Формирование модели интеллектуального программного аналитического комплекса в электроэнергетике

Полный текст

Введение

Применение программных средств автоматизации в электроэнергетике является одним из приоритетных направлений в этой отрасли. Например, программный комплекс «Аварийность» позволяет автоматизировать процесс ввода записей в журнал отключений и актов расследования, их корректировки, а также дальнейшего анализа результатов расследования причин аварий [1]. Программное обеспечение АПК ЦЕНСОР, предназначенное для хранения, сбора и отображения информации, позволяет формировать сводки и отчёты [2]. Системы сбора данных и оперативного контроля SCADA (от англ. Supervisory Control And Data Acquisition) позволяют организовать дистанционный мониторинг параметров [3].

Востребованными являются решения в области аналитики данных, направленные на обеспечение надёжности и устойчивости работы энергосистем. К ним относятся: оперативный анализ ситуаций, поддержка принятия решений, формирование аналитической отчётности. Сформирована энергетическая стратегия России на период до 2030 года, которая направлена на стимулирование разработки и внедрения инновационных, в т.ч. цифровых, технологий в области энергетики [4]. Актуальны вопросы разработки методов моделирования интеллектуального программного аналитического комплекса (ПАК), позволяющего прогнозировать и оптимизировать показатели производственных процессов в энергетике.

1. Модель обеспечения устойчивости качества электрической энергии

Разработка методов моделирования интеллектуального ПАК позволит организациям электроэнергетики дистанционно использовать интеллектуальные информационные системы (ИС) учёта электрической энергии (ЭЭ), в онлайн-режиме снимать показания потребителей, регистрировать отклонения и определять качество ЭЭ. Интеллектуальный ПАК должен обеспечить надёжность и устойчивость работы системы.

Интеллектуальный ПАК – комплекс инструментов, содержащих хранилище данных, базу знаний (БЗ), средства извлечения данных, средства преобразования и загрузки данных, аналитические средства [5].

При обследовании предметной области (ПрО) образуется много данных и знаний, которые необходимо своевременно обрабатывать и передавать в ПАК. К модулям ПАК, которые являются информационными объектами (ИО), можно применить положения теории категорий [6]. В этом случае ПАК проектируется в виде совокупности объектов, которые имеют свойства категорий. Организация взаимодействия функциональных программ обеспечивает объединение системы анализа объектов ПрО с учётом динамических свойств ПрО, а состояния интеллектуального ПАК образуют категорию множеств. Представление ПАК в виде совокупности ИО позволяет рассматривать его в качестве модели цифрового двойника (ЦД), что расширяет его «электронную прозрачность» во многих аспектах, в т.ч. управленческих и технологических [7, 8].

Разработка семантической модели системы с учётом внешнего контура качества на основе цикла Деминга [9], отражающей реализацию процессов в интеллектуальном ПАК, позволит представить модель контура на формальном уровне в терминах объектов и их характеристик, рассмотреть правила взаимодействия процессов и подпроцессов при помощи функций (рисунок 1).

 

Рисунок 1 – Модель обеспечения устойчивости качества электрической энергии с учётом внешнего контура качества с использованием интеллектуального программного аналитического комплекса

АСКУЭ – автоматизированная система коммерческого учёта электроэнергии; ERP – система управления и планирования ресурсов; SCADA – диспетчерское управление и сбор данных, программный пакет

 

Все функции, введённые в данную модель, реализуются в виде конечного множества определённых сценариев в онлайн-режиме.

В системе электроснабжения на предприятии электроэнергетики на основе нормативной документации формируются Ppl_i – плановые показатели/индикаторы и нормы качества ЭЭ. ${\text{Ppl}}_{\text{i}}\text{=}\left\{{\text{Ppl}}_{\text{1}}{\text{,…,Ppl}}_{\text{n}}\right\}$ – множество показателей зависит от конкретного объекта электроснабжения и категории потребителей. Пусть Ф(P) – функция, характеризующая нормативные показатели/индикаторы и нормы качества ЭЭ, поступающие из внешней среды S. Показатели и нормы качества ЭЭ должны соответствовать нормативной документации (регламенты, положения и др.) $Ф\left(P\right)\subseteq S$ отображает учёт внешней среды при формировании нормативной документации.

