«МЕТОДЫ И АЛГОРИТМЫ ПРИНЯТИЯ РЕШЕНИЙ В СИСТЕМАХ УПРАВЛЕНИЯ ПРОИЗВОДСТВЕННЫМИ ФОНДАМИ ЭЛЕКТРОЭНЕРГЕТИЧЕСКИХ ОБЪЕКТОВ ...»

Таким образом, на вход нейронной сети подается k-мерный вектор текущих измерений технического состояния наблюдаемого параметра оборудования Dk. Оптимальное количество нейронов в скрытом слое L подбирается экспериментально. Выражение (2.1) описывает результат классификации множества измерений контролируемого параметра Xi=Xi(Dk).

В качестве функции активации была применена сигмоидная функция, определяемая по формуле:

Многослойный персептрон с сигмоидной функцией активации нейронов способен аппроксимировать любую функциональную зависимость.

Можно выделить три основных вида алгоритмов [44, 45]:

алгоритмы инициализации, которые относятся к методам, инициализирующим веса нейронной сети до ее обучения;

контролируемое обучение (с учителем), при котором изменяются веса, используя наборы обучающих выборок, включающих входные значения и известные значения выходов;

неконтролируемое обучение (без учителя), при котором веса изменяются, используя наборы входов.

Рассматриваемая многослойная нейронная сеть прямого распространения обучается с учителем. Это означает, что должно быть задано множество пар векторов:{dn, gn}, где {dn} – формализованное условие задачи, а{gn} – известное решение (истинный выход) для этого условия.

Совокупность пар {dn, gn} составляет обучающее множество.

Количество элементов в обучающем множестве N – должно быть достаточным для обучения сети, чтобы под управлением алгоритма сформировать набор параметров сети, дающий нужное отображение DX.

Задача обучения нейронной сети сводится к подбору таких значений весов сети, чтобы ошибка была минимальна для данного обучающего множества {dn, gn}. Каждый раз, когда входной вектор от учебного набора применен к сети, сеть производит фактический выход. Мы можем таким образом определить квадратичную ошибку для этого входного вектора, суммируя квадратичные ошибки в каждом узле выхода:

Процесс обучения рассматривается как задача многомерной оптимизации, которая состоит в поиске оптимальных значений весовых коэффициентов w. Главная задача в обучение нейронной сети, это минимизировать квадратичную ошибку. Мы может также определить полную квадратичную ошибку, суммируя все пары входа – выхода в учебном наборе:

Рассмотрим узел s в скрытом слое, его выход характеризуется функцией f(nets), где nets является суммой выходов входного слоя:

Для минимизации квадратичной ошибки, будем использовать алгоритм градиентного спуска. Определим, какое направление является «скоростным спуском» на поверхности ошибок и изменим каждый вес w так, чтобы мы двигались в этом направление. Математический это означает, что каждый вес w будет изменен на небольшое значение dw в направлении уменьшения E:

где w(t ) t ; w(t) – вес во время t; w(t+1) – обновленный вес.

Выражение (2.4) называется обобщенным дельта – правилом. Чтобы выполнить градиентный спуск, необходимо найти частную производную dE каждого веса.

Для корректировки весов, между скрытым и выходным слоем, нужно найти частную производную, для каждого узла выходного слоя.

Таким образом мы нашли частную производную ошибки E по весам и можем использовать этот результат в уравнение (2.4), чтобы выполнить градиентный спуск для всех весов между скрытым и выходным слоям.

Теперь рассмотрим веса, между входным слоем и скрытым слоем.

основе известных величин.

В процессе экспериментов подобраны параметры, при которых достигаются приемлемые параметры скорости сходимости и качества решения.

Нормализация значений текущих измерений параметров электроэнергетических оборудований xi (t ) и их нормативных значений x i (t ) происходит с помощью нейросетевой модели, приведнной на рисунке 2.4, следующим образом: для каждого измеряемого параметра определяется максимальное значение, после чего значения текущего и расчетного параметра делятся на него. В этом случае значения всех параметров будут изменяться в интервале от 0 до 1 включительно.

Рисунок 2.4 – Схема преобразования измеряемых параметров в относительные Таким образом, при расчете интегрированного показателя технического состояния оборудования (2.9) значения измеряемых и расчетных данных будут преобразовываться в относительные величины; при запросе пользователя значений конкретных параметров будет происходить обратное преобразование.

2.3 Разработка математической модели оценки состояния производственных фондов электроэнергетических объектов На современном этапе развития электроэнергетической отрасли особенно важны вопросы совершенствования методов оценки состояния оборудования и эффективности процесса обновления производственных фондов [3, 46]. Это обусловлено, прежде всего, значительной изношенностью основных средств и высоким уровнем инцидентов, приводящих к сбою подачи энергии.

Текущая ситуация требует совершенствования процесса обновления и модернизации инфраструктуры путем продления ресурса оборудования, определения приоритетов в их замене и предотвращения сетевых сбоев [47].

В целях повышения надежности, контроля и управления параметрами оборудования при переходе к интеллектуальной электроэнергетической системе актуализируется задача разработки и внедрения новых методов оценки технического состояния, анализа, планирования и развития энергосистем.

Предлагаемая интеллектуальная система поддержки принятия решений для оценки эффективности процесса обновления и модернизации производственных фондов электроэнергетических объектов должна осуществлять сбор, обработку информации в режиме реального времени импортируемых из различных внешних источников. Анализ режимов функционирования производственного актива, сроков и условий эксплуатации на основании исторических данных в совокупности с данными датчиков в режиме реального времени позволит получать объективную оценку технического состояния оборудования [25].

Планировать воздействия на основные средства целесообразно после проведения оценки технического состояния. Для построения систем оценки технического состояния оборудования необходимо определить:

- периодичность контроля;

- набор средств контроля и измерений;

- перечень технических параметров, характеризующих состояние объекта.

Периодичность сбора и обработки данных определяется динамикой поведения объекта контроля и управления. Для объектов интеллектуальных электроэнергетических сетей контроль состояния осуществляется путем непрерывного мониторинга. Непрерывный контроль способствует повышению наджности функционирования энергообъектов, а также изменению стратегии периодически проводимых профилактических работ на более эффективную систему профилактики с мероприятиями, зависящими от состояния объекта.

Оценка состояния может производиться как методами непрерывного контроля, так и обследованием оборудования в отключенном состоянии. Обследования с отключением от сети необходимы для уточнения диагноза и определения мест дефектов.

К набору средств контроля и измерений можно отнести датчики для непрерывного контроля состояния, системы автоматизированного контроля учета энергоресурсов, системы паспортных данных оборудований и т.д. Наибольшей эффективностью обладают системы контроля, использующие целый комплекс датчиков, реагирующих на максимально возможное число видов развивающихся при работе дефектов.

Как было отмечено выше, перечень критериев оценки состояния актива и шкала их измерений формируется на основании требований нормативных и заводских документов, опыта эксплуатации оборудования. Для каждого критерия устанавливаются предельные значения параметров, вводятся первоначальные данные об объекте с учетом срока и условий эксплуатации объекта, статистические данные, полученные в процессе эксплуатации однотипных технических систем и объектов.

