencies.

Keywords: technocenological approach; technical analysis; cenosis, H-distribution; structure dynamics; the power supply system.

Методика предназначена для оценки устойчивости электроснабжения потребителей, и в целом электроэнергетического обеспечения (ЭЭО) территорий, и обоснования на этой основе мероприятий по повышению устойчивости функционирования (ПУФ) региональных систем электроэнергетики (РСЭЭ) в чрезвычайных ситуациях, впервые используя для этих целей техноценологический подход, относящийся к одному из наиболее общих законов развития технической системы, который опирается на положения теории систем и аппарат устойчивых законов предельных теорем теории вероятности, на положения аппарата математической статистики, теории множеств и теории надёжности, исследования операций и управляющих систем. Специфика техноценологической методологии заключается в том, что она имеет отношение к негауссовым системам и базируется на теории устойчивых безгранично делимых негауссовых гиперболических ^-распределений [1, 2], - эти системы не могут быть описаны в рамках имитационного моделирования, основанного на традиционной гауссовой теории вероятностей и математической статистике, в основе которых положены центральная предельная теорема и закон больших чисел.

Применение методики позволяет максимизировать эффективность ЭЭО объектов в условиях ресурсных ограничений и минимизировать влияние фактора неопределённости при планировании их электропотребления, а также разработать рекомендации по оптимизации существующих структур видового состава электротехнических средств (ЭТС) отдельных объектов электроснабжения и электроэнергетических систем (ЭЭС) субъектов Российской Федерации (РФ).

Основным инструментом методики является ранговый Н-анализ, предполагающий применение

- 25

Научные и образовательные проблемы гражданской защиты - 2014'3

одного из трёх видов гиперболических Н-распределений (табл. 1) [2, 4]: видового, ранго-видового или рангового по параметру. Ранго-видовое Н-распределение характеризует пропорции между численностью видов различных средств или изделий, видовое - между численностью каст, ранговое по параметру ^-распределение служит для описания системы по выделенному параметру. Учитывая, что величина электропотребления непрерывна, исследование проводится в ранговой форме. Суть методики заключается в использовании данных по электропотреблению объектов, их обработке математическими методами, получении зависимости, связывающей указанные характеристики со временем, и прогнозировании объёмов электропотребления на заданный момент времени.

Соответственно, основные этапы методики включают (рис. 1) [3-5]: сбор и обработку исходных данных по электропотреблению; выбор и обоснование для объекта статических моделей; обработку информации об объекте исследования, её уточнение и факторов, влияющих на устойчивость развития объекта по электропотреблению; непосредственно прогнозирование, т. е. получение характеристик объекта на заданный момент времени, и обоснование мероприятий по повышению устойчивости функционирования РСЭЭ и электроснабжения потребителей.

Таблица 1

Математическое представление ^-распределения

Распределение Ось абсцисс Ось ординат Форма записи

Видовое Число изделий в виде (численность популяции). Дискретно Количество видов с одинаковым количеством изделий. Дискретно П(х) = 0/. ! + а

Ранго-видовое Ранг. Дискретно Количество изделий в виде. Дискретно Л (г) = В / г?

Ранговое по параметру Значение параметра. Непрерывно Ш(г) = /г?

Сбор и обработка исходных данных Выбор и обоснование для объекта моделей по электропотреблению, описывающих его развитие

к. "

_*_

Оценка устойчивости ЭЭО объектов и определение целесообразности обоснования мероприятий по ПУФ РСЭЭ

Анализ результатов прогнозирования Прогнозирование параметров электропотребления объектов на требуемый период

Рис. 1. Обобщённый (укрупнённый) алгоритм оценки устойчивости и прогнозирования параметров

электропотребления объектов РСЭЭ

Первым этапом является сбор и обработка исходных данных по электропотреблению объектов РСЭЭ, предполагающий одновременно:

собственно сбор данных по ЭЭО объектов, при этом осуществляется создание базы данных, которая