ИС относится к классу открытых систем, которые активно взаимодействуют с окружающей средой, т.е. со всей совокупностью элементов окружающего ИС мира, оказывающих на неё воздействия. Внешняя среда характеризуется тремя видами воздействия на ИС: энергетическим, информационным, нагрузочным.

Изменения нормативной документации Ф'(P) пополняются новыми нормативными показателями/индикаторами и нормами качества ЭЭ, что отражается в изменении Ppl_i и соответствует новым значениям Ppl_i' .

По истечении определённого периода, регламентируемого стандартами объекта электроснабжения, формируются Pf_i – фактические показатели/индикаторы качества ЭЭ; {Pf₁,…,Pf_n} – множество фактических показателей/индикаторов. Pf_i сравниваются с Ppl_i и выявляются O_i – отклонения в виде маркированных показателей/индикаторов O₁, …, O_n, при этом отклонения показателей/индикаторов и нормы качества ЭЭ не должны превышать установленные значения, иначе при выявлении отклонений формируются управляющие воздействия, что ведёт к изменению Pf_i и новым значениям Pf_i'. Под маркированными показателями/индикаторами понимаются данные – результаты измерений показателей качества ЭЭ и результаты объединения измеренных значений показателей на временных интервалах [10]. В процессе формирования управляющих воздействий новых значений Pf_i' изменяются значения маркированных показателей/индикаторов на новые O_i'.

В объекте управления выделяются количественные характеристики ИО, а на их основе формируются качественные характеристики ИО в интеллектуальном ПАК. К ним относятся группы показателей качества ЭЭ (ПКЭЭ) (рисунок 2), которые состоят из видов ПКЭЭ (ВПКЭЭ), причин отклонений показателей качества ЭЭ (ПОПКЭЭ) и видов норм качества ЭЭ (ВНКЭЭ).

 

Рисунок 2 – Группы показателей качества электрической энергии

 

Модель представления знаний имеет вид: «ЕСЛИ условие, ТО действие». Под условием понимается некоторое предложение-образец, по которому осуществляется поиск в БЗ, а под действием – действия, выполняемые при успешном исходе поиска. При использовании модели БЗ состоит из набора правил [11]. БЗ и логические правила необходимы для поиска решения рассматриваемого процесса лицами принимающие решения (ЛПР) и оценки результатов поиска [12]. В основе логических правил лежит нечёткая логика, базирующаяся на понятии нечёткого множества. J₁, …, J_N – перекрёстки соединения «И» или «ИЛИ», означающие, что: все предшествующие процессы должны быть завершены и все следующие процессы должны быть запущены; или что одно или несколько исходных действий должны завершиться и одно или несколько конечных действий инициируется. Такие логические правила перекрёстков J₁, …, J_N целесообразно объединить в виде БЗ логических условий с учётом имеющегося опыта, накопленного в интеллектуальном ПАК. Таким образом, модель представления знаний в ПАК состоит из множества показателей/индикаторов плановых $\text{Ppl=}\left\{{\text{Ppl}}_{\text{1}}{\text{,…,Ppl}}_{\text{n}}\right\}$ и множества фактических $\text{Pf=}\left\{{\text{Ppl}}_{\text{1}}{\text{,…,Ppl}}_{\text{n}}\right\}$ показателей/индикаторов, базы правил с логическими условиями, базы знаний с множеством управляющих воздействия $\text{CA=}\left\{{\text{CA}}_{\text{1}}{\text{,…,CA}}_{\text{n}}\right\}$ (см. рисунок 3). Для любого показателя индикатора действует схема продукционных правил. Если определены ${\text{Ppl}}_{\text{i}}$ и $P{f}_j$, то ${\text{O}}_{\text{k}} ={\text{Ppl}}_{\text{i}}-{\text{Pf}}_{\text{j}}$, где k – индекс маркированных показателей индикаторов, k=1,…,n.