Определение наджности как свойства объекта по ГОСТу 27.002-89 содержит прямое указание на непосредственную связь показателей наджности и параметров объекта [48]. Согласно этому стандарту нахождение параметров в определнных границах, установленных в нормативно-технической документации, свидетельствует о работоспособном состоянии объекта. Приближение контролируемого параметра к граничному значению свидетельствует об уменьшении запаса наджности [49].

Таким образом, оценка технического состояния системы управления по найденной совокупности ее параметров должна отвечать на главный вопрос – насколько ее основные характеристики удовлетворяют поставленным требованиям, обеспечивая тем самым выполнение заданных функций, а контролируемые параметры должны удовлетворять ограничениям вида:

В этих целях может быть предложен «обобщенный» параметр J, который вводится как функция контролируемых параметров (x1, x2, …, xN). В качестве такого обобщенного параметра используется следующее выражение [50]:

где ci – весовые коэффициенты, учитывающие вклад каждого из параметров xi в формирование обобщенного показателя J, ci[0,1];

xi – значения контролируемых параметров в текущий момент времени;

xi* – расчетные значения контролируемых параметров.

Допустимая область определяется соотношением J Jmax, где Jmax – граничное значение обобщенного параметра J.

Таким образом, контроль единицы оборудования по совокупности параметров (2.5) предлагают заменить проверкой выполнения лишь одного условия (2.6). Наблюдая за изменением обобщенного параметра J(t) во времени, можно по его величине прогнозировать состояние контролируемой системы объекта в будущий момент времени, что также является одним из достоинств данного подхода.

Предложенный подход оценки состояния оборудования является неэффективным при принятии решений, так как при формировании обобщенного показателя учитываются только весовые коэффициенты каждого из параметров, при этом не учитывается существенность отклонений каждого из параметров xi.

В данном случае функция (2.6) является линейной, для того чтобы полученная оценка отражала отклонения каждого из параметров предлагается при расчете показателя J(t) применить квадратичную функцию и может быть представлена в следующем виде:

где a i – масштабирующий коэффициент, учитывающий существенность отклонений каждого параметра x i.

Масштабирующий коэффициент, определяется в зависимости от величины отклонения расчетных значений параметров производственного актива от текущих по шкале от 1 до 10. При этом, чем существеннее отклонение для определенного параметра, тем большее значение принимает a i, соответственно тем сильнее будет сжиматься график функции вдоль оси J(t).

Для каждого параметра устанавливается соответствующий показатель, управляющий величиной отклонения. В зависимости от значения коэффициента a i функция J(t) может принимать следующий вид (где x xi (t ) xi (t ) ):

Рисунок 2.5 – График функции J(t) в зависимости от выбранного значения масштабирующего коэффициента ai Таким образом, применение предложенной квадратичной функции (2.7) позволит более точно определить состояние объекта в зависимости от степени отклонения контролируемых параметров.

В зависимости от степени выявленных отклонений между текущими и расчетными значениями у разных видов оборудований может отслеживаться разное количество параметров. Для того чтобы значения показателя состояния J(t) находились в строго определенном диапазоне вне зависимости от количества контролируемых параметров выражение (2.7) примет вид:

где I – количество контролируемых параметров оборудования.

Таким образом, выражение (2.8) позволяет получить количественную оценку технического состояния оборудования, но не учитывает важность самого основного средства, то есть для разных видов оборудований могут быть получены показатели технического состояния J(t) с одинаковыми значениями; при этом каждый актив в силу своей физической природы и производственных мощностей может характеризоваться разным весом для обеспечения полноценного функционирования производственного процесса, которое должно учитывается при принятии решений. Для того чтобы рассчитанный показатель объективно отражал техническое состояние с учетом значимости самого оборудования предлагается в выражение (2.8) включить весовой коэффициент учитывающий важность функционирования актива:

где wn – весовой коэффициент важности n-го оборудования, wi[0,1];

Jn(t) – интегрированный показатель текущего технического состояния n-го оборудования.

Все используемые весовые коэффициенты определяются путем экспертного оценивания, и могут корректироваться при необходимости со временем [51, 52].

Рассмотрим процесс определения расчетных и текущих значений контролируемых параметров.

Совокупность технических параметров оборудования зависит:

от первоначального состояния оборудования;

от истории условий эксплуатации;

от режимов работы.

К условиям эксплуатации относятся рабочие нагрузки, систематические и случайные факторы внешних воздействий и т. п. Режим работы представляет собой набор технических и технологических процессов, каждый из которых характеризуется совокупностью рабочих параметров в определенный период времени.

Расчетные значения контролируемых параметров функционирования оборудования описывается уравнением состояния:

где xi (t 0 ) – расчетное значение i-го технического параметра оборудования на момент начала эксплуатации объекта;

u[ t0,t ] – условия эксплуатации оборудования на промежутке времени [t0, t];

K i – коэффициент, характеризующий режим работы оборудования.

Результат измерений параметров каждой единицы оборудований зависят от соответствующих технических параметров производственного актива и условий эксплуатации на момент измерений, и описывается уравнением:

где vi(t) – значение измерений i-го параметра оборудования в текущий момент времени;

ui(t) – условия эксплуатации объекта в текущий момент времени.

Тогда математическая модель оценки фактического технического состояния оборудования выглядит следующим образом [77]:

Таким образом, значение интегрированного показателя J(t) отражает текущее технического состояние электроэнергетического оборудования с учетом важности производственного актива и существенностью отклонений каждого из его параметров. Результаты оценки состояния оборудования используются для прогноза состояния оборудования и его отдельных узлов на временном горизонте, на котором рассматриваются различные варианты технических решений.

Разрабатываемая автоматизированная система должна предоставлять пользователю комплексную оценку технического состояния не только каждой единицы оборудования и любых его группировок, но и электроэнергетического объекта в целом.

Для расчета показателя технического состояния электроэнергетического объекта используется соотношения вычисления средневзвешенного значения по всем составляющим:

где Jэ.о.(t) – показатель технического состояния электроэнергетического объекта в момент времени t;

Jn(t) – значение показателя технического состояния n-го оборудования.

Оценка значимости производственных фондов Для расстановки приоритетов в обновлении тех или иных объектов основных фондов и принятия обоснованных решений предлагается учитывать не только значения интегрированных показателей технического состояния оборудований, но и значимость объектов, на которых они эксплуатируются.

Данное решение обусловлено тем, что, как правило, при наличии большого парка производственных активов финансовые ресурсы бывают ограничены.

Так при формировании плана работ в рамках выделенных сумм финансирования из множества основных средств, имеющих одинаковую оценку технического состояния, очередность определяется в зависимости от прибыльности электроэнергетического объекта, на котором функционирует актив. В условиях перехода к интеллектуальным электроэнергетическим сетям необходимо отказаться от принципа «спрос – любой ценой» и перейти к принципу «уровень надежности, обеспеченный платежеспособным спросом»

[53]. Так же при определении важности электроэнергетического объекта необходимо учитывать категорию потребителей электрической энергии.