может включаться в состав информационно-аналитической системы и представляет табличное _

Научные и образовательные проблемы гражданской защиты - 2014'3

отображение данных объектов по электропотреблению за выбранный временной период;

оценку устойчивости ЭЭО объектов и определение целесообразности обоснования мероприятий по ПУФ РСЭЭ, используя показатели: устойчивости структуры, определяющей уровень удовлетворения потребностей объектов в электроэнергии (ЭЭ); подготовленности системы к устойчивому функционированию, характеризующей степень выполнения требований по повышению устойчивости; обоснованности мероприятий по ПУФ системы, опирающейся на эффективность мероприятий, характеризуемую приростом показателя устойчивости, где ожидаемый прирост определяется с учётом реализации предполагаемого комплекса мероприятий и без него, и затраты, рассчитываемые с учётом возможного эффекта от безаварийной работы систем электроснабжения (СЭС) и бесперебойного электроснабжения потребителей, а также сроки разработки и осуществления мероприятий.

При принятии решения о необходимости разработки мероприятий по ПУФ РСЭЭ осуществляется уточнение и исследование дополнительных данных по электропотреблению объектов, выявление и исключение некорректных значений, замена их истинными или расчётными, -некорректность данных может объясняться как недостатками при сборе информации, так и происходившими изменениями в системе отчётности. Устранить наличие таких данных можно путём пересчёта более ранних значений показателей с помощью формальных методов анализа, при этом наиболее совершенными методами восстановления данных являются [6-7]:

метод сглаживания с помощью скользящей средней, который заключается в вычислении среднего уровня из определённого числа первых по порядку уровней ряда, затем среднего уровня из такого же числа уровней, начиная со второго, и т. д., отбрасывая один уровень в начале и добавляя один следующий, при этом значение скользящей средней определяется по формуле:

= рУь (1)

где уг - текущий уровень ряда; у; - фактическое значение >го уровня; т - число уровней, входящих в

интервал сглаживания ( ); - порядковый номер уровня в интервале сглаживания; - при

(т - 1)

нечетном т, р =-;

, г 2 ,

метод экспоненциального сглаживания, применяемый в случае, когда распределение значений электропотребления имеет нелинейный характер и существует необходимость сохранить мелкие колебания значений уровня, заключающийся в том, что в процедуре нахождения сглаженного уровня используются значения только предшествующих уровней ряда, при этом значение начального параметра принимается равным значению первого уровня ряда или средней арифметической первых значений ряда:

51 = У1+ у 2+• • •+Уп, (2)

± п

а дальнейшее сглаживание значений ряда осуществляется по формуле:

= ( 1 - а)у1 + а 1 = у1 + а( 1 - уО, (3)

где - значения ряда; - сглаженные значения уровней ( ); - коэффициент

экспоненциального сглаживания, .

Степень сглаживания зависит от коэффициента а. Чем он больше, тем сильнее влияние эмпирического значения , и наоборот, чем он меньше, тем сильнее влияние предшествующего теоретического значения уровня ;

метод наименьших квадратов, являющийся наиболее точным в отношении ошибки приближения эмпирических данных теоретической кривой [2, 6], согласно которому сумма квадратов отклонений эмпирических значений ряда от линии регрессии должна быть минимальной. Эти оценки находятся в результате минимизации выражения £f= 1(yt — f ( t))2 — min, где Yt - фактическое значение распределения, f (t) - расчётное значение, n - длина распределения.

