CC BY
53
Сравнительный анализ аналогов систем АС «СтЭП»
Характеристики для сравнений СтЭП ГосЭкспертиза ЭТОС
Формирование рабочей группы экспертов + + +
Приём документов + + +
Финансовый учёт + + +
Управление договорами + - +
Контроль проекта + + -
Автоматический расчёт экспертизы + - -
Стоимость 400 тыс. 500 тыс. 790 тыс.
Библиографический список
1. Положение об организации и проведении государственной экспертизы проектной документации и результатов инженерных изысканий. - URL: http://www.cntd.ru/458202614.html/ (дата обращения: 19.10.2018).
2. Градостроительный кодекс от 29.12.2004. - URL: http://www.consultant.ru/document/cons_doc_LAW_51040// (дата обращения: 19.10.2018).
3. Руководство пользователя АС «СтЭП». - URL: http://efsystem.ru/what_we_do/business_solutions/step/ (дата обращения: 19.10.2018).
4. АС «СтЭП. - URL: http://efsystem.ru/what_we_do/business_solutions/step/ (дата обращения: 19.10.2018).
5. АС «Госэкспертиза». - URL: http://efsystem.ru/what_we_do/business_solutions/step/ (дата обращения: 19.10.2018).
6. АС «ЭТОС». - URL:http://etos-pro.ru/category/gosudarstvennye-uslugi/ekspertiza-pd/ (дата обращения: 19.10.2018).
© Тодояков Я. С., 2019
УДК 004.89:620.92
ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ ФОТОЭЛЕКТРИЧЕСКОГО МАССИВА
Энгель Екатерина Александровна,
кандидат технических наук, доцент кафедры информационных технологий и систем Инженерно-технологический институт Хакасского государственного университета им. Н. Ф. Катанова (г. Абакан)
В статье описывается интеллектуальная система прогнозирования состояния фотоэлектрического массива, разработанная в рамках концепции интеллектуальной электроэнергетической системы с активно -адаптивной сетью. Данная система позволяет обеспечивать автоматическую самоадаптацию по мере поступления новой информации. Разработанная система также предусматривает комплексную оценку качества прогноза на основе настроенных нейросетевых коллективов.
Ключевые слова: нейросетевые коллективы, нейросетевые структуры, интеллектуальные системы, алгоритмы прогнозирования, программа для ЭВМ.
ON INTELLIGENT SYSTEM FOR PREDICTING A STATE OF THE PHOTOELECTRIC ARRAY
Engel Ekaterina Alexandrovna,
D. E. in Technical Sciences, Associate Professor, the Department of Information Technologies and Systems, Engineering and Technology Institute, Katanov Khakass State University (Abakan)
The article describes an intelligent system for predicting a state of a photoelectric array, developed as part of the concept of an intelligent electric power system with an active adaptive network. This system allows for automatic self-adaptation as soon as new information arrives. The developed system also provides a comprehensive assessment of the quality of the forecast based on tuned neural network teams.
Key words: neural network groups, neural network structures, intelligent systems, forecasting algorithms, computer program.
Одна из актуальных и весьма значимых проблем в современном мире является сбережение электроэнергии и повышение энергетической эффективности. Она, в частности, ре-
шается за счёт обращения пристального внимания на возобновляемую энергетику и её наиболее динамично развивающееся направление - солнечную энергетику. Она утвержде-
на на федеральном уровне как приоритетное направление развития науки и технологий в РФ. В частности, 23.11.2009 г. принят Федеральный закон № 261-ФЗ «Об энергосбережении и о повышении энергетической эффективности». Целью принятия Федерального закона «является создание правовых, экономических и организационных основ стимулирования энергосбережения и повышения энергетической эффективности» [1]. Данный закон вкупе с тремя технологическими платформами (Интеллектуальная энергетическая система России, Малая распределённая энергетика, Перспективные технологии возобновляемой энергетики), принятыми правительственной комиссией по высоким технологиям и инновациям, призваны способствовать решению обозначенной выше проблемы.