Таким образом, для каждой единицы оборудования рассчитается коэффициент важности (значимости). Коэффициент определяется в зависимости от объема полезного отпуска электроэнергии с объекта, на котором эксплуатируется основное средство, категории потребителей и степени загрузки производственных мощностей по отношению к максимальной проектной мощности объекта за период T:

где Vn – коэффициент важности объекта, на котором функционирует n-ое оборудование;

Wэ.о. – объем полезного отпуска электрической энергии с электроэнергетического объекта, на котором эксплуатируется оборудование за период T;

W – суммарный объем полезного отпуска электрической энергии с сети анализируемой корпорации (филиала, компании и т.д.) за период T Zэ.о. – коэффициент нагрузки электроэнергетического объекта на котором эксплуатируется оборудование за период T, Zэ.о[0,1];

Kэ.о. – коэффициент категорийности электроэнергетического объекта на котором эксплуатируется оборудование за период T, Kэ.о[0,1].

Значение коэффициента Кэ.о. определяется методом экспертных оценок в зависимости от категории потребителей электрической энергии объекта, исходя из степени тяжести экономических и социальных последствий при прерывании электроснабжения.

При определении Кэ.о. учитываются следующие аспекты:

- сбой электроснабжения может повлечь за собой опасность для жизни людей, угрозу для безопасности государства, значительный материальный ущерб, нарушение функционирования особо важных элементов коммунального хозяйства, объектов связи и телевидения;

- нарушение подачи энергии может привести к массовому недоотпуску продукции, массовым простоям рабочих, механизмов и промышленного транспорта и т.д.

- прерывание электроснабжения несет незначительные экономические, социальные, экологические последствия и допускается перерыв в электропитании на время ликвидации аварии выездной аварийной бригадой.

Таким образом, при ограниченных финансовых ресурсах при принятии решений и планировании определенных воздействий на оборудования с одинаковой оценкой технического состояния предпочтение будет отдаваться основным средствам, которые функционируют на электроэнергетических объектах, приносящие большую прибыль для организации и нарушение функционирования которых характеризуется большей степенью тяжести экономических и социальных последствий.

Оценка затрат на процесс обновления и модернизации Предлагаемая автоматизированная система принятия решений содержит справочники по стоимости технического обслуживания и обновления оборудования, на основании которых подсчитываются затраты на техническое обслуживание каждой единицы оборудования и его обновления. Если затраты Сi на техническое обслуживание оборудования за плановый период T составляют более 30% от стоимости нового обновления и срок его эксплуатации свыше нормативного, то системой принимается решение по обновлению актива.

где Сn – затраты на техническое обслуживание и ремонт n-го оборудования;

Сзад – объем выделенных ресурсов, согласной инвестиционной программе на техническое обслуживания и обновление производственных Таким образом, по каждому оборудованию получаем оценку его технического состояния Jn(t), коэффициент важности Vn и стоимость затрат Сn.

Оборудования сортируются согласно значениям рассчитанных показателей состояния, после чего удаляются те объекты, значение которых находится в пределах доверительной зоны (Jmin < Jn(t) < Jmax) и соответственно имеют низкий показатель риска. Далее основные средства с одинаковой оценкой технического состояния ранжируются в соответствии со значениями показателей важности объекта и рассчитанным коэффициентам затрат.

По результатам проведенного анализа система поддержки принятия решений формирует следующие группы оборудований:

1) требующей замены;

2) требующего капитального ремонта;

3) требующей среднего ремонта;

4) требующей учащенный контроль;

5) годной к эксплуатации.

Таким образом, автоматизированная система позволяет с достаточной степенью точности определить ожидаемые затраты на техническое обслуживание и обновление производственных фондов, учитывая имеющиеся возможности финансирования, при формирования годовых планов технического обслуживания. Также применение средств поддержки принятия решений позволяет формировать технически и экономически обоснованную стратегию работ по модернизации, технологическому развитию и обеспечению функционирования станочного парка предприятия.

Комплексный подход при оценке, планировании воздействий и принятии решений позволяет добиться высоких результатов.

2.4 Разработка методики повышения эффективности процесса обновления и модернизации производственных фондов Одним из важнейших функций разрабатываемой системы является контроль реализации принятых решений, который осуществляется для достижения следующих целей:

- повышение эффективности процесса обновления парка основных средств электроэнергетических объектов, и как следствие повышение надежности функционирования энергосистемы, предотвращение сбоев в подаче электрической энергии;

- повышение прозрачности распределения ресурсов выделенных в рамках финансирования;

- обеспечение своевременного исполнения принятых к реализации решений;

- результаты проведенных наблюдений сохраняются в базу знаний и способствуют дальнейшему самообучению системы.

Основной целю системы поддержки принятия решений является повышение надежности функционирования энергообъектов и предотвращение предаварийных и аварийных инцидентов. Как показывает проведенное исследование функционирования распределительных электроэнергетических сетей РСО-Алания, основными причинами технологических нарушений по оборудованию электроустановок являются:

воздействие погодных стихийных явлений – 31%;

воздействие посторонних лиц и организаций – 26%;

несоблюдение сроков, невыполнение в требуемых объемах технического обслуживания оборудования – 43%.

Практика свидетельствует о том, что даже качественно разработанные решения оказываются невыполненными в связи с отсутствием отлаженной системы контроля. В связи, на этапе реализации утвержденных решений актуальной является задача отслеживания сроков, объемов и качества проводимых работ. На рисунке 2.6 приведена обобщенная структурная схема процесса технического обслуживания и обновления производственных фондов [54].

Рисунок 2.6 – Структурная схема процесса технического обслуживания и обновления производственных фондов.

В рассматриваемой схеме выделены следующие информационные потоки:

А1 – перечень мероприятий и рекомендаций по техническому обслуживанию, ремонту и обновлению основных средств;

А2 – утвержденные решения;

А3 – ресурсы, выделенные на выполнение утвержденных мероприятий;

А5 – результаты проведенных мероприятий;

А6 – отчетная информация об исполнении поставленных задач.

Совокупность мероприятий и рекомендаций по техническому обслуживанию, ремонту и обновлению основных средств (А1), формируемых автоматизированной информационной системой, должна быть утверждена руководством организации и уполномоченными должностными лицами, отвечающими за принятие решений, распределение ресурсов между функциональными подразделениями. После чего, утвержденный план мероприятий (А2) распределяется между соответствующими функциональными подразделениями, которые являются непосредственными исполнителями.

Весь объем мероприятий по техническому обслуживанию, реконструкции и обновлению декомпозируется на множество работ, каждое из которых требует применение отдельных видов технологий, способов, специалистов и т.д. Только выполнение полного объема работ обеспечивает достижению поставленных целей. На выполнение каждого вида мероприятий функциональное подразделение выделяет определенный объем ресурсов (А3).

