CC BY
58
УДК 004.415.2
ИНТЕЛЛЕКТНЫЙ ПРОГРАММНО-ВЫЧИСЛИТЕЛЬНЫЙ КОМПЛЕКС «АНАПРО» ДЛЯ ЗАДАЧИ МОНИТОРИНГА В РАСПРЕДЕЛИТЕЛЬНЫХ ЭЛЕКТРИЧЕСКИХ СЕТЯХ
В.Г. Курбацкий, д.т.н.; Н.В. Томин, к.т.н.
(Институт систем энергетики им. Л.А. Мелентьева СО РАН, г. Иркутск, kurbatsky@isem.sei.irk.ru, tomin@isem.sei.irk.ru)
В работе представлен интеллектный программно-вычислительный комплекс «АНАПРО», реализующий подходы на базе современных методов нелинейного анализа данных и технологий искусственного интеллекта. Приведены основные подсистемы комплекса и показана их работа на примере экспериментальных расчетов для реальных распределительных электрических сетей.
Ключевые слова: программно-вычислительный комплекс, методы искусственного интеллекта, распределительные электрические сети, анализ данных, прогнозирование.
Актуальность задачи получения прозрачной картины по обслуживаемым распределительным электрическим сетям энергосбытовых компаний и электросетевых предприятий продиктована новыми рыночными условиями, сложившимися в розничном секторе рынка электроэнергии (ЭЭ) и мощности.
Специфические особенности распределительных электрических сетей России значительно затрудняют возможность проведения качественного анализа и прогнозирования ПРТХ (параметров режима и технологических характеристик). К таким особенностям относятся:
• низкая обеспеченность отечественных распределительных электрических сетей средствами измерения и учета ЭЭ;
• слабая проработка в современных методах анализа ПРТХ вопросов визуализации данных, в первую очередь, при больших объемах исходной информации (это приводит к недостаточной наглядности анализируемых данных);
• резкая изменчивость ПРТХ, что значительно усложняет моделирование анализируемых реализаций в рамках традиционных статистических методов;
• исследуемые распределительные электрические сети в большинстве случаев состоят из электрически не связанных сетевых участков.
Существующие специализированные программно-вычислительные комплексы (ПВК), ориентированные на расчеты ПРТХ распределительных электрических сетей, используют, как правило, ограниченное количество математических подходов и методов, не позволяющих в должной степени учесть особенности и специфику распределительных электрических сетей. На современном этапе целесообразно совместно решать задачи анализа и прогнозирования ПРТХ, что требует использования оригинальных математических подходов, в первую очередь, методов искусственного интеллекта [1, 2], и разработки на их основе эффективных вычислительных комплексов и систем.
Рис. 1
В работе представлен интеллектный ПВК «АНАПРО», реализующий подходы на базе современных методов нелинейного анализа данных и технологий искусственного интеллекта.
Интеллектный ПВК «АНАПРО», общая структура которого изображена на рисунке 1, построен на базе концепции Model-Driven Architecture (MDA) [3]. Комплекс включает три подсистемы: анализа ПРТХ (рис. 2а), прогнозирования ПРТХ (рис. 2б), совместной обработки ПРТХ.
Основная идея концепции MDA состоит в том, чтобы создавать программные системы на основе построенных моделей - исполняемые модели, то есть транслировать модели в макросы пользовательских приложений. Центральным ядром ПВК является интегрированная программная система (ИПС), реализованная на базе программного продукта фирмы «StatSoft» STATISTICA 6.0 [4]. Экспериментально проверенные в ИПК STATISTICA интеллектные подходы к анализу и прогнозированию ПРТХ автоматически записываются в фоновом режиме работы ИПК на языке Statistica Visual Basic в виде программного кода. Полученные таким образом пользовательские макросы, представляющие основу подсистем ПВК «АНАПРО», можно редактировать, изменять настройки процедур анализа, используемые переменные, файлы данных, добавлять элементы пользовательского интерфейса и т.д. В дальнейшем на базе исполняемых моделей были созданы собственные специализированные приложения, которые и легли в основу ПВК «АНАПРО».
В зависимости от условий задачи полученные макросы анализа и прогнозирования ПРТХ могут работать автономно в рамках соответствующих подсистем ПВК «АНАПРО». При необходимости уточнения результатов расчета с целью повышения точности прогнозирования исследуемых ПРТХ подключается макрос совместной обработки ПРТХ.