После восстановления данных осуществляется уточнение и исследование: схемы электроснабжения и ЭЭС объектов-потребителей, их предназначения и категории надёжности электроснабжения, установление причин неустойчивого функционирования РСЭЭ и ЭЭО потребителей и др.;

выделение исследуемой ЭЭС и её объектов-потребителей, основываясь на понятиях техноценологического подхода [2]. В соответствии с порядком исследования ценологических систем, выделяется ценоз - РСЭЭ, которая может состоять из одной или нескольких ЭЭС, при этом для энергосистемы вводится понятие «вид», формирующее представление об объектах ценоза, по сути, представление о входящих в неё подразделений; из системы выделяется семейство элементарных потребителей РСЭЭ (или РСЭЭ в рамках Единой национальной энергетической системы России), далее выделяется соответствующий объектам исследуемый параметр - месячное (годовое) электропотребление;

ранжирование объектов по электропотреблению, под которым понимается присваивание каждому из них ранга - целого числа в порядке убывания исследуемого параметра электропотребления , при этом объект-потребитель, имеющий максимальное электропотребление получает ранг , ранг получает объект, имеющий максимальное электропотребление

из оставшихся, а объекту-потребителю, имеющему минимальное электропотребление, будет присвоен ранг , где - количество исследуемых объектов. В случае, когда объекты-потребители имеют одинаковые ранги, им предлагается присваивать ранги подряд, т. к. чем больше количество коэффициентов распределения, тем точнее результаты его оценки. Определить правильность распределения рангов позволяет соотношение, где общая сумма рангов £ г0 б щ должна совпадать с расчётной £ гр:

Таким образом, формируется ранговое распределение объектов техноценоза, где первую строчку таблицы занимает информация об объекте с наибольшим электропотреблением, вторую -объект с наибольшим электропотреблением из оставшихся и т. д.

Следующим этапом методики является выбор и обоснование для объекта моделей по электропотреблению, при этом распределение значений подчиняется гиперболическому ^-распределению, опирающемуся на бесконечно делимые распределения, изученные А.Я. Хинчиным, А.Н. Колмогоровым, Б.В. Гнеденко [1-3]. Практика статистического анализа показывает, что встречаются и другие зависимости, близкие к гиперболическим [6, 7]: степенная ( ) ; логарифмическая ( ) ; полиномиальная ( )

; экспоненциальная ( ) , где - фактическое значение переменной;

( ) - теоретическое значение переменной; и .

Подбор зависимости, наилучшим образом описывающей совокупность значений электропотребления объектов РСЭЭ, выполняет аппроксимация эмпирических ранговых

Р'

(4)

(5)

(6)

распределений, которая осуществляется несколькими методами, по результатам которых выбирается наиболее корректный. В качестве аппроксимационной модели предлагается использовать двухпараметрическую гиперболическую зависимость (табл. 1), основанную на применении рангового анализа, позволяющего осуществить сведение задачи аппроксимации к определению параметров и //. Под ранговым анализом понимают [2, 6] метод исследования больших технических систем (инфраструктурных объектов), имеющий целью их статистический анализ, а также оптимизацию, и полагающий в качестве основного критерия форму видовых и ранговых Н-распределений (табл. 1). Ранговое Н-распределение объёмов электропотребления объектов-потребителей РСЭЭ является ранговым Н-распределением по параметру, т. к. определено [6]: если фигурирует какой-либо из видообразующих параметров, то распределение является ранговым параметрическим, а если в качестве параметра рассматривается мощность популяции (численность), то Н-распределение называется ранговым видовым, где ранжируются виды, а в параметрическом - параметры объектов исследования. При построении рангового по параметру Н-распределения по оси абсцисс откладывается ранговая мощность объектов в ценозе в порядке возрастания, а по оси ординат - уровень значений параметров электропотребления объектов РСЭЭ. Описание структуры ценоза, осуществляемое ранговым по параметру Н-распределением, является восходящим к ранговым распределениям Ципфа-Мандельброта, и принимает вид [2, 3]:

И(г) = ^ , (7)

где ( ) - значение электропотребления; - соответствующий ранг конкретной особи ценоза; И^ - максимальное значение параметра, которому соответствует первый ранг; // - ранговый коэффициент, задающий форму аппроксимирующей кривой.

При определении вида и параметров закона распределения неизбежны расхождения между фактическим и теоретическим распределениями. Оценить значимость расхождения позволяют критерии согласия, сводящиеся к проверке гипотезы о подчинении нормальному закону распределения [6, 7].