Как было уже замечено, проблема сбережения электроэнергии и повышения энергетической эффективности, в частности, возможна путём развития солнечной энергетики. Солнечная энергия широко доступна, она обладает практически безграничными ресурсами, к её плюсам относится также высокая экологич-ность, проявляющаяся в том, что функционирование фотоэлектрической панели не загрязняет окружающую среду.
Однако фотоэлектрическая установка не является дешёвым и стабильным решением, поскольку зависит от плотности потока солнечного излучения. Из-за нестабильности указанного решения продавцу оптового рынка электроэнергии необходимо решать задачу почасового прогнозирования вырабатываемой солнечной электростанцией (СЭ) мощности на сутки вперёд. Для этого ему нужно проанализировать большой массив данных SCADA СЭ и иметь сведения о прогнозе погоды. Однако почасовое прогнозирование вырабатываемой, СЭ мощности на сутки вперёд, а также построение формализованной, адекватной математической модели является невозможным, или как минимум оно затруднено в силу
имеющихся ограничений, на которых базируются традиционные математические модели.
Полагаем, что проблему прогнозирования вырабатываемой СЭ мощности способна решить интеллектуальная электроэнергетическая система (ЭЭС) с активно-адаптивной сетью. Данная система регламентирует необходимость применения интеллектуальных методов, что связано с современными требованиями по формированию технических средств обработки информации. Традиционные технологии обработки информации, которые не обеспечивают повышения качества прогноза, особенно в условиях воздействия различных внешних и внутренних факторов неопределённости, сегодня непригодны [2].
Вышеперечисленные аспекты актуализируют применение интеллектуальных методов обработки больших массивов информации в СЭ. Значительный научный вклад в теорию и практику создания нейросетевых систем внесли такие учёные, как Д. А. Поспелов, В. Г. Редько, В. А. Терехов, Ю. А. Борцов, Ф. Вассерман, Н. Хассоун, А. И. Галушкин и
др. [3-4].
При интеллектуальном анализе больших массивов информации возникает необходимость многоуровневой обработки информации, которая необходима для получения из анализируемых данных нужных знаний. Многоуровневая обработка информации включает в себя:
1) предобработку данных (их фильтрацию);
2) преобразование предобработанных данных в нейросетевые знания;
3) обработку информации, полученную на выходе нейросетей.
В связи с этим возникает техническая проблема, связанная с разработкой эффективной автоматизированной системы почасового прогнозирования состояния фотоэлектрического массива на сутки вперёд на основе интеллектуальных методов в условиях неопределённости различного характера [5-7].
В настоящем исследовании разработана ин-теллектуалльная система прогнозирования состояния фотоэлектрического массива на основе коллективов нейросетей, которая и будет рассмотрена далее.
Интеллектуальная система прогнозирования состояния фотоэлектрического массива на основе коллективов нейросетей.
Для настройки коллективов нейросетей использованы: база данных прямой иррадиации, метеорологические параметры фактической погоды и ежедневные средние параметры прогноза погоды, собранные на территории Абакана с февраля 2016 по февраль 2018 гг., а именно:
sh=(G0h, Gd ■■■, Gd 19 - , C Н-„:2, ■■■, С19 2
а„', т„', Ph,, Wh, Wdht) (1),
где G0h' - иррадиация за пределами земной атмосферы, Gd и-т'2 - архивные данные разли-
г* '-2
чия иррадиации, С - архивные данные индекса ясного неба, С4' - облачность (%), Р/ -атмосферное давление, Wh' и Wdh' - скорость и направление ветра, соответственно, Ти - температура воздуха [8], т - размер окна прогнозирования, , . Отметим, что С4', Ри, Wh', Wdh', Т^ - это ежедневные средние параметры прогноза погоды. Количество примеров 2 907 (к • '=19 • 153 = 2907).
Интеллектуальная система прогнозирования состояния фотоэлектрического массива на основе коллективов нейросетей формируется за три этапа [9].