Важно отметить, что для эффективного решения задач на базе интеллектных технологий, в первую очередь нейросетевых систем, необходимо достичь баланса между достоверностью обучения и качеством самой модели. Этого компромисса в рамках того или иного метода обучения искусственной нейронной сети (ИНС) можно достичь с помощью минимизации величины общего риска, [2]: = Е№(Ш) + АЕС(Ш), где
Е№(Ш) - стандартная мера эффективности, или производительность ИНС, зависящая как от типа самой сети (модели), так и от входных данных. Чаще всего этот показатель определяется как среднеквадратичная ошибка, которая вычисляется по всем нейронам сети на всем обучающем множестве; ЕС(Ш) - штраф за сложность, зависит исключительно от самой структуры ИНС и определяется на основе предварительных сведений о структуре модели; X - параметр регуляризации, характеризующий относительную значимость составляющей ЕС(Ш) по сравнению с составляющей Е№(Ш).
Следует подчеркнуть, что регулирование параметров в данном выражении позволяет улучшить эффективность расчетов на базе интеллект-ных систем.
Проиллюстрируем работу ПВК «АНАПРО» на примере выполненных расчетов по анализу и прогнозированию потерь ЭЭ в линиях электропередач (ЛЭП) для энергорайона г. Братска (рис. 3а). В качестве исходной информации в блоке 1 (см. рис. 1) использовался годовой массив данных по расчетным потерям ЭЭ в ЛЭП ряда сетевых участков энергорайона. Результаты кластерного анализа на базе самоорганизующихся карт Кохонена, SOM (блок 3, рис. 2а) и факторного анализа PCA (блок 4, рис. 2а) для этих сетевых участков представлены на рисунках 3б и 3в соответственно.
Кластерный анализ позволил разбить весь энергорайон на компактные группы, обладающие
а) «Подсистема анализа ПРТХ»
б) «Подсистема прогнозирования ПРТХ»
Рис. 2
схожими признаками по критерию распределения потерь ЭЭ в течение года, а также выявить очаговые зоны (участки электрической сети с повышенными значениями потерь ЭЭ) среди ЛЭП в исследуемом энергорайоне.
Использование PCA дало возможность выделить основные факторы в исследуемом массиве изменения потерь ЭЭ, в том числе наличие составляющей сверхнормативных потерь ЭЭ (СПЭ) (рис. 3в).
Проведенный кластерный анализ позволил идентифицировать факторы, выделенные в блоке 4, процедурой PCA:
• фактор 1 - изменение потерь ЭЭ в сетевом участке «Сухой»;
• фактор 2 - изменение потерь ЭЭ в сетевом участке «Южный Падун-1».
Именно в летние месяцы для сетевого участка «Сухой» высоки потери ЭЭ, обусловленные главным образом наличием СПЭ (в большинстве случаев хищениями ЭЭ). В свою очередь, величина факторной нагрузки (коэффициента корреляции между выделенным фактором и изучаемой переменной), r для фактора 1, изменяющаяся в пределах 0,92-0,99, свидетельствует о высоких потерях ЭЭ в сетевом участке «Южный Падун» для всех месяцев года, за исключением июня и июля.
Подсистемой анализа ПРТХ (рис. 2а) установлено, что максимальные потери ЭЭ имеют место для сетевого участка «Сухой». Поэтому в рамках подсистемы прогнозирования ПРТХ (рис. 2б) для этого района было осуществлено месячное прогнозирование СПЭ для годового интервала по ретроспективной выборке за 4 предыдущих года.
Для прогнозирования значений СПЭ использовалось несколько типов прогнозных моделей, в том числе
а) традиционные статистические модели: авторегрессия проинтегрированного скользящего среднего, спектральный анализ Фурье;
б) ИНС: многослойный персептрон (MLP), обобщенно-регрессионная нейронная сеть (GRNN), радиально-базисная нейронная сеть (RBF);
в) ассоциативная машина (CM) - нейросетевая система, представляющая собой комбинацию ней-росетей-экспертов и позволяющая найти общее решение, имеющее приоритет над индивидуальным решением отдельного эксперта.
Следует отметить, что оптимальные нейросе-тевые прогнозные модели были найдены с помощью алгоритмов нелинейной оптимизации: имитации отжига (SA) и нейрогенетического отбора (NGIS) (табл. 1).
Для моделей ИНС и CM при обучении использовались следующие входные параметры: заявленный объем ЭЭ, технические потери ЭЭ, плановая реализация ЭЭ, фактическая реализация ЭЭ, расход ЭЭ субабонентами, дебиторская задолженность, ретроспективные значения СПЭ.
