CC BY
332
Сведения об авторе Победоносцева Вероника Валерьевна,
младший научный сотрудник лаборатории энергосбережения и возобновляемых источников энергии Центра физико-технических проблем энергетики Севера КНЦ РАН, к.э.н.
Россия, 184209, Мурманская область, г.Апатиты, Академгородок, д.21А Эл. почта: [email protected]. net. ru
УДК 621.311
А.Ю.Рыгалов, Ю.П.Кубарьков
ПРИМЕНЕНИЕ МУЛЬТИАГЕНТНЫХ СИСТЕМ В ЭЛЕКТРОЭНЕРГЕТИКЕ Аннотация
Рассмотрена сущность мультиагентных систем, возможность и общие принципы построения мультиагентных моделей в сфере электроэнергетики, их использование для построения Smart Grid.
Ключевые слова:
мультиагентная система, умные сети, ИТ-системы, моделирование.
A.Yu.Rygalov, Y.P.Koubarkov APPLICATION OF MULTI-AGENT SYSTEMS IN POWER INDUSTRY
Abstract
The essence of multi-agent systems, ability and general principles of multi-agent models in power industry sector, their using for building Smart Grid are discussed.
Keywords:
multi-agent systems, Smart Grid, IT, modeling.
В последние десятилетия в сфере электроэнергетики активно применяются информационные технологии. Они помогают при проектировании, эксплуатации и прогнозировании. При нынешнем объеме информации, сопутствующей производству, передаче и потреблению электроэнергии, не только невозможен отказ от использования компьютеров, но постоянно рассматриваются перспективы применения все новых и новых средств передачи, обработки и вывода информации. На смену простейшим примитивным программам стали приходить информационно-аналитические комплексы и экспертные системы, ведутся активные разработки нейронных сетей. Начало разработок специализированных экспертных систем и искусственных нейронных сетей стало обращением электроэнергетики к области искусственного интеллекта.
Следующим шагом в этом направлении могут стать мультиагентные (или многоагентные) системы (МАС). От перехода к интеллектуальным сетям (Smart Grid) ожидают потока информации, следующего за потоком энергии. Этот поток необходимо обработать, интерпретировать и выполнить адекватные действия (по мере необходимости). Решить эти задачи при помощи программного обеспечения, действующего сегодня, можно. Однако исследования в области искусственных нейронных сетей доказали эффективность и целесообразность обучения программам (причем без участия человека).
Мультиагентные системы могут помочь в решении многих задач. Любой агент представляет собой открытую систему, помещенную в некоторую среду, причем эта система обладает собственным поведением, соответсвующим некоторым экстремальным принципам. Таким образом, агент считается способным воспринимать информацию из внешней среды с ограниченным разрешением, обрабатывать ее на основе собственных ресурсов, взаимодействовать с другими агентами и действовать на среду в течение некоторого времени, преследуя свои собственные цели.
Это значит, что при построении искусственного агента минимальный набор базовых характеристик включает такие свойства как:
• активность - способность к организации и реализации действий;
• реактивность - способность воспринимать состояние среды;
• автономность - относительная независимость от окружающей среды или наличие некоторой «свободы воли», обусловливающей собственное поведение, которое должно иметь хорошее ресурсное обеспечение;
• общительность, вытекающая из необходимости решать свои задачи совместно с другими агентами и обеспечиваемая развитыми протоколами коммуникации;
• целенаправленность, предполагающая наличие собственных источников мотивации.
Необходимыми условиями реализации искусственным агентом определенного поведения выступают специальные устройства, непосредственно воспринимающие воздействия внешней среды (рецепторы) и исполнительные органы, воздействующие на среду (эффекторы), а также процессор - блок переработки информации и память. Под памятью здесь понимается способность агента хранить информацию о своем состоянии и состоянии среды. В теории МАС считается, что один агент владеет всего лишь частичным представлением о глобальной проблеме, а значит, он может решить лишь некоторую часть общей задачи. В связи с этим для решения сложной задачи необходимо создать некоторое множество агентов и организовать между ними эффективное взаимодействие, что позволит построить единую многоагентную систему. В многоагентных системах весь спектр задач по определенным правилам распределяется между всеми агентами, каждый из которых считается членом организации или группы. Распределение заданий означает присвоение каждому агенту некоторой роли, сложность которой определяется исходя из возможностей агента.
Агентная платформа (далее АП) реализует основные механизмы, обеспечивающие работу МАС, и таким образом облегчает построение агентных систем. МАС работает «поверх» агентной платформы и использует ее сервисы. Основные функции АП:
• реализация взаимодействия агентов;
• передача сообщений между агентами внутри платформы (на различных уровнях: на уровне сетевых пакетов, сообщений какого-либо языка общения, протоколов общения);
• передача сообщений между агентами разных платформ;
• поддержка онтологий;
• управление агентами;
• поиск агентов и данных о них внутри системы;
• управление жизненными циклами агентов;
• обеспечение безопасности.