 

Рисунок 3 – Модель представления знаний в ПАК

 

Использование справочника логических условий БЗ в ПАК позволяет имитировать процессы и принимать решения в ситуациях отнесённых к компетенциях ЛПР, с визуализацией алгоритма поиска решения, т.е. каким образом достигается цель и пути её достижения или не достижения. При формировании модели ПАК осуществляется разделение его на множество объектов с учётом установленных между ними отношений, и полученное множество отношений между категориями выделяется в новый объект.

Таким образом, при формализации ПрО с использованием положений теории категорий описываются все отношения объектов проектируемой системы между собой [13].

В интеллектуальных ИС, работающих на базе алгоритмов и моделей машинного обучения, используется большое количество данных, в т.ч. справочных размеченных данных для обучения алгоритмов. Использование динамического графа, его объединений позволяет не только повысить точность работы таких систем, но и обеспечить объяснимость получаемых результатов. Динамический граф представляет собой упорядоченную во времени последовательность статических графов, не имеющих параллельных рёбер и петель, переход между которыми описывается в терминах теории категорий [14, 15].

В динамическом графе существует определённое количество узлов. Каждую цепочку узла можно будет достроить до квадрата Декарта (рисунок 4) [6]. Декартов квадрат морфизмов для плановых показателей/индикаторов представлен $f :Pp{l}_1 \to O_1$ и $g :Pp{l}_2 \to O_1$ – это объект $O_1$ и морфизмы $p :Pp{l}_i\to Pp{l}_1$ и $q: Pp{l}_i\to Pp{l}_2$, такие что $f \circ p = g \circ q$ и для любого объекта $O_1$ и морфизмов $m : O_1\to Pp{l}_1$ и $n : O_1\to Pp{l}_2$, если $f \circ m = g \circ n$, то существует уникальный морфизм $u : O_1\to Pp{l}_i$, такой что $p \circ u = m$ и $q \circ u = n$, в результате получается множество отношений между объектами с плановыми показателями/индикаторами, представленные квадратом Декарта.

 

Рисунок 4 – Динамический граф поиска отклонений фактических показателей/индикаторов от плановых

 

Для фактических показателей/индикаторов следующий Декартов квадрат $f^{\text{'}} : Pp{f}_1 \to O_1$ и $g^{\text{'}}: Pp{f}_2 \to O_1$ – это объект $O_1$ и морфизмы $p^{\text{'}}: Pp{f}_i\to Pp{f}_1$ и $q^{\text{'}}: Pp{f}_i\to Pp{f}_2$, такие что f'°p' = g'°q' и для любого объекта $O_1$ и морфизмов $m^{\text{'}}: O_1\to Pp{f}_1$ и $n^{\text{'}}: O_1\to Pp{f}_2$, если $f^{\text{'}} \circ m^{\text{'}} = g^{\text{'}} \circ n^{\text{'}}$, то существует уникальный морфизм $u^{\text{'}} : O_1\to Pp{f}_i$, такой что $p{ }^{\text{'}}\circ u^{\text{'}} = m^{\text{'}}$ и $q{ }^{\text{'}}\circ u{ }^{\text{'}}= n^{\text{'}}$.

Коммутативная диаграмма является ориентированным графом, где вершины – это объекты, а стрелки – морфизмы, а результат композиции морфизмов не зависит от выбранного пути между этими объектами (рисунок 4).

$Pp{l}_i$ – плановые показатели/индикаторы, показатели $Pp{l}_1$ и $Pp{l}_2$ входят в отдельные категорию и подкатегории. Взаимодействие подкатегорий, внутри которых расположены ИО, приводит к коммутативному треугольнику по категории и отдельным подкатегориям (рисунок 4). Категория $Pp{l}_i$ образует класс объектов с заданным отношением для любых пар $(Pp{l}_i,Pp{l}_1)$ и $(Pp{l}_i,Pp{l}_2)$, отношения которых определены множеством морфизмов: $\{p,q,{р}_1,{р}_2\}$. Процесс взаимодействия можно представить декартовым произведением ${\text{n:Ppl}}_{\text{i}}\to {\text{Ppl}}_1\otimes {\text{Ppl}}_2$, где n является единственным морфизмом, выражающимся результатом взаимодействия указанных показателей/индикаторов.