Учитывая, что исследование потребителей РСЭЭ сводится к методам технического анализа, целесообразно применение критерия А.Н. Колмогорова [2, 3, 6]. Суть его заключается в принятии в качестве меры расхождения максимального значения абсолютной величины разности между эмпирической функцией распределения ( ) и соответствующей теоретической функцией распределения ( ):

Я = т ах^*(х) — ^(х)|. (8)

Схема применения критерия А.Н. Колмогорова следующая: строятся ( ) и ( ); определяется мера расхождения и вычисляется величина

Л = Я . (9)

Если вычисленное значение Л окажется больше критического Л^, определённого на уровне значимости а, то нулевая гипотеза Н0 отвергается. Если Л < Л^, то считается, что гипотеза Н0 не противоречит данным. Оценить тесноту связи между признаками ранжированных объектов позволяет коэффициент ранговой корреляции Спирмена [7]:

1 — б^Цг^, (10)

где Г и 5 I - ранги /-го объекта по переменным X и У, п - число пар наблюдений;

если совокупность объектов характеризуется не двумя, а несколькими последовательностями рангов, и необходимо установить связь между несколькими переменными и меру их согласованности, используется коэффициент конкордации рангов Кендалла [6]:

Щ = 12 ^ (11)

т2-(п 3- п)'

где В - отклонение суммы рангов объекта от их средней суммы для п объектов; если ранги объектов поверхности совпадают, то Ж = 1, иначе, Ж = 0.

Данное описание структуры ценоза определяет системный показатель /3 - по нему можно судить об устойчивости ЭЭО объектов, математически коэффициент в определяет вогнутость ранговых распределений. Исследование / и Щ1 рангового ^-распределения сводится к оценке данных параметров, при этом для их определения могут быть применены различные методы (максимума правдоподобия и др.), однако минимальная ошибка получена для метода наименьших квадратов, который основан на определении таких параметров, при которых сумма квадратов отклонений расчётных значений уГ от фактических была бы минимальной:

5 = Щ= -(У - УГ)2 "> тт. (12)

С помощью метода наименьших квадратов с фиксированной первой точкой Щ1 определяют по фактическому электропотреблению первого ранга, а - по формуле:

3 = . 03)

При фиксированных первой и последней точках распределения, Ж принимается равным электропотреблению первого объекта, а - электропотреблению последнего, в результате в определяется по формуле [6]:

3 = 1о д5 ■ Ф . (14)

В случае искажения фактической кривой лучшие результаты позволяет получить применение последнего метода совместно с определением расчётного ранга для каждого объекта по формуле:

13/1СЧ

г= I— . (15)

Теснота нелинейной связи гиперболической модели рангового распределения характеризуется корреляционным отношением вида [6]:

= ^I- ^ 06)

? £(У-У32 ? 2(у -у)2 где (Гост =--остаточная дисперсия, =--общая дисперсия расчётного значения

71 У 71

переменной.

Адекватность соответствия гиперболической модели эмпирическим данным оценивается коэффициентом детерминации Я2 [7]:

Я2 = % (17)

(Ту

30 -

Научные и образовательные проблемы гражданской защиты - 2014'3

2

который характеризует точность аппроксимации представленными кривыми и чем ближе он к единице, тем более точно полученное уравнение приближает тренд.

Графическое отображение значений электропотребления объектов РСЭЭ позволяет контролировать достоверность статистических показателей и выявить аномальные значения для объектов ЭЭС. Если точка на ранговом Н-распределении входит в доверительный интервал, то в пределах гауссового разброса параметров можно судить, что данный объект потребляет ресурс нормально; если точка выходит за границы доверительного интервала, то это свидетельствует о нарушении технологического процесса на объекте. Однако аномальные значения могут отражать и реальное развитие электропотребления объектов, - эти значения заменяются расчётными при построении моделей, но учитываются при расчёте возможной величины отклонений фактических значений от полученных по модели.