В зависимости от выделенных объемов финансирования, координированной работы подразделений формируются данные о темпах, сроках и объемах выполненных работ (А4). После проведенных действий данные (А5) сохраняются в базу данных, а отчетная информация (А6) передается в центр управления.

Таким образом, в результате контроля исполнения принятых решений должна определяться степень соответствия принятых управленческих решений фактическому состоянию электроэнергетического объекта, выявляющая отклонения и их причины.

Целевую функцию процесса выполнения принятых к реализации мероприятий можно представить в следующем виде [55]:

где N – количество оборудования, включенное в план технического обслуживания или обновления, n[0,1];

S – количество функциональных подразделений, задействованных в проведении работ, S[0,1];

Т – отчетный период (квартал, год);

Psi – планируемые объемы работ по n-му оборудованию по подразделению s за период Т, руб.;

Fsi – фактические объемы выполненных работ по n-му оборудованию по подразделению s за период Т, руб.

При наличии на объекте высоконадежного оборудования с низким уровнем изношенности и при отсутствии возмущений со стороны внешней среды на электроэнергетическую систему намеченный объем работ осуществлялся бы строго по плану ( Psi Fsi ) при плановом расходовании ресурсов С si. Однако, при реализации принятых решений между плановым и фактическим объемом работ существует отклонение. В связи, с чем задача повышения эффективности процесса обновления основных средств сводится к минимизации суммы квадратов разностей между планируемым и фактическим значениями объема работ за некоторый период T. Для этого необходимо разработать систему поддержки темпов выполнения работ подразделением путем корректировки темпов расходования ресурсов.

Плановый темп выполнения работ может быть представлен в следующем виде:

где Asi – матрица коэффициентов плановых темпов поступления ресурсов;

Сsi – матрица плановых темпов поступления ресурсов.

Фактический темп выполнения работ, как правило, бывает ниже запланированного ( Fsi Psi ) и описывается выражением:

где Asi – матрица коэффициентов фактических темпов поступления ресурсов.

Таким образом, при отклонении фактических данных от плановых ( Fsi Psi ) матрица коэффициентов плановых темпов поступления ресурсов бывает меньше матрицы коэффициентов фактических темпов ( Asi Asi ) и для обеспечения выполнения работ в полном объеме в запланированные сроки в автоматизированной системе поддержки принятия решений предусмотрен механизм формирования дополнительных плановых темпов поставки ресурсов С si в соответствии с недоработанным объемов работ. В этом случае уравнение дополнительных плановых темпов поступления и распределения ресурсов имеет вид:

где С – вектор имеющихся в организации объемов ресурсов.

Процесс текущего контроля обеспечивает повышение гибкости системы, точности и объективности и включает в себя следующие четыре стадии:

- установление норм функционирования;

- сбор данных о фактических результатах проведенных работ и мероприятий;

- сравнение и оценка фактического и ожидаемого результата;

- разработка корректирующих действий.

2.5 Применение интегрированного показателя оценки технического состояния оборудования в процессе принятия решений Для расчета показателя состояния производственного актива электроэнергетического объекта на основе выше рассмотренной математической модели (2.7) необходимо определить:

- нормативные значения каждого из наблюдаемых параметров оборудования и преобразовать их относительные значения, согласно выше рассмотренной схеме преобразования измеряемых параметров;

- весовые коэффициенты, учитывающие вклад каждого из параметров xi в формирование интегрированного показателя;

- масштабирующие коэффициенты, учитывающие существенность отклонений каждого параметра;

- весовые коэффициенты важности n-го оборудования.

Весовые коэффициенты ci, учитывающие вклад каждого из параметров xi в формирование интегрированного показателя определяются путем экспертного оценивания в интервале от 0 до 1. Пример шкалы определения степени влияния параметра в формировании интегрированного показателя состояния приведена в таблице 2.3.

Таблица 2.3 – Соответствие значений шкалы значений весовых коэффициентов, учитывающих вклад каждого из параметров.

Значение весового Степень влияния параметра в формировании коэффициента сi интегрированного показателя состояния Весовые коэффициенты важности основного средства оцениваются экспертами по шкале от 0 до 1. В качестве примера расчетных и текущих значений контролируемых параметров, при определении интегрированного показателя состояния основного средства приняты экспериментальные данные, полученные на электроэнергетических объектах ГУП «Аланияэлектросеть» представленные в таблице 2.4.

Таблица 2.4 – Данные о состоянии электроэнергетических оборудований.

тического Интегрированный показатель состояния производственного актива отражает степень тяжести технического состояния и может принимать значения от 0 до 10. Чем больше значение рассматриваемого показателя, тем хуже его эксплуатационные характеристики.

При формировании плана обновления производственных фондов и принятии решений первостепенное внимание уделяется тем основным средствам, которые попадают в зону риска. Так в рассмотренном примере наибольшую опасность дальнейшей эксплуатации имеют основные средства со значением показателя состояния свыше 4 (инв.№№ 300015, 300001, 100007, 300007, 100015). При наличии финансовых ресурсов все основные средства включаются в план модернизации и обновления, при ограниченных объемах финансирования, отбираются активы с наибольшими показателями J(t), а остальные сортируются в зависимости от коэффициентов важности. В том случае, если после включения в план действий всех основных средств остаются средства проведение мероприятий по управлению, то происходит ранжирование основных средств с более низкими показателями состояния и т.д.

В ходе проведенных экспериментов в ГУП «Аланияэлектросеть» в 2012 году было выявлено значительное снижение количества зарегистрированных технологических нарушений, аварий и инцидентов, что подтверждается полученными данными, приведенными в таблице 2.5.

Таблица 2.5 – Динамика технологических нарушений в электрических сетях ГУП «Аланияэлектросеть» за период 2007-2012гг.

Показатели Финансирование, млн.

руб.

Количество технологических нарушений После внедрения разработанной системы поддержки принятия решений в 2012 году уровень эффективности процесса обновления производственных фондов повысился, так при существенном сокращении финансирования в 2012 г. по сравнению с 2011 г. количество технологических нарушений уменьшилось.

Экспериментальная проверка результатов данной диссертационной работы в ГУП «Аланияэлектросеть» показала положительную тенденцию технологических нарушений (рисунок 2.7) Рисунок 2.7 – Динамика технологических нарушений в ГУП «Аланияэлектросеть» в период 2007-2012гг.

Так в 2012 г. резко сократилось сумма капитальных вложений по сравнению с предыдущими годами, но, не смотря ограниченность финансовых ресурсов, удалось снизить количество технологических нарушений на исследуемом электроэнергетическом объекте.

В соответствии с поставленной задачей разработки системы поддержки принятия решений были достигнуты следующие результаты:

Разработана нейросетевая модель преобразования множества контролируемых параметров технического состояния, необходимая для свертывания количества произведенных измерений и дальнейшего сравнения с расчетными значениями.