Таким образом, $Pp{l}_i$ формализуется в виде морфизмов, обладающих следующими свойствами: результат взаимодействия ИО может быть представлен декартовым произведением ${\text{Ppl}}_1\otimes {\text{Ppl}}_2$ с морфизмами ${\text{p}}_{\text{1}}{\text{:Ppl}}_1\otimes {\text{Ppl}}_2\to {\text{Ppl}}_1$ и ${\text{p}}_2{\text{:Ppl}}_1\otimes {\text{Ppl}}_2\to {\text{Ppl}}_2$ такими, что для любого объекта $Pp{l}_i$ с морфизмами ${\text{q:Pрl}}_i\to {\text{Pрl}}_1$ и ${\text{p:Ppl}}_i\to {\text{Ppl}}_2$ существует единственный морфизм ${\text{n:Ppl}}_i\to {\text{Ppl}}_1\otimes {\text{Ppl}}_2$, при котором выделяется диаграмма в форме коммутативного треугольника (рисунок 4). Рассматривая $Pp{f}_i$ – фактические показатели/индикаторы, показатели $Pp{f}_1$ и $Pp{f}_2$, процесс взаимодействия можно представить декартовым произведением $n^{\text{'}}:Pp{f}_i\to Pp{f}_1\otimes Pp{f}_2$, где nʹ является единственным морфизмом, выражающимся результатом взаимодействия параметров.

Таким образом, $Pp{f}_i$ формализуется в виде морфизмов, обладающих следующими свойствами: результат взаимодействия ИО может быть представлен декартовым произведением ${\text{Ppf}}_1\otimes {\text{Ppf}}_2$ с морфизмами ${p^{\text{'}}}_1:Pp{f}_1\otimes Pp{f}_2\to Pp{f}_1$ и ${p^{\text{'}}}_2:Pl{f}_1\otimes Pl{f}_2\to Pl{f}_2$ такими, что для любого объекта $Pp{f}_i$ с морфизмами $q^{\text{'}}:Pрf_i\to Pрf_1$ и $p^{\text{'}}:Pp{f}_i\to Pp{f}_2$ существует единственный морфизм (отклонение графа) $n^{\text{'}}:Pp{f}_i\to Pp{f}_1\otimes Pp{f}_2$, при котором выделяется диаграмма в форме коммутативного треугольника (рисунок 4).

В результате достраивания до квадрата Декарта каждой цепочки отношений получается итерационная составляющая (рекурсия). Пока ИС сохраняет свою целостность, он остаётся уникальным. Решается задача прослеживаемости всех объектов ИС, а в качестве объектов могут выступать и отношения. В результате появляются ещё требования идентифицируемости и прослеживаемости на всех стадиях создания и эксплуатация ПАК.

При декомпозиции системы на подсистемы увеличивается количество частично перекрытых областей. Размер формализованной части определяется суммой, состоящей из количества объектов и числа связей. В результате получается множество объектов, идентифицируемых и прослеживаемых в пространстве и во времени. Когда обеспечивается прослеживаемость в пространстве, получается маршрут поиска отклонений. Графическим представлением Декартова произведения является информационное покрытие - метрика, объекты которой пересекаются друг с другом, и на месте этих пересечений возникают новые метрики. Между двумя объектами всегда существуют отношения, они образуют маршрут, маршрут преобразуется в адрес, который становится новым объектом, в данном случае новым отклонением. Эти категории отношений описаны функторными отношениями. В качестве объектов представлены группы ПКЭЭ (рисунок 2), которые состоят из ВПКЭЭ и ПОПКЭЭ. Применение динамического графа отклонений квадрата Декарта позволяет связать модель ПКЭЭ с моделью решения задачи цифровой трансформации процесса управления качеством предоставления ЭЭ на основе применения ПАК.