Рецепторами агентов, таким образом, будут датчики энергосистемы, памятью - базы данных, эффекторами - средства визуализации и автоматика, процессором - группа центров обработки данных (ЦОД). Для работы этой системы потребуются модели как энергосистемы, так и каждого агента. Минимальный набор агентов:
агент прогнозирования (прототипом может служить прогнозная модель
на базе искусственной нейронной сети);
агент оптимизации генерации;
агент эксплуатации энергосистемы;
агент логистики;
агент рынка энергии.
Таким образом, целью работы МАС станет оптимизация функционирования энергосистемы, а каждый агент будет заниматься реализацией своей задачи (задач): задача агента прогнозирования - осуществлять прогнозы энергопотребления и потерь электроэнергии в краткосрочной и долгосрочной перспективах;
агента оптимизации генерации - выбрать оптимальные набор и загрузки генерирующих станций;
агента эксплуатации - вести режимы работы энергосистемы, планировать обслуживание, ремонт и замену оборудования;
агента логистики - оптимизировать передачу и распределение энергии; агента рынка энергии - участвовать в формировании тарифа на энергию, отслеживать сделки на рынке, корректировать в связи с ними прогнозы.
Одним из принципов Smart Grid является прозрачность. Реализовать его удобно через так называемые «облачные» технологии. То есть доступ к информации будет осуществляться через различные интернет-сервисы, позволяющие как получить необходимую информацию, так и произвести ряд операций с ней. Поставщиком «облачных» услуг целесообразно быть отделу или организации при министерстве энергетики или системном операторе.
Этот отдел (организация) мог бы также предоставлять услуги ГГ-аутсортинга для предприятий в сфере энергетики. Фирмы-аутсортеры гарантируют предоставление своих услуг в любое время, указанное в договоре.
Работники специализированных организаций обычно обладают высоким уровнем профессионализма, необходимым для работы с оборудованием, не нуждаются в обустройстве для них специального рабочего места. Оплата их услуг может осуществляться как в зависимости от фактического объема выполненных работ, так и почасовым способом, а может быть и фиксированной (по принципу абонентской платы). В любом случае при отсутствии необходимости в постоянном присутствии в организации компьютерного специалиста это потребует меньших затрат, чем введение в штат дополнительных должностей. С введением контроля министерства (или системного оператора) отпадут опасения за информационную безопасность предприятия-клиента.
Выводы
Для IT-поддержки Smart Grid необходимо эффективное использование мультиагентных систем со следующим минимальным набором агентов: агент прогнозирования; агент оптимизации генерации; агент эксплуатации энергосистемы; агент логистики; агент рынка энергии.
Для обеспечения «прозрачности» и возможности предоставления квалифицированного IT-аутсортинга целесообразно рассмотреть создание отдела (организации) при министерстве энергетики или системном операторе, который предоставлял бы «облачные» услуги.
Литература
1. Wooldridge M.J. An introduction to multi-agent systems. Wiley, 1996.
2. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям. Философия, психология, информатика. М., Эдиториал. 2002.
3. Ghallab M., Nau D., Traverso P. Automated planning: Theory & Practice. Morgan Kaufmann, 2004.
4. Портал искусственного интеллекта. [Электронный ресурс]. URL: http://www.aiportal.ru (18.04.2012)
Сведения об авторах
Кубарьков Юрий Петрович,
доцент Самарского государственного технического университета, к.т.н.
Россия, 443010, г.Самара, ул.Молодогвардейская, д.244 Тел. 8-(846)-242-37-89, эл. почта: [email protected]
Рыгалов Алексей Юрьевич,
аспирант Самарского государственного технического университета,
Россия, 443010, г.Самара, ул.Молодогвардейская, д.244 Тел. 8-(846)-242-37-89
УДК 621.311
Ю.П.Кубарьков, В.В.Степанов, П.В.Копырюлин, А.Ю.Рыгалов
СИСТЕМА КОНТРОЛЯ ДАННЫХ ДЛЯ ПРИНЯТИЯ РЕШЕНИЯ ПРИ НОРМИРОВАНИИ ПОТЕРЬ ЭЛЕКТРОЭНЕРГИИ
Аннотация
Рассмотрена система помощи для контроля данных при принятии решения о параметрах нормирования потерь электроэнергии при ее передаче по электрическим сетям. Приведены основные критерии возможности нормирования, способы их проверки и методы реализации.
Ключевые слова:
контроль данных, RAB-регулирование, ТСО, нормирование, потери электроэнергии.
Y.P.Koubarkov, V.V.Stepanov, P.V.Kopyrulin, A.Yu.Rygalov
DATA CONTROL SYSTEM FOR DECISION-MAKING AT RATING OF ELECTRIC POWER LOSSES
Abstract
The help system for data control at decision-making on the possibility of rationing electricity losses during transmission of electrical networks is discussed. The main criteria for the possibility of rationing, the methods of their testing and implementation methods are given.
Keywords:
data control, RAB-regulation, TGO, regulation, electricity losses.