На основе многофакторного градиентного анализа предложен новый подход планирования воздействий на основное средство и разработана математическая модель оценки технического состояния оборудования и электроэнергетического объекта в целом. Данная модель позволяет оценить техническое состояние производственных фондов с учетом значимости производственного актива и существенности отклонений каждого из его контролируемых параметров с применением предложенного интегрированного показателя технического состояния оборудования Jn(t), коэффициента важности электроэнергетического объекта Vn, на котором эксплуатируется актив и стоимости затрат технического обслуживания и обновления Сn.

Разработана методика повышения эффективности процесса технического обслуживания, модернизации и обновления основных средств электроэнергетического объекта, позволяющая сократить отклонения выполняемых объемов работ от запланированных.

Проведена аппроксимация экспериментальных данных и рассчитаны показатели оценки технического состояния оборудований электроэнергетического объекта.

ГЛАВА 3. РАЗРАБОТКА ФУНКЦИОНАЛЬНОЙ МОДЕЛИ И

СТРУКТУРЫ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ

ПРИ УПРАВЛЕНИИ ПРОИЗВОДСТВЕННЫМИ ФОНДАМИ

ЭЛЕКТРОЭНЕРГЕТИЧЕСКИХ ОБЪЕКТОВ

3.1 Разработка модели обработки информации для оценки технического состояния оборудования и повышения эффективности процесса обновления производственных фондов Электроэнергетика является базовой отраслью российской экономики, обеспечивающей электрической и тепловой энергией внутренние потребности народного хозяйства и населения, а также осуществляющей экспорт электроэнергии в страны СНГ и дальнего зарубежья. Устойчивое развитие и надежное функционирование отрасли во многом определяют энергетическую безопасность страны и являются важными факторами ее успешного экономического развития [56].

Современное состояние электроэнергетики характеризуется увеличением нагрузок и высоким уровнем износа оборудования. Если учесть, что основной пик развития российской электроэнергетики пришелся на 60-е годы прошлого века, становится очевидно, что сроки эксплуатации основных средств достигли критического максимума, а новых мощностей недостаточно не только для обеспечения роста потребностей в электроэнергии, но и для стабильного надежного энергоснабжения при текущем уровне потребления.

Таким образом, электроэнергетическая система страны, нуждается в серьезной модернизации производственных фондов и обновлении как в части замены 50-65% физически и морально устаревшего оборудования, так и в применении новых технологий и информационно-диагностических систем [57].

Во всех развитых странах возрастает внимание к системам электроэнергетики, использующим современное оборудование, технологии, средства измерения и управления, позволяющие на более высоком уровне обеспечить надежность их функционирования.

К основным целям внедрения активно-адаптивных сетей можно отнести: повышение качества электроснабжения; уменьшение потерь электроэнергии; повышение наблюдаемости сети и надежности функционирования энергосистем.

Эффективное управление сетями нового поколения и порождаемыми ими огромными массивами данных требует новых подходов к созданию информационных систем обработки данных и принятия решений, а также разработки новых и совершенствования уже существующих способов оценки текущего технического состояния оборудования, анализа, прогнозирования и планирования, основанных на методах искусственного интеллекта и принципах адаптивного управления.

В современных условиях система мониторинга должна иметь средства передачи данных в автоматизированную систему, обеспечивающую принятие оперативных управленческих решений. Модель предлагаемой интеллектуальной системы поддержки принятия решений для оценки эффективности процесса обновления и модернизации производственных фондов электроэнергетических объектов приведена на рисунке 3.1.

Рисунок 3.1 – Модель процесса принятия решений в системе управления производственными фондами Структурно процесс оценки технического состояния электроэнергетического оборудования и определения эффективности обновления производственных фондов можно разделить на следующие этапы: наблюдение и контроль, анализ, оценка технического состояния, прогнозирование, планирование, принятие решений и реализация решений.

В предложенной системе существуют следующие информационные связи:

X1 – входящие информационные потоки от внешних источников (систем непрерывного контроля оборудования, систем автоматизированного учета энергоресурсов и т.д.);

X2 – информационные потоки о техническом состоянии оборудования;

X3 – поток информации о результатах анализа данных технического состояния;

X4 – входящие информационные потоки, учитываемые при оценке технического состояния оборудования;

X5 – потоки информации оценки текущего технического состояния оборудования;

X6 – потоки информации прогнозируемых данных технического состояния;

X7 – информационные потоки о планах-графиках работ и программ технического обслуживания и обновления основных средств;

X8 – потоки информации об утвержденных решениях и принятых к реализации мероприятий;

X9 – информационные потоки от внешних управляющих структур электроэнергетического объекта;

X10 – информационные потоки о результатах выполненных работ.

Для обеспечения непрерывного отслеживания состояния основных фондов в предлагаемой системе выделен блок наблюдения и контроля, в который поступает информация о состоянии производственных фондов (X1) (данные от датчиков состояния, которые отслеживают множество параметров оборудований, систем паспортных данных основных средств и т.д.).

Отслеживаемые данные о техническом состоянии оборудования (X2) передаются в блок анализа, а на основании результатов обработки и интеллектуального анализа данных (X3) происходит оценка текущего технического состояния, как каждой единицы оборудования, так и энергообъекта в целом. При этом на результаты расчета показателей оценки состояния активов могут оказывать влияние мнения экспертов (X4) при оценивании весовых коэффициентов ci, аi, wi.

Рассчитанные показатели состояний (X5) могут быть использованы как для прогноза, так и для планирования планов-графиков работ и программ обновления производственных фондов (X6, X7).

На процесс планирования и принятия решений могут влиять информационные потоки от внешних управляющих структур электроэнергетического объекта (X9) (информация о внешних возмущениях, изменения объемов финансирования и т.д.).

Важным составляющим рассматриваемой системы является блок принятия решений, который по результатам проведенных расчетов формирует оптимальные обоснованные решения для эффективного функционирования объекта в целом. Утвержденные решения (X8) должны быть реализованы в заданный период времени с учетом имеющихся ресурсов.

Для обеспечения своевременного выполнения всех мероприятий и рекомендаций, а также обеспечения целевого и эффективного расходования финансовых средств в систему поступает детализированная информация о проведенных работах (X10).

Таким образом, к основным функциям предложенной системы относятся: непрерывный контроль состояния оборудования, оценка технического состояния в режиме реального времени, предотвращение нештатных ситуаций, планирование программ обновления и модернизации, с помощью методов интеллектуального анализа данных и принятия решений. Не менее важным является этап реализации решений, так как система позволяет дать оценку эффективности принятых к исполнению решений и проведенных мероприятий, что способствует оптимизации процесса распределения финансовых ресурсов выделенных в рамках инвестиционной программы, а также повышению эффективности процесса обновления и модернизации производственных фондов [47].

Предлагаемая модель системы сбора и обработки данных обеспечит автоматизацию процессов оценки технического состояния и анализа данных, а также формирование обоснованных стратегических решений.

3.2 Функциональное моделирование системы поддержки принятия решений для оценки состояния оборудования и повышения эффективности процесса обновления производственных фондов В условиях перехода к интеллектуальной электроэнергетической системе в целях оптимизации процессов эксплуатации, технического обслуживания, модернизации и обновления оборудования большое внимание уделяется удаленному мониторингу производственных фондов, интегрированному в корпоративные системы управления.

