Применение гибридных интеллектуальных систем в энергетике

Введение. Очередной импульс разработки в области автоматизации проектирования и мониторинга параметров электрических сетей дали достижения в создании систем искусственного интеллекта и, в первую очередь, теории экспертных систем и баз знаний, а также искусственных нейронных сетей (ИНС). Объясняется это тем обстоятельством, что экспертные системы и ИНС позволяют работать с недостаточно формализованными методами и моделями, какими является основная часть методов структурного и параметрического синтеза энергосистем. Одним из классов экспертных систем в настоящее время являются гибридные экспертные системы (ГЭС), позволяющие не только объединять разные модели представления знаний в базах знаний, но и использовать несколько технологий их обработки, что делает этот вид систем достаточно гибкими при настройке на конкретную предметную область.

Цель работы – разработка функциональной и инфологической модели системы автоматизации проектирования энергосистем, содержащей банк инженерных знаний в этой предметной области и основанной на методах и алгоритмах гибридных интеллектуальных систем, адаптированных к таким плохо формализуемым процессам, как функциональный и параметрический синтез.

Основная часть

«Индустрия 4» в энергетике. Мир производства сейчас стоит на пороге четвертой промышленной революции и это действительно так: согласно отчету, составленному исследователями McKinsey Global Institute, уже к 2030 году до 800 млн. рабочих мест могут быть замещены автоматизацией и робототехникой.

Индустрия 4.0 не имеет общепринятого определения, однако под этим понятием принято понимать тенденцию к использованию современных технологий в производстве, тем самым минимизируя участие человека в самом процессе [1].

Можно сказать, что Индустрия 4.0 является логическим продолжением таких исторических событий, как:

• -    интегрированные электронные и программные средства автоматизации, появившееся в 1970-х годах;

• -    феномен производственного аутсорсинга в 1990-х годах;

• -    глобальная автоматизация управления предприятием с применением ИТ систем 2000-х.

В технологию «Индустрии 4.0» включаются следующие элементы:

• -    облачные технологии (cloud),

• -    технологии искусственного интеллекта (IA),

• -    технологии обработки больших данных (BigData),

• -    Интернет вещей (IoT).

Ключевым признаком производства в технологии «Индустрия 4» является его модульность, оно становится распределенным, все коммуникации – беспроводные. Умные компоненты обладают следующими свойствами: имеют стандартный интерфейс для обмена данными и уникальный адрес; могут передавать и хранить информацию о своем состоянии и местоположении; описываются математическими моделями.

Применение систем искусственного интеллекта в рамках технологии «Индустрия 4» влечет за собой глобальные изменения в решении задач энергоснабжения, которые будут сводиться не только к получению полной и достоверной информации о работе электрических сетей, обо всех процессах и параметрах в электросети за любой прошедший период времени, но к изменениям подхода на уровне проектирования: улучшению прогнозирования генерации и спроса на энергоресурсы, оценке надежности энергогенерирующего оборудования, автоматизации повышения генерации на пике спроса.

Направления применения систем искусственного интеллекта в энергетике . Ниже представлен перечень основных задач, решение которых связано с использованием систем искусственного интеллекта в современных энергетических системах:

• -    предсказание нагрузки и прогнозирование температуры окружающей среды с целью прогнозирования нагрузки;

• -    управление потоками электроэнергии в сетях и обеспечение максимальной мощности;

• -    регулирование напряжения;

• -    диагностика энергосистем с целью определения неисправностей;

• -    оптимизация размещения датчиков для контроля безопасности энергосистем;

• -    мониторинг безопасности энергосистем;

• -    обеспечение защиты трансформаторов;

• -    обеспечение устойчивости, оценка динамического состояния и диагностика генераторов;

• -    управление турбогенераторами;

• -    управление сетью генераторов;

• -    управление мощными переключательными системами.

Перечень задач применения систем искусственного интеллекта в автоматизации управления энергетическими системами постоянно растет. Ранее некоторые из этих задач решались статистическими и численными методами, использовалось моделирование и методика оперативного управления режимами функционирования электроэнергетических систем. Но развитие технологий экспертных систем и нейросетей позволило расширить круг решаемых задач по оценке состояния энергосистемы.

Гибридные интеллектуальные системы. Под гибридной интеллектуальной системой (ГиИС) принято понимать систему, в которой для решения задачи используется более одного метода имитации интеллектуальной деятельности человека [2]. Основными компонентами ГиИС являются экспертные системы и искусственнее нейронные сети.