I этап представляет собой автоматизированный структурно-параметрический синтез интеллектуальной системы почасового прогнозирования выработки электрической энергии солнечной электростанции на сутки вперёд в форме коллектива нейросетей с наилучшими показателями эффективности за три шага:
- 0 шаг. На основе РСА исходных и на основе данных вида (1 ) из признаков выбраны независимые, имеющие наибольшее влияние на выработку. На основе РСА определено чис-
ло задержек для отобранных независимых признаков. В результате сформирована выборка данных:
Zh=(xh=(G0h, С к '2, Р к t2, С1к , Тк , Ргк , Wh , Wdкt), Р¿) (2)
- 1 шаг. На основе классификации данных вида (2) составлены - совокупности множеств Ар, у = 1 ■ ■ 4. Указанная совокупность множеств Ар соответствует состоянию облачности часа: ясный, облачный с прояснениями, облачный, пасмурный. Формируется и настраивается на основе выборки данных (2) нейросеть С (двухслойная, активационные функции скрытого слоя: 'атт(п) = 2/(1 + ехр(-2п))-1, выходного слоя - линейная, входной сигнал х , выходной - А);
- 2 шаг. Формирование и настройка коллектива нейросетей.
Для каждого множества Ар, р6 {1, ..., 4}, формируется коллектив нейросетей Ур (двухслойные, активационные функции скрытого слоя: 'атт(п) = 2/(1 + ехр(-2п))-1, выходного слоя - линейная). Составляются и настраиваются на основе выборки данных (2) р*М нейросетей: Ур: щ = /р(х), формирующие прогноз выработки электрической энергии солнечной электростанции на сутки вперёд (количество нейронов в скрытом слое - к определяется согласно эмпирическому правилу Видроу: к = О(Ы)/(п' + 1) и к > Лс2 а(п' + 1), где а - абсолютная допустимая погрешность, п '- количество нейронов во входном слое: нейронов (п' входов соответствуют для времени ': характеристикам фактической погоды и инсоляции); нейрон выходного слоя выдаёт прогноз выработки электрической энергии солнечной электростанции на сутки вперёд Ур.'Ыр = /р(х).
Таким образом, формируются р*М нейросетей Ур, которые далее называются настроенным коллективом Ур. Составляются нейросете-вые вычислительные структуры Ур':ыр = /р(х).
II этап представляет собой диагностическое функционирование интеллектуальной системы
почасового прогнозирования выработки электрической энергии СЭ на сутки вперёд в форме настроенных нейросетевых коллективов, которое осуществляется за два шага.
1 шаг. Коллективы нейросетей работают следующим образом: нейросеть С идентифицирует устойчивое &-тое состояние облачности часа.
2 шаг. Соответствующий k состоянию облачности часа настроенный коллектив нейросетей Ук формирует прогноз выработки электрической энергии СЭ на сутки вперёд на соответствующий час t.
Нейронные сети У] позволяют работать напрямую с общим видом уравнений щ = х), не производя их линеаризацию и учитывая все взаимосвязи между разными характеристиками, влияющими на выработку.
Нейросетевые структуры, реализуемые на втором этапе и сформированные на первом этапе, эффективно распараллеливают решение задачи почасового прогнозирования выработки электрической энергии СЭ на сутки вперёд, что существенно сокращает вычислительные затраты.
Результаты прогнозирования выработки СЭ на два дня вперёд на основе интеллектуальной системы прогнозирования выработки фотоэлектрической системы.