Развитая система обработки информации и баз данных резко увеличит возможности по оптимизации режимов работы и совершенствованию процессов обновления инфраструктуры, даст возможность принимать оптимальные решения, в том числе и эффективного распределения инвестиций.

Энергосистема на базе концепции активно-адаптивной сети подразумевает использование динамических данных, получаемых от оборудования и датчиков, в целях оптимизации пропускной способности сетей и снижения вероятностей аварий. Внедрение интеллектуальных систем поддержки принятия решений для оценки технического состояния производственных фондов позволит:

- предоставлять достоверную информацию о состоянии оборудования как в режиме реального времени, так и за любой период эксплуатации;

- минимизировать простаивающие и резервные мощности;

- сократить капитальные затраты и затраты на обслуживание;

- улучшить параметры наблюдаемости электроэнергетической сети;

- повысить надежность электроснабжения;

- предупредить и предотвратить возникновение нештатных режимов;

- оперативно реагировать на происходящие изменения;

- обосновать целесообразность применяемых относительно инвестиций решений.

Важнейшим инструментом при создании подобных сложных информационных систем является системное моделирование.

Моделирование – основной метод исследований во всех областях знаний и научно-обоснованный метод оценок характеристик сложных систем, используемый для принятия решений в различных сферах инженерной деятельности [58]. Выбор метода моделирования и необходимая детализация моделей существенно зависят от этапа разработки сложной системы [59].

Применение методологии системного моделирования на стадии проектирования интеллектуальной системы принятия решений для оценки состояния оборудования электроэнергетических объектов позволяет четко обосновать и сформулировать требования к будущей системе, выделить основные функции и задачи, определить взаимосвязь ее элементов и разработать системный проект. На рисунке 3.2 приведена функциональная модель, которая является основой содержательного представления системного моделирования процесса оценки состояния электроэнергетической инфраструктуры [60].

Данные систем мониторинга Паспортные данные Данные систем контроля и учета энергоресурсов энергоресурсов Рисунок 3.2 – Контекстная диаграмма описания процесса оценки состояния оборудования электроэнергетического объекта Согласно методологии SADT (Structured Analysisand Design Technique) [61, 62], процесс оценки состояния оборудования представляется в виде совокупности множества взаимосвязанных действий, работ, которые взаимодействуют между собой на основе определенных правил, с учетом потребляемых информационных, человеческих и производственных ресурсов, имеющих четко определенный вход и не менее четко определенный выход.

Проведенное исследование системы энергоснабжения РСО-Алания показывает, что существующие нормативные документы, ГОСТы, правила вывода объектов в ремонт и из эксплуатации устарели и требуют изменений, так как не отвечают требованиям интеллектуальных электрических сетей.

К ресурсам, исполняющим процесс оценки состояния производственных фондов, относятся технические средства, программное обеспечение и персонал. Технические средства, применяемые в процессе принятия решений, представляют собой сетевое обеспечение и вычислительную технику.

Программное обеспечение – операционные системы, пакеты прикладных программ, среды моделирования, объектно-ориентированные языки программирования и т.д. В качестве персонала выступают различные подразделения, участвующие в процессе оценки технического состояния производственных фондов: руководители, операторы, администраторы баз данных, инженеры-расчетчики; инженеры-программисты, специалисты по техническому обслуживанию и ремонту и т. д.

Основной процесс функциональной модели, представленной на рисунок 3.2, декомпозируется и представляется в виде иерархии диаграмм (рисунок 3.3). В его составе выделены следующие функциональные блоки:

A2 – интеллектуальный анализ данных;

A5 – контроль реализации принятия решений.

Паспортные данные оборудования Обработка Результаты Информация о внешней среде Данные технического осмотра Рисунок 3.3 – Детализированная контекстная диаграмма процесса оценки состояния оборудования электроэнергетического объекта Функциональный блок А1 представляет собой подсистему предварительной обработки потока данных, импортируемых из внешних источников (систем мониторинга, систем электронных паспортов основных средств, автоматизированных систем контроля и учта энергоресурсов и т.д.), в форматы, подходящие для хранения и последующего анализа.

На рисунке 3.4 изображена диаграмма, представляющая детализированное описание процесса обработки данных, на которой в качестве выполняемых функций отмечены:

А11 – очистка данных – исключение противоречий и случайных «шумов» из исходных данных;

А12 – интеграция данных – объединение данных из нескольких возможных источников в одной базе данных;

А13 – преобразование данных. На данном этапе данные преобразуются к форме, подходящей для анализа. Часто применяется агрегация данных, дискретизация атрибутов, сжатие данных и сокращение размерности [63];

А14 – сохранение данных.

Данные систем мониторинга Паспортные данные оборудования Очистка Результаты Информация о внешней среде Данные технического осмотра А Данные систем контроля и учета энергоресурсов энергоресурсов Рисунок 3.4 – Диаграмма декомпозиции процесса обработки данных Результаты обработки данных поступают в подсистему интеллектуального анализа, позволяющую выявить закономерности и тренды в больших объемах разнородной информации. Детализация блока А2 представлена диаграммой, изображенной на рисунке 3.5. В составе исходного процесса интеллектуального анализа данных выделены следующие подпроцессы:

А21 –контроль текущих значений;

А22 – выявление отклонений;

А23 – регистрация отклонений;

А24 – выявление закономерностей;

А25 – анализ исключений;

А26 – выявление трендов и колебаний;

А27 – анализ видов последствий;

А28 – прогнозирование развития процессов.

Результаты текущих состоянии обработки значений Рисунок 3.5 – Диаграмма декомпозиции процесса интеллектуального Далее результаты проведенного интеллектуального анализа поступают в подсистему оценки состояния оборудования, которая представлена следующими функциональными блоками (рисунок 3.6):

А31 – определение нагрузочной способности;

А32 – определение коэффициента значимости объекта;

А33 – расчет интегрированного показателя.

интеллектуального способности анализа Рисунок 3.6 – Диаграмма декомпозиции процесса оценки состояния На основе полученных показателей состояния формируется управленческое решение исходя из приоритетов обновления и модернизации оборудования с учетом заданных или планируемых объемов инвестиций.

Декомпозиция функциональной модели принятия решений рассмотрена на рисунке 3.7. Процесс принятия решений представлен взаимосвязью следующих функциональных блоков:

А41 – сравнение показателей состояния;

А42 – поиск оптимальных решений;

А43 – формирование долгосрочных программ;

А44 – формирование планов работ.

Интегрированный показателей сравнения показатель Рисунок 3.7 – Диаграмма декомпозиции процесса принятия решений Для обеспечения контроля целевого расходования финансовых ресурсов, оценки выполняемых работ, а также эффективности выдаваемых системой рекомендаций для дальнейшего самообучения в проектируемой системе предусмотрен компонент контроля реализации принятых решений. Детализация данного блока приведена на рисунок 3.8.