Для определения допустимого отклонения ранговое параметрическое распределение разбивается на ряд интервалов, включающих в себя не менее 10 - 12 точек (объектов) распределения, при этом отклонения значений экспериментальных параметров от соответствующих теоретических значений должны быть рассредоточены внутри интервала по нормальному закону распределения. Исходя из этого, для каждого интервала следует:

= ф - иЫ) (18)

[ст(Д в )] ф (2Л ( )

где - ширина доверительного интервала в одну сторону от кривой; ( ) - среднеквадратичное отклонение экспериментальных точек от теоретической кривой; Ф( £) = -1 / е-4:2 /2 а : - функция Лапласа

( ( ) - обратная функция); - априорно принимаемая доверительная вероятность.

Решение (18) позволяет определить ширину доверительного интервала на каждом из интервалов разбиения. Оптимизация ценоза осуществляется двумя путями: номенклатурная оптимизация, под которой понимается целенаправленное изменение состава ценоза, устремляющее ранговое распределение объектов РСЭЭ по форме к каноническому; параметрическая оптимизация -целенаправленное изменение параметров отдельных объектов-потребителей, приводящих РСЭЭ к более устойчивому и эффективному состоянию. Практика применения ^-распределений [2] свидетельствует, что любой ценоз устойчив, если

0,5< в <2, (19)

при этом оптимальное состояние достигается при значении в, близком к единице.

На основе результатов исследования моделей, оценивающих устойчивость ЭЭО объектов, и доказательства возможности использования для этих целей техноценологического подхода осуществляется переход к этапу прогнозирования параметров ЭЭО на требуемый период. Применительно к РСЭЭ прогнозирование выполняется на основе моделей, отражающих процесс электропотребления объектов. Сравнение прогнозных результатов с фактическими данными позволяет для каждого из объектов РСЭЭ определить наиболее эффективный метод.

Прогноз и позволяет осуществить прогноз электропотребления по особям (объекту) и ценозу (ЭЭС или РСЭЭ) в целом. Таким образом, статистический анализ может быть представлен в виде поэтапного исследования: показателей и - динамики 1 -го рода; и структурно-топологической динамики (СТД) - динамики 2-го рода [8] с учётом взаимного влияния электропотребления объектов. Прогнозирование на основе динамики 1 -го рода включает следующие шаги:

- 31

Научные и образовательные проблемы гражданской защиты - 2014'3

рассчитываются показатели и за известный период времени;

за последний, перед прогнозным, период, определяется расчётный ранг, равный значению проекции рангового Н-распределения на ось времени:

ил. —!—

г = (-^±1)0 1+1 , (20)

где И1.+1 - фактическое значение первой точки (объекта с рангом г = 1) на последний интервал предыстории, - фактическое значение электропотребления остальных объектов-особей на известный последний год предыстории, - ранговый коэффициент на известный последний интервал

предыстории;

принимая расчётный ранг неизменным, прогнозируется значение электропотребления на заданное число периодов вперёд:

И( I+1 )п = "^ (21)

1+1

где - прогнозное значение аппроксимирующего коэффициента кривой Н-распределения; -

прогнозное значение рангового коэффициента; И( ^+1 )п - прогнозное значение электропотребления;

оценивается ошибка прогноза и разрабатываются мероприятия по её устранению либо уменьшению.

Недостатком существующих методов прогнозирования является короткий горизонт прогнозирования (1-2 года), что можно устранить [3,7] при создании динамической модели, отражающей процесс электропотребления объектов (ЭЭС или РСЭЭ) (на среднесрочную перспективу - 5-7 лет и более), и применении структурно-топологической динамики (СТД) [8], которая заключается в построении системы моделей рангового Н-распределения объектов по электропотреблению:

-1 =/( :)

( ), (22)

где W(r,t) - значения точек на ранговой поверхности (конкретные функции во времени для различных объектов (рангов) могут быть различны).