На основе архива данных вида (1) была настроена интеллектуальная система прогнозирования состояния фотоэлектрического массива на основе коллективов нейросетей
средствами программного обеспечения «Интеллектуальная система прогнозирования мощности солнечной электростанции» [8]. Проведён экспериментальный анализ, выявивший наиболее эффективную структуру нейросети. Обучено 100 нейросетей каждого вида, указанных в таблице; из 100 обученных нейросетей отобраны три с минимальной ошибкой обучения, которые сформировали коллективы нейросетей. Тестирование коллективов нейросетей производилось на основе данных вида (2) для периода с сентября 2017 по февраль 2018 гг. (обучение указанных нейросетей осуществлялось на выборке, предшествующей дню тестирования). Результаты экспериментального исследования отражает таблица. Таблица показывает, что наиболее эффективным нейросетевым коллективом является коллектив, составленный на основе рекуррентных нейросетей (количество временных задержек - 2, количество скрытых нейронов - 6).
Из приведённой таблицы видно, что минимальную из указанных абсолютных ошибок при прогнозировании выработки электрической энергии солнечной электростанции даёт коллектив нейросетей, содержащий рекуррентные нейросети (количество временных задержек - 2, количество скрытых нейронов -6). Топология рекуррентных нейросетей У1], У2] и У3] показана на рисунке.
Максимальная абсолютная ошибка при почасовом прогнозировании выработки электрической энергии АСЭ на сутки вперёд коллективами нейросетей, имеющих соответствующую архитектуру у
Нейросети коллектива Количество скрытых нейронов Максимальная абсолютная ошибка (кВт ч)
Персептрон 4 1 200
5 845
6 1 145
Рекуррентные нейросети 4 1 465
(задержка 1) 5 836
6 1 256
Рекуррентные нейросети 4 1 216
(задержка 2) 5 836
6 513
7 1 120
Окончание табл.
Рекуррентные нейросети 4 1 245
(задержка 3) 5 978
6 1 178
Рекуррентные нейросети 4 1 326
(задержка 4) 5 965
6 1 123
Топология рекуррентных нейросетей
Таким образом, указанное экспериментальное исследование позволило апробировать и верифицировать разработанное программное обеспечение «Интеллектуальная система прогнозирования мощности солнечной электростанции» путём загрузки указанных нейросе-тевых коллективов как файлов обновления в формате txt [10; 11].
Разработанная как программа для ЭВМ интеллектуальная система прогнозирования состояния фотоэлектрического массива на основе коллективов нейросетей в условиях случайных возмущений организует функциональное взаимодействие учёта больших массивов данных SCADA СЭ и прогноза погоды, нейросе-тевой идентификации состояния облачности часа (ясный, облачный с прояснениями, облачный, пасмурный) и прогноза. Интеллектуальная система прогнозирования состояния фотоэлектрического массива организует обработку информации в следующем виде: нейро-сетевая идентификация состояния облачности (ясный, облачный с прояснениями, облачный, пасмурный) часа (средний уровень) и нейро-прогнозирование (низший уровень) с учётом идентифицируемого состояния. С целью автоматизированного структурно-параметрического синтеза интеллектуальной системы про-
гнозирования состояния фотоэлектрического массива на сутки вперёд разработан метод гибридных интеллектуальных вычислений, формирующий настроенные коллективы ней-росетей. В данной статье решается актуальная народно-хозяйственная задача почасового прогнозирования выработки электрической энергии солнечной электростанции на сутки вперёд в условиях случайных возмущений с учётом условий эксплуатации и природно-климатических особенностей регионов. При моделировании в среде Simulink Matlab разработанной интеллектуальной системы почасового прогнозирования выработки электрической энергии солнечной электростанции на сутки вперёд выявлены следующие её достоинства:
- поддерживает режим реального времени; настроенные гибридные вычислительные структуры позволяют обрабатывать зашум-ленные данные, полученные напрямую с датчиков солнечной электростанции;
- снижаются ошибки почасового прогнозирования выработки электрической энергии солнечной электростанции на сутки вперёд в условиях случайных возмущений, сопряжённых с ошибками прогноза погоды и соответствующего резкого изменения инсоляции в
среднем на 5 % в сравнении с результатами экспертной процедуры, используемой на АСЭ для построения макета выработки электрической энергии солнечной электростанции на сутки вперёд.