Процесс контроля реализации принятых решений предполагает выполнение следующих функций:

А51– определение степени реализации принятых решений;

А52 – оценка эффективности выполненных работ;

А53 – сохранение результатов в базу знаний;

А54 –формирование отчетов.

После произошедшей нештатной ситуации производится анализ принятых и непринятых решений, их последствий, выработка правил, и запись оптимальных решений в базу продукционных правил [64].

Результат Рисунок 3.8 – Диаграмма декомпозиция функционального блока контроля реализации принятых решений.

Контроль реализации принятых решений и выполненных мероприятий даст возможность понять правильность выбора:

• подсистем и критериев для оценки состояния оборудования;

• перечня контролируемых параметров;

• оповещений и рекомендаций.

В проектируемой системе поддержки принятия решений для оценки состояния оборудования электроэнергетических объектов предусмотрен механизм самообучения, позволяющий повысить эффективность формируемых рекомендаций и как следствие оптимизировать процесс распределения капитальных вложений при обновлении и модернизации инфраструктуры.

Таким образом, разработана функциональная модель процесса оценки состояния оборудования электроэнергетическим объектов в рамках ИЭС ААС на основе технологии IDEF0, что позволило выделить основной спектр задач и сформулировать требования к их реализации в составе интеллектуальной системы поддержки принятия решений. Проектируемая система даст возможность предоставлять управленческому аппарату интеллектуальные средства оценки, анализа и прогнозирования состояния производственных фондов на основании комплексного учета различных факторов. На этой основе в подсистеме будет осуществляться выбор стратегий управления отказами, планирование и учет выполнения работ.

3.3 Разработка структуры системы поддержки принятия решений для оценки состояния оборудования и повышения эффективности процесса обновления производственных фондов Система поддержки принятия решений должна быть построена в соответствии с особенностями перехода и внедрения активно-адаптивной сети и возможностью применения разработанной математической модели оценки технического состояния оборудования и методики повышения эффективности процесса обновления производственных фондов.

Данная информационная система должна выполнять следующие функции:

- оценка и анализ состояния оборудования в режиме реального времени;

- повышение наблюдаемости энергосистемы;

- определение приоритетов в замене основных фондов и направление инвестиций в то оборудование, которое вскоре может дать сбои или приближается к работе на полную мощность;

предоставление рекомендаций диспетчерскому, оперативнотехнологическому и ремонтному персоналу для реализации управляющих воздействий и проведения соответствующих работ;

- проведение анализа действия оперативного персонала;

- оптимизация планирования технического обслуживания и ремонт оборудования;

- предотвращение выхода из строя важных компонентов, - повышение надежности и экономически оптимальное функционирование системы и т.д.

Предлагаемая структурная схема интеллектуальной системы управления приведена на рисунке 3.9.

Рисунок 3.9 – Структура интеллектуальной системы управления состоянием основных фондов электроэнергетических объектов.

Рассмотрим основные уровни разрабатываемой интеллектуальной системы управления [65]:

1. Сбор исходных данных об энергетических объектах осуществляется различными способами:

получение данных с систем мониторинга. Учитывая возрастающие возможности датчиков в области непрерывного отслеживания статуса оборудования интеллектуальной электрической сети, в рассматриваемую систему поступает постоянный поток данных от этих устройств. Для каждого оборудования устанавливается набор параметров отклонений, которые приводят к сбоям и работу которых необходимо контролировать с помощью датчиков (например, для трансформатора важными критериями являются отслеживание состава охлаждающего масла, регулярности в переключении обмоток, чрезмерных перегрузок по току и напряжению и т.д.);

- организация системы электронных паспортов основных средств, содержащей следующую информацию по каждой единице оборудования: наименование, инвентарный номер, модель, год выпуска, год ввода в эксплуатацию, основные технические характеристики, данные о проведенных технических обслуживаниях, данные об отказах в работе, времени наработки на отказ, остаточной балансовой стоимости и т.д. На основании исторических характеристик можно определить закономерности поведения характеристик оборудования и получить качественный прогноз функционирования.

- контактный метод с выездом на объект рабочей бригады с использованием средств измерений (система внешнего аудита);

- получение информации с автоматизированной измерительной системы контроля и учта энергоресурсов, в целях отслеживания соответствия нагрузки электроэнергетического объекта ее мощностям, для расчета коэффициентов важности оборудований и электроэнергетических объектов, а также полученные данные могут быть использованы при прогнозирования потребления и необходимости в увеличении мощностей передающих сетей.

- получения информации о внешних природно-климатических воздействиях (молниевые воздействия, гололедно-ветровые воздействия, пожары, нагревы проводов и т.д.).

2. На уровне предварительной обработки данных решаются задачи организации передачи данных из внешних источников с поддержкой уникальных идентификаторов информационных объектов на основе общесистемных справочников и классификаторов.

3. Уровень хранения. На данном уровне осуществляется хранение поступающей в систему информации о производственных активах, а также удобный и быстрый поиск нужных данных.

4. Уровень анализа и формирования знаний. Технологии интеллектуального анализа данных позволяют решать множество задач с привлечением методов искусственного интеллекта. Результаты анализа сохраняются в базу знаний.

5. Уровень принятия решений. На данном этапе происходит формирование инструкций, рекомендаций, перечня мероприятий по оптимизации процесса обновления основных фондов, решению задач технического перевооружения предприятия и т.д.

6. Уровень контроля реализации решений позволяет отследить степень исполнения и эффективности мероприятий. В ходе контроля осуществляется накопление информации о фактических последствиях принятых решений, проводится анализ отклонений от запланированных или спрогнозированных последствий, выполняется корректировка нормативов [67].

Результаты эффективности принятых к исполнению мероприятий передаются в подсистему приобретения знаний, автоматизирующую процесс наполнения баз знаний.

Внедрение данной системы как одной из составляющих элементов интеллектуальной электроэнергетической сети направлено на достижение качественно нового уровня эффективности ее функционирования и развития, а также повышение системной надежности.

Разрабатываемая система является инновационной применительно к данной предметной области и позволит:

- предоставлять достоверную информацию о состоянии оборудования энергетических объектов и необходимости обновления инфраструктуры;

- повысить надежность работы основного и вспомогательного оборудования и энергоснабжения в целом;

- снизить затраты на обслуживание и обновление инфраструктуры;

- оперативно реагировать на происходящие изменения;

- повысить эффективность и оперативность работы диспетчерских служб;

- предотвратить внештатные и аварийные ситуации;

- обеспечить целевое расходование выделенных средств;

- давать конкретные указания по определению приоритетов в замене основных фондов;

- обосновать целесообразность применяемых относительно инвестиций решений и т.д.

По результатам третьей главы можно сделать следующие выводы:

Разработана модель обработки информации о техническом состоянии оборудования для оценки уровня надежности производственных фондов при эксплуатации и повышения эффективности процесса их модернизации и обновления. Рассмотрены информационные потоки данных в предложенной модели.