Выходным параметром являлась величина СПЭ. В результате работы алгоритмов 8Л и N018 были выделены 3 наиболее значимых ПРТХ, а именно: плановая реализация ЭЭ, фактическая реализация ЭЭ и дебиторская задолженность.
Таблица 1
Соревновательный отбор алгоритмом SA при прогнозе СПЭ
Ввиду ограничения регрессионных моделей на количество входных параметров в качестве входных значений для моделей АРПСС использовались только ретроспективные данные по величине СПЭ.
Результаты расчетов в используемых прогнозных моделях (табл. 2) свидетельствуют о высокой ошибке прогноза в рамках модели АРПСС, что обусловлено в основном ограничениями по количеству входных параметров. В свою очередь, прогноз с помощью структуры СМ, реализованной в подсистеме прогнозирования ПРТХ ПВК «АНА-ПРО», практически в 2 раза точнее прогноза одиночной ИНС.
Таблица 2
Прогноз СПЭ в сетевом участке «Сухой» различными прогнозными моделями
(указана относительная ошибка по месяцам, %)
Месяц Прогнозная модель
АРПСС ИНС CM
1 43,9 2,3 1,0
2 43,5 0,4 1,5
3 49,1 2,5 2,8
4 42,9 4,9 3,9
5 45,8 8,3 4,3
6 35,9 8,3 4,6
7 35,6 30,0 16,5
8 43,8 12,5 8,1
9 40,1 1,2 0,6
10 44,1 0,5 0,3
11 40,1 1,4 0,2
12 49,3 1,3 1,2
Средняя ошибка, % 42,8 6,1 3,7
Количество этапов SA Тип прогнозной модели Абсолютная ошибка, МВт Количество входных нейронов Количество скрытых нейронов Мера эффективности ИНС
1 MLP 238,88 2 1 0,367
2 GRNN 140,58 6 37 0,366
3 GRNN 140,58 6 37 0,366
4 GRNN 140,58 6 37 0,366
5 MLP 105,53 2 6 0.268
6 RBF 43,89 6 19 0,115
7 RBF 32,46 6 22 0,082
8 RBF 28,29 6 29 0,076
9 MLP 8,70 3 1 0,022
10 MLP 6,56 3 5 0,015
Рис. 3
Использование подсистемы совместной обработки ПРТХ ПВК «АНАПРО» позволяет существенно повысить точность прогнозирования. Как было выявлено ранее в результате факторного анализа РСА, высокие значения потерь для сетевого участка «Сухой» наблюдаются в летние месяцы (рис. 3в). Это существенно сказывается на точности прогноза СПЭ по моделям ИНС и СМ в эти месяцы (табл. 2), особенно для июля (по модели ИНС - 30,0 %, по модели СМ - 16,5 %).
Исходя из этого, для повышения точности прогноза СМ в рамках подсистемы совместной обработки (блок 11, рис. 1) в обучающую выборку был введен дополнительный входной параметр «факторная нагрузка», г фактора 1, вычисленный при анализе потерь ЭЭ (табл. 3).
Таблица 3
Значения факторной нагрузки (г фактора 1) для различных месяцев для сетевого участка «Сухой»
Результаты прогнозирования СПЭ с учетом коррекции в блоках 3 и 4 (рис. 2а) приведены в таблице 4. Как видно из таблицы, прогноз с учетом выполненного ранее анализа дал более точные результаты. В первую очередь следует отметить значительное снижение погрешности прогнозирования для наиболее проблемных для этого района летних месяцев.
Таблица 4
Прогноз СПЭ в сетевом участке «Сухой» моделями обычной СМ и СМ с коррекцией РСА и 80М
(указана относительная ошибка по месяцам, %)
Месяц Прогнозная модель
СМ (макрос прогнозирования) СМ (макрос совместной обработки)
1 1,0 0,5
2 1,5 0,6
3 2,8 0,4
4 3,9 1,7
5 4,3 2,5
6 4,6 2,3
7 16,5 2,4
8 8,1 0,8
9 0,6 0,6
10 0,3 0,4
11 0,2 0,5
12 1,2 2,9
Средняя ошибка, % 3,7 1,2
Представленный интеллектный ПВК «АНА-ПРО» позволяет применить новые методики при организации наглядного представления анализируемых данных и эффективно выделить особенности и различия в режимах работы распределительных электрических сетей, своевременно выявить ненормальные режимы и осуществить достоверное прогнозирование величин ПРТХ.