Структурно-топологическая динамика Н-распределения имеет особенности. При сохранении формы кривой во времени состав рангов объектов изменяется, что является следствием их перераспределения по структуре при развитии РСЭЭ. Для оценки согласованности изменения траекторий СТД может применяться коэффициент конкордации Кендалла [6], который равен 1, если ранги или число особей распределения во времени не изменяются, и является [3, 4, 5] общесистемной характеристикой, позволяющей сравнивать ценозы различной величины по степени влияния ценоза (системы) на траекторию развития отдельной особи (объекта) рангового распределения. Структурно-топологическая динамика может быть выполнена как процедура синтеза структуры Н-распределения, которая состоит из двух операций: прогноза параметра рангового Н-распределения по системе моделей и построения по прогнозным значениям распределения. Шаг прогнозирования различен, но длина предыстории по количеству точек при разных шагах у всего Н-распределения может быть одинакова.

Использование динамики 1 -го рода основано на неизменности ранга объектов в структуре общего

электропотребления ЭЭС и позволяет упорядочить применение существующих методов

32 -

Научные и образовательные проблемы гражданской защиты - 2014'3

прогнозирования к траекториям объектов. Использование СТД позволяет [8] осуществить переход от негауссовых Н-распределений статики к практическим методам решения на базе моделей характеристических показателей, ноевых и саранчёвых каст Н-распределений ценозов (вложенных или соподчинённых). Уравнение баланса динамик двух родов рангового Н-распределения по электропотреблению объектов является основой моделирования для ценоза (РСЭЭ) в целом и отдельных объектов. Суммарная величина электропотребления РСЭЭ, полученная путём прогнозирования ранговой поверхности (динамика 1 -го рода), должна быть равна величине электропотребления РСЭЭ, полученной по прогнозам отдельных объектов [3, 8]:

а, + Ъ,(')

г Да (1-е-'' т )

Ж = /(г)

Ж = /(г) , (23)

Ж = г (г)

где г - временной ряд; аь 6Ь Д0, Т - константы аппроксимирующих уравнений, где Ж(г, г) - значение точек на ранговой поверхности, где в левой части - величина электропотребления, получаемая по отдельным объектам; в правой - тоже прогнозированием ранговой поверхности.

Уравнение баланса позволяет оценить устойчивость ЭЭО объектов и РСЭЭ, уточнить потребности в ЭЭ классическими способами прогноза и выделить 3 группы объектов, требующих различного подхода: первая точка Н-распределения; средние объекты пойнтер-касты; объекты виртуальной касты.

Первую точку образует первая каста, включающая электропотребление одного или группы объектов [2, 3, 8]. Для получения моделей электропотребления объектов и системы следует применить [2] классический метод технического анализа - экстраполяцию, учитывающий тенденцию развития электропотребления объектов РСЭЭ. Параметры зависимостей между прогнозируемыми величинами определяют по их значениям с применением метода наименьших квадратов, а их уравнения - основа модели динамики электропотребления. Для регистрации изменений параметров и структуры тренда используют сглаживание с помощью скользящей средней. Для прогнозирования электропотребления объектов выбирают такую длину предыстории, которая обеспечит минимум ошибки, - выбор оптимальной длины осуществляется преобразованием исходного временного ряда Уь у2, ..., у_1, уг в серии рядов, один из которых обеспечит наилучшее уравнение.

Группа объектов с электропотреблением, ряд которого определяет значение рангового показателя ¡5, называется [2, 3, 8] пойнтер-кастой (средние объекты Н-распределения), - структуру её исследуют на основе анализа изменений рангов объектов по годам (СТД), при этом модели электропотребления, коэффициенты уравнений и преобладающие факторы индивидуальны для объектов, уровней РСЭЭ, времени потребления ЭЭ и целей. Выбор моделей рекомендуется [3, 8] осуществлять с помощью индикатора выбора моделей прогнозирования:

г г

Лк = X А(г,') - X и (') - Ак (')], (24)

2=1 2=1

где Ак - электропотребление расчётного объекта. Первая сумма получается моделированием траектории суммарного потребления ЭЭ ценоза и прогнозированием поверхности по динамике 1 -го рода, для чего необходимы первая точка траектории и ранговый показатель Д вторая сумма -электропотребление ценоза без искомой траектории. Разность между прогнозами даст величину электропотребления объекта.