Разработана функциональная модель процесса оценки состояния оборудования электроэнергетических объектов в рамках интеллектуальной электроэнергетической системы на основе методологии системного анализа и IDEF-технологий.

Разработана структура интеллектуальной системы поддержки принятия решений для оценки состояния оборудования и повышения эффективности процесса обновления электроэнергетических производственных активов.

Сформулированы основные требования, задачи и функции системы поддержки принятия решений.

ГЛАВА 4. РАЗРАБОТКА АЛГОРИТМИЧЕСКОГО И ПРОГРАММНОГО

КОМПЛЕКСА СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ

ОЦЕНКИ СОСТОЯНИЯ ОБОРУДОВАНИЯ И ПОВЫШЕНИЯ

ЭФФЕКТИВНОСТИ ПРОЦЕССА ОБНОВЛЕНИЯ ПРОИЗВОДСТВЕННЫХ

ФОНДОВ ЭЛЕКТРОЭНЕРГЕТИЧЕСКИХ ОБЪЕКТОВ

4.1 Основные принципы и особенности построения Основной целью систем поддержки принятия решений является поддержка многофакторных решений в сложной информационной среде. При этом принимаемые решения оцениваются по совокупности множества показателей, рассматриваемых одновременно. Информационная сложность определяется необходимостью анализа больших потоков информации, обработка которых без помощи современных информационных технологий является трудновыполнимой задачей. Как правило, в таких условиях число возможных решений весьма велико, и выбор оптимального из них без всестороннего анализа может приводить к серьезным ошибкам.

В состав системы поддержки принятия решения входят следующие компоненты (рисунок 4.1): база данных; интеллектуальный анализ данных;

оперативный анализ данных.

Рисунок 4.1 – Основные компоненты системы Разработанная система имеет клиент - серверную архитектуру, которая позволяет организовать децентрализованное хранение и обработку данных.

Каждый компонент системы, разрабатывался как автономный объект, что позволит при необходимости вносить изменение в проект, без компиляции всего проекта.

Система разрабатывалась на языке программирования C#, которая позволяет в полной мере использовать объектно-ориентированное программирование и возможности параллельных вычислений платформы.NET FRAMEWORK [70].

На рисунке 4.2 представим общую архитектуру системы поддержки принятия решений:

Рисунок 4.2 – Архитектура системы поддержки принятия решений Рассматриваемая архитектура системы поддержки принятия решений построена на основе паттерна проектирования MVC, которая позволяет создавать независимые уровни.

MVC – схема использования нескольких шаблонов проектирования, с помощью которых модель данных приложения, пользовательский интерфейс и взаимодействие с пользователем разделены на три отдельных компонента.

Таким образом, чтобы модификация одного из компонентов оказывала минимальное воздействие на остальные [68].

Используя данный паттерн проектирования, мы достигаем автономности уровней и при необходимости можем заменить базу данных на другую, не затрагивая верхние уровни.

Логический взаимодействие с базой данных, осуществляется с помощью технологий доступа к данным ADO.NET. В качестве СУБД, будем использовать SQL SERVER 2008, которая позволяет хранить в базах данных информацию, полученную из структурированных, полуструктурированных и неструктурированных источников.

Выбор SQL SERVER 2008 обусловлен наличием большого набора интегрированных служб, расширяющих возможности использования данных.

Рассматриваемый СУБД позволяет обращаться к данным из любого приложения, разработанного с применением технологий.NET FRAMEWORK и VISUAL STUDIO 2010. SQL SERVER 2008, что позволяет создать надежную, производительную, интеллектуальную платформу, отвечающую всем требованиям по работе с данными [69].

Система поддержки принятия решений должна обеспечить автоматизацию процесса сбора, обработки, хранения и анализа информации о техническом состоянии производственных активов различных электроэнергетических объектов, в связи с чем должна обеспечить работу в режиме распределенной базы данных. Распределенная база данных предполагает хранение и выполнение функций управления данными в нескольких узлах и передачу данных между этими узлами в процессе выполнения запросов.

В системе выделено два функциональных уровня доступа:

- региональный - муниципальный Каждый пользователь обращается к системе на своем уровне обслуживания, а получает информацию с любого уровня в зависимости от его роли.

Непротиворечивость и целостность данных обеспечивается единой кодировкой сервисных справочников, ввод и редактирование которых осуществляется на уровне управления. Сбор и ввод данных о производственных активах, их характеристиках и условий эксплуатации осуществляется на нижнем уровне и передается на верхний уровень. При сохранении данных проводится проверка на дублирование и противоречивость. Данные, не прошедшие проверку, в БД не добавляются.

Для нормального функционирования программного комплекса, к компьютеру конечного пользователя предъявляются следующие минимальные аппаратные требования:

Процессор: Pentium 4/AMD Athlon 64 - 2,4 ГГц;

Минимальный необходимый объем свободного места на жестком диске: 1 Гб;

Операционная система Windows XP/Windows7/ Windows8.

4.2 Разработка архитектуры системы поддержки принятия решений для оценки состояния оборудования и повышения эффективности процесса обновления производственных фондов Политика инновационного развития электроэнергетической отрасли на базе концепции активно-адаптивной сети, стимулирующая внедрение новых средств автоматизации и контроля технологических процессов, способствует постоянному увеличению объемов обрабатываемой и анализируемой информации. Это накладывает особые требования к используемому программному и аппаратному обеспечению.

На рисунке 4.3 приведена архитектура программного комплекса для оценки состояния и эффективности процесса обновления и модернизации производственных фондов электроэнергетических объектов [71].

Рисунок 4.3 – Архитектура программного комплекса для оценки состояния и эффективности процесса обновления и модернизации производственных фондов электроэнергетических объектов Разрабатываемая информационная система должна обладать расширенной функциональностью, что достигается путем разработки и внедрения в систему ряда взаимодействующих между собой модулей:

- модуль сбора, предварительной обработки и хранения данных;

- модуль анализа данных;

- модуль принятия решений.

Модуль сбора, предварительной обработки и хранения данных осуществляет прием потоков информации из внешних источников (систем мониторинга, систем электронных паспортов основных средств, автоматизированных систем контроля и учта энергоресурсов, систем внешнего аудита объектов, подсистем сбора данных о внешней среде) и преобразование в форматы, подходящие для хранения и последующей обработки.

Рассматриваемый модуль функционирует по следующему сценарию.

По заданному регламенту в базе данных собираются данные из различных источников. В БД поддерживается хронология: наравне с текущими хранятся исторические данные с указанием времени, к которому они относятся. В результате необходимые доступные данные об объекте управления собираются в одном месте, приводятся к единому формату, согласовываются и, в ряде случаев, агрегируются до минимально требуемого уровня обобщения [72].

Алгоритм функционирования модуля сбора и предварительной обработки данных приведен на рисунке 4.4.

Рисунок 4.4 – Алгоритм процесса предварительной обработки данных о техническом состоянии электроэнергетического оборудования Перемещение данных в БД состоит из следующих этапов: извлечение, преобразование, интеграция, очистка