Литература
1. Курбацкий В.Г., Томин Н.В. Управление в электроэнергетике с использованием методов искусственного интеллекта // Электрика. 2005. № 9. С. 20-28.
Месяц
1 2 3 4 5 6 7 8 9 10 11 12
0,996 0,991 0,999 0,989 0,980 0,648 0,289 0,738 0,964 0,997 0,995 0,920
2. Хайкин С. Нейронные сети: Полный курс. 2-е изд.; пер. с англ. М.: Издат. дом «Вильямс», 2006. 1104 с.
3. Mellor S.J., Skott K., Uhl A. MDA Distilled: Principles of Model-Driven Arcitecture. 2004. 176 p.
4. Боровиков В.П., Ивченко Г.И. Прогнозирование в сис-
теме STATISTICA в среде Windows: Основы теории и интенсивная практика на компьютере: учеб. пособие: 2-е изд.; пере-раб. и доп. М.: Финансы и статистика, 2006. 368 с.
5. Харман Г. Современный факторный анализ; пер. с англ. М., 1972. 448 с.
УДК 519.248
СПЕЦИАЛЬНОЕ ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЛЯ ПОВЫШЕНИЯ КАЧЕСТВА ЭКСПЕРТИЗЫ РЕЗУЛЬТАТОВ ВЫПОЛНЕНИЯ НИОКР
А.А. Вакуленко, д.т.н.; Д.А. Сытник, к.т.н.
(ООО «Комплексные системы», г. Тверь, sytnik@pomplexsys.ru); А.Н. Петров, К.х.н.; А.В. Стрелец, к.т.н. (ГУ «Государственная дирекция ЦНТП», г. Москва)
В статье описано разработанное специальное программное обеспечение, реализованное в виде ^'еЬ-приложения, которое позволяет повысить качество результатов проведения экспертизы НИОКР, выполняемых в рамках Федеральной целевой программы, за счет обработки результатов экспертных заключений математическими и статистическими методами. Применение данного СПО дает возможность упростить процедуру принятия управленческих решений.
Ключевые слова: экспертная оценка, экспертная система, принятие решений.
Достижение основной цели Федеральной целевой программы «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России» на 20072012 гг. (далее - Программа) - развитие научно-технологического потенциала Российской Федерации - осуществляется путем скоординированного выполнения комплекса мероприятий, взаимоувязанных по срокам, ресурсам, исполнителям и результатам [1]. Данные мероприятия сгруппированы в блоки в соответствии со стадиями инновационного цикла «Генерация знаний» - «Разработка технологий» - «Коммерциализация технологий».
В рамках Программы выполняются научно-исследовательские (НИР), опытно-конструкторские (ОКР) и опытно-технологические работы (ОТР) по приоритетным направлениям развития науки, технологий и техники в Российской Федерации и соответствующим критическим технологиям [2]. Получение качественных результатов реализации Программы обеспечивается за счет отбора наиболее перспективных проектов для государственного финансирования, выявления исполнителей, предлагающих лучшие условия исполнения контрактов, эффективной проверки качества результатов, полученных при исполнении государственных контрактов. Эти процедуры осуществляются с использованием современной системы экспертизы, являющейся неотъемлемой составляющей механизма реализации Программы.
В настоящее время в Государственной дирекции ЦНТП (далее - Дирекция), осуществляющей
оперативное управление реализацией Программы, создана и эксплуатируется современная многофункциональная автоматизированная информационная система (далее - Система экспертизы), обеспечивающая реализацию составляющих бизнес-процесса Дирекции, в том числе проведение независимой экспертизы на всех стадиях реализации Программы, а также решение различных аналитических и информационных задач.
Одной из основных подсистем Системы экспертизы наряду с подсистемой экспертизы конкурсных заявок является подсистема экспертизы качества полученных результатов при выполнении как отдельных этапов, так и проектов в целом. Экспертиза организуется сотрудниками Дирекции и проводится независимыми экспертами с использованием м>еЬ -интерфейса Системы экспертизы в режиме удаленного доступа. При этом функционал системы обеспечивает:
- доступ к представленным исполнителями проектов электронным копиям отчетных документов, размещаемым в файловом хранилище специально выделенного сервера;
- формирование и выдачу независимыми экспертами экспертных заключений;
- получение и анализ сотрудниками Дирекции экспертных заключений, их хранение и предоставление заинтересованным (и уполномоченным) лицам государственного заказчика Программы.
Поскольку для оценки качества полученных результатов, представленных исполнителями проектов в отчетных документах в электронном виде, применяется экспертный метод, предполагается