- 33

Научные и образовательные проблемы гражданской защиты - 2014'3

Снижения погрешности расчёта можно добиться уточнением моделей описания траекторий электропотребления объектов на ранговой поверхности и синтеза СТД. Учитывая, что для малых потребителей количество необходимой ЭЭ определяют, опираясь на мощность единичных электроприёмников (ЭП), величина их электропотребления определяется как разность между отпущенной ЭЭ ^ЭЭС и учтённой Wr - суммой годового электропотребления объектов учёта, и названа виртуальной [3, 8]:

n

W = Жээс -Zw . (25)

1

При этом необходимо проводить мероприятия, обеспечивающие контроль за потреблением ЭЭ малыми объектами и позволяющие перевести их в категорию объектов с применением моделей прогнозирования [3], для чего требуется построить ^-распределение их видов деятельности по повторяемости, определить многочисленные и уникальные виды деятельности и развернуть видовое распределение в ранговое. Предлагаемый научно-методический подход оценки устойчивости ЭЭО субъектов РФ позволяет уточнить потребности в ЭЭ для различных объектов и, на этой основе, обосновать мероприятия по повышению устойчивости функционирования РСЭЭ, тем самым влияя на электроэнергетическую безопасность территорий РФ.

Новизна результата состоит в том, что, в отличие от существующих методик, для оценки устойчивости электроэнергетического обеспечения и обоснования мероприятий по обеспечению электроэнергетической безопасности субъектов Российской Федерации в условиях чрезвычайных ситуаций применяется аппарат устойчивых законов предельных теорем теории вероятности и математической статистики, позволяющий, одновременно, обосновывать и прогнозировать параметры электропотребления объектов, уточнить состав СЭС на разных уровнях иерархических систем, основываясь на представлении об РСЭЭ как системе, имеющей внутреннюю постоянную устойчивую структуру.

Литература

1. Гнеденко Б.В., Колмогоров А.Н. Предельные распределения для сумм независимых случайных величин.- М.: Гос. изд-во техн. теор. лит., 1949.- 264 с.

2. Кудрин Б.И. Введение в технетику. - Томск: Изд-во Томск. гос. ун-та. - 1993. -552 с.

3. Седнев В.А. Техноценологические методы построения и управления развитием многоуровневых систем. Монография. - М.: Академия ГПС МЧС России. - 2008. - 132 с.

4. Седнев В.А., Смуров А.В. Методология оценки электроэнергетической безопасности экономики и территорий Российской Федерации и оптимизации сложившейся структуры средств МЧС России // Проблемы управления рисками в техносфере. - 2011. - № 3. - С. 80-91.

5. Седнев В.А., Смуров А.В. Оценка возможностей объектов экономики и территорий по развитию электропотребления и предложения по оценке эффективности функционирования существующих объектов // Проблемы управления рисками в техносфере. - 2011. - № 2. - С. 93-100.

6. Кудрин Б.И. Математика ценозов: видовое, ранговидовое, ранговое по параметру гиперболические H-распределения и законы Лотки, Ципфа, Парето, Мандельброта //Философские основания технетики. -Новомосковск: Центр системных исследований. Вып.19. - 2002. - С. 357-413.

7. Рабочая книга по прогнозированию // Под ред. И.В. Бестужева-Лады. - М.: Мысль, 1982. - 430 с.

8. Фуфаев В.В. Ценологическое определение параметров электропотребления, надёжности, монтажа и ремонта электрооборудования предприятий региона: Дисс. докт. техн. наук. - М.,1999. - 382 с.

34 -

Научные и образовательные проблемы гражданской защиты - 2014'3