Экспертные системы - это направление исследований в области искусственного интеллекта по созданию вычислительных систем, умеющих принимать решения, схожие с решениями экспертов в заданной предметной области [3,4]. Экспертные системы имеют одно большое отличие от других систем искусственного интеллекта: они не предназначены для решения каких-то универсальных задач, как, например, нейронные сети или генетические алгоритмы. Экспертные системы предназначены для качественного решения задач в определенной разработчиками области, в редких случаях – областях. Экспертная система является плодом совместной работы экспертов в данной предметной области, инженеров по знаниям и программистов (рисунок 1).

Рисунок 1 – Структура ЭС

С помощью искусственных обучаемых нейронных сетей эффективно решаются неформализованные задачи классификации и i 88

прогнозирования в различных проблемных областях. Обучаясь на некоторой таблице данных, нейронная сеть формирует навык предсказания или классификации и в дальнейшем может решать задачи с высокой точностью [5,6].

Идея гибридного подхода к разработке интеллектуальных систем не нова. С появлением первых экспертных систем в структуру базы знаний включались как фреймовые, так и продукционные модели представления знаний. Например, существует ESWin -программная оболочка для работы с продукционно-фреймовыми экспертными системами с возможностью использования лингвистических переменных. Эта программная оболочка предназначена для решения задач методом обратного логического вывода на основе интерпретации правил-продукций с использованием фреймов как структур данных, включающих в себя в частности лингвистические переменные. База знаний состоит из набора фреймов и правил-продукций. Системы, включающие в базу знаний несколько разных моделей представления знаний, были названы гибридными экспертными системами (ГЭС).

Одним из основных компонентов ГЭС в применении к решению задач энергетики является банк инженерных знаний. Банк инженерных знаний системы содержит как полное описание типовых математических моделей компонентов электрических сетей, которые должны настраиваться на параметры при автоматизированном проектировании, так и описание типовых процессов, в которых участвуют эти компоненты при функционировании [6].

Методы и алгоритмы, применяемые в гибридных экспертных системах, принято делить на логические и эвристические, для автоматизации проектирования электросетей наиболее приемлемыми являются такие эвристические методы как: метод представления пространства технических решений, методы аналогий и четкого и нечеткого сопоставления с образцом. Ход работы с системой строится таким образом, чтобы пользователь, получая данные поэтапного моделирования, мог осознать специфику различных моделей, имел возможность влиять на последовательность расчетов и точность получаемых результатов.

Предлагается подход к разработке ГЭС, заключающийся в том, что ГЭС расширяется путем введения аппарата искусственных нейронных сетей (ИНС) в структуру ГЭС.

Несомненными достоинствами ИНС являются:

• -    гибкость структуры;

• -    применение быстрых алгоритмов обучения;

• -    возможность работы при наличии большого числа шумовых

сигналов;

• -    возможность работы с разнотипной информацией;

• -    обученная ИНС обладает устойчивостью к отказам отдельных ее элементов [7].

При функционировании такая гибридная экспертная нейросистема сможет пополнять свою базу знаний не только знаниями экспертов в данной предметной области, но и знаниями, полученными с помощью обученных нейронных сетей. С другой стороны, исходные данные для обучения нейронной сети могут быть получены из базы знаний экспертной системы.

Структурная схема гибридной экспертной нейросистемы приведена на рисунке 2. В состав гибридной экспертной нейросистемы включены следующие компоненты: обучаемая нейронная сеть, экспертная система, модуль принятия и объяснения решений, интерфейсный модуль, позволяющий взаимно преобразовывать данные нейронной сети и экспертной системы.

Рисунок 2 – Структура гибридной экспертной нейросистемы

В [8] авторами показана возможность применения методов моделирования с использованием нейронных сетей для прогнозирования нагрузки сетевых объектов, рассмотрена компьютерная модель прогнозирования, базирующаяся на ИНС. В предлагаемом подходе целевые и входные данные для создания ИНС могут быть взяты из базы данных экспертной системы, данные расчета электрических нагрузок и электропотребления, полученные с помощью нейронной сети, заносятся в базу знаний экспертной системы.

Выводы.

В статье показана возможность применения гибридных интеллектуальных систем в решении задач проектирования и мониторинга электросетей. Дан анализ структуры гибридных экспертных систем и искусственных нейронных сетей, предложен подход к решению задач энергетики, базирующийся на применении гибридных интеллектуальных нейросистем. Сформирована структура гибридной интеллектуальной системы, позволяющей пополнять базу знаний информацией, полученной при расчете по ИНС-модели. Подход частично опробован для прогнозирования нагрузки сетевых объектов.