На рисунке 5 представлена структура ПАК, состоящая из ПКЭЭ, в которую входят ВПКЭЭ, ПОПКЭЭ, ВНКЭЭ, нормально и предельно допустимые значения показателей. Показатель колебания напряжения состоит из ВНКЭЭ, который включает размах изменения напряжения и дозу мерцания (фликер), у которых ПОПКЭЭ - потребитель с резкопеременной нагрузкой и ВНКЭЭ - предельно допустимое значение показателей. Показатель несимметрии напряжений в трёхфазной системе состоит из ВПКЭЭ – коэффициента несимметрии напряжений по обратной последовательности и коэффициента несимметрии напряжений по нулевой последовательности. ПОПКЭЭ – это потребитель с несимметричной нагрузкой, а ВНКЭЭ – нормально и предельно допустимые значения показателей.

 

Рисунок 5 – Структура программного аналитического комплекса

1 – группа показателей качества электроэнергии; 2 – вид показателя качества электроэнергии; 3 – причина отклонения значения показателей качества электроэнергии; 4 – вид нормы качества электроэнергии

 

ПКЭЭ несинусоидальность формы кривой напряжения состоит из: коэффициента искажения синусоидальности кривой напряжения, коэффициента n-ой гармонической составляющей напряжения; ПОПКЭЭ – потребитель с нелинейной нагрузкой, а ВНКЭЭ предельно и нормально допустимое значение показателей.

К прочим показателям относятся следующие ВПКЭЭ: отклонение частоты, длительность провала напряжения, импульсное напряжение, коэффициент временного перенапряжения. ПКЭЭ – особенности работы сети, климатические условия или природные явления и ВНКЭЭ - предельно и нормально допустимые значения показателей.

2. Схема алгоритма работы ПАК

Разработанная модель знаний служит основой для формирования БЗ экспертной системы (рисунок 3). Работа алгоритма основана на значениях нормативного ПКЭЭ (Ppl_i) и фактического ПКЭЭ (Pf_i), загружаемых из БД ПАК для каждого прибора учёта в отдельности. БЗ после загрузки значения отклонения показателя (O_i) позволяет осуществлять анализ отклонения значения фактического ПКЭЭ от значения нормативного ПКЭЭ. В результате пользователь получает соответствующее сообщение (рисунок 6).

 

Рисунок 6 – Схема алгоритма работы программно-аналитического комплекса

 

Для ПАК требуется построить узел нейронной сети (НС) [16], представляющий собой схему искусственного нейрона, входными сигналами которого являются величины, соответствующие значениям фактических ПКЭЭ для каждого прибора учёта Pf_i. Весами являются нормативные ПКЭЭ для каждого прибора учёта Ppl_i. Функция $O_i=P{f}_i-Pp{l}_i$, указанная в блоке сумматора, позволяет определить величину отклонения значения фактического ПКЭЭ Pf_i от значения нормативного ПКЭЭ Ppl_i – O_i (см. рисунок 7).

 

Рисунок 7 – Схема обработки отклонений плановых показателей/индикаторов от фактических в программно-аналитическом комплексе

 

Представленный блок предназначен для проведения аналитики отклонений в целях выявления отсутствия или наличия неполадок в работе аппаратного обеспечения. Результатом работы узла НС является сообщение, формируемое интеллектуальной системой на основе позиционных правил, которое может быть использовано при принятии управленческих решений о работе приборов учёта, выводимое пользователю.

Результаты работы НС поступают в блок запоминания состояний, из которого переходит в архив хранилища данных. Семантический слой позволяет пользователю получать данные, являющиеся результатом работы узла НС. Витрины данных, в свою очередь, являются хранилищем данных, предназначенным для определённых категорий пользователей.