альная система прогнозирования состояния фотоэлектрического массива на сутки вперёд, обеспечивающая автоматическую самоадаптацию по мере поступления новой информации и комплексную оценку качества прогноза на основе настроенных нейросете-вых коллективов.
В рамках концепции интеллектуальной электроэнергетической системы с активно -адаптивной сетью разработана интеллекту-
Библиографический список
1. Об энергосбережении и о повышении энергетической эффективности: Федеральный закон РФ от 23.11.2009 № 261-ФЗ (о с изм. и доп. 27.12.2018 г.). - URL: https://base.garant.ru/12171109/ (дата обращения: 23.02.2019).
2. Engel, N. E. Intelligent control system of autonomous objects / N. E. Engel, E. A. Engel, I. V. Kovalev [et al.]// IOP Conf. Series: Materials Science and Engineering. - 2017. - P. 173.
3. Engel, N. E. Model of interaction in Smart Grid on the basis of multi-agent system / N. E. Engel, E. A. Engel, I. V. Kovalev // IOP Conference Series: Materials Science and Engineering. - 2017. - Vol. 155. - N° 1.
4. Engel, N. E. Control of technical object on the basis of the multi-agent system with neuroevolution and student-teacher of-line learning / N. E. Engel, E. A. Engel, I. V. Kovalev // IOP Conference Series: Materials Science and Engineering. - 2017. - Vol. 155. - № 1.
5. Engel, N. E. Intelligent control of PV system on the basis of the fuzzy recurrent neuronet / N. E. Engel, E. A. Engel, I. V. Kovalev // IOP Conference Series: Materials Science and Engineering. - 2017. - Vol. 122.
6. Энгель, Е. А. Интеллектуальная система управления фотоэлетрическим комплексом на базе адаптивного нейроконтроллера / Е. А. Энгель // Энергобезопасность и энергосбережение. - 2015. - № 2. - С. 32-38.
7. Энгель, Е. А. Обеспечение максимальной выходной мощности фотоэлектрической энергосистемы на основе адаптивного / Е. А. Энгель // Энергетика. Инновационные направления в энергетике. CALS-технологии в энергетике: мат-лы IX Всерос. (с междунар. участием) научно-технической интернет-конференции (Пермь, 2015 г. Министерство образования и науки Российской Федерации; Пермский национальный исследовательский политехнический университет). - Пермь, 2015. - Т. 1. - С. 33-41.
8. Энгель, Н. Е. Интеллектуальная технология уточнения значения температуры в условиях противоречивости прогнозов погоды / Н. Е. Энгель, Е. А. Энгель // Новые информационные технологии в образовании и аграрном секторе экономики: сборник мат-лов I Междунар. науч.-практ. конф. - Брянск: Брянский гос. аграрный ун-т, 2018. - C. 225-229.
9. Энгель, Н. Е. Свидетельство о государственной регистрации программы для ЭВМ 2018612282 «Интеллектуальное прогнозирование мощности фотоэлектрической системы» / Н. Е. Энгель, Е. А. Энгель. - URL: https://filesdatabase.net/4116711 (дата обращения: 15.10.2018).
10. Энгель, Н. Е. Программный модуль «Загрузка файла интеллектуальной модели прогнозирования выработки фотоэлектрической системы» на языке C# / Н. Е. Энгель // Катановские чтения - 2017: сборник научных трудов студентов; науч. ред. С. А. Кырова. - Абакан: Изд-во ФГБОУ ВО «Хакасский государственный университет им. Н. Ф. Катанова», 2017. - C. 277.
11. Энгель, Н. Е. Модернизация программного модуля «Загрузка данных для интеллектуальной модели» / Н. Е. Энгель, Е. А. Энгель // Вестник Хакасского государственного университета им. Н. Ф. Катанова, 2018. - № 23 - С. 29-30.
Исследование выполнено при финансовой поддержке РФФИ и Республики Хакасия в рамках научного проекта № 19-48-
190003.
© Энгель Е. А., 2019