При работе с НС особое внимание уделяется способности НС к обучению на основе данных, поступающих из внешней среды (см. рисунок 7). Представленная схема узла НС предполагает применение алгоритма обучения с учителем, который позволит выполнять корректировку возникающих ошибок. В процессе обучения знания учителя будут передаваться в сеть в полном объёме. После завершения обучения можно отключить учителя, что позволит НС работать самостоятельно [17].

НС контролирует значения показателей, при обнаружении интеллектуальным анализатором отклонений выдаётся сообщение k-пользователям, например, руководителям, практическим работникам, аналитикам и др., в зависимости от выявленных отклонений показателей. K-пользователи = {К₁,…,К_i} - множество категорий пользователей.

Построенную модель узла НС можно использовать для автоматизации других бизнес-процессов в сфере электроэнергетики, например для контроля перегрузок в электрической сети [18].

Заключение

Рассмотрена задача управления качеством предоставления ЭЭ на основе ПАК, как эффективного способа достижения заданных параметров в условиях действующих ограничений. Построенные схема алгоритма работы ПАК и узел НС предоставляют возможность осуществлять аналитику отклонений на наличие неисправностей в работе энергосистем. Предложенные модели целесообразно применять в рамках реализации ПАК, что в полной мере обеспечит оперативность выявления возникающих отклонений, а также анализа причин непредвиденных ситуаций.

Об авторах

Вячеслав Викторович Антонов

Уфимский университет науки и технологий

Email: antonov.v@bashkortostan.ru
Scopus Author ID: 57200254522
ResearcherId: AAH-5121-2019

1956 г. рождения. Окончил Башкирский государственный университет (1979), к.т.н. (2007), доктор технических наук (2015). Заведующий кафедрой автоматизированных систем управления Уфимского университета науки и технологий (УУНиТ), профессор кафедры управления в органах внутренних дел Уфимского юридического института МВД России. В списке научных трудов более130 работ в области построения интеллектуальных систем.

Россия, Уфа

Людмила Евгеньевна Родионова

Уфимский университет науки и технологий

Автор, ответственный за переписку.
Email: lurik@mail.ru
ORCID iD: 0000-0003-4041-0365
Scopus Author ID: 57219160976
ResearcherId: AAU-3498-2020

1984 г. рождения. Окончила Уфимский государственный авиационный технический университет (УГАТУ, 2007), к.т.н. (2019). Доцент кафедры автоматизированных систем управления УУНиТ. В списке научных трудов около 10 работ в области проектирования программных аналитических комплексов на основе моделей и методов декартово замкнутой категории.

Россия, Уфа

Людмила Александровна Кромина

Уфимский университет науки и технологий

Email: luyda-kr@yandex.ru
Scopus Author ID: 0000-0002-5226-0512
ResearcherId: AAO-7905-2021

1983 г. рождения. Окончила УГАТУ (2005), к.т.н. (2012), доцент (2019). Доцент кафедры автоматизированных систем управления УУНиТ. В списке научных трудов около 40 работ в области управления в социальных и экономических системах.

Россия, Уфа

Альмира Раисовна Фахруллина

Уфимский университет науки и технологий

Email: lilabay@mail.ru
ORCID iD: 0009-0009-1996-0494

1982 г. рождения. Окончила Кумертауский филиал УГАТУ (2004), к.т.н. (2017), доцент (2020). Директор филиала УУНиТ в г. Кумертау. В списке научных трудов около 50 работ в об-ласти математического и программного обеспечения. AuthorID (РИНЦ): 31294902; Author ID (Scopus): 57219166246 ORCID 0000-0002-3482-4169; Researcher ID (WoS): AAT-3738-2021. almirafax@mail.ru. Баймурзина Лилия Ифтаровна, 1987 г. рождения. Окончила УГАТУ (2009). Старший преподаватель кафедры технологии производства летательных аппаратов УУНиТ. В списке научных трудов около 10 работ в области проектирования информационных аналитических систем.

Россия, Уфа

Список литературы

Дополнительные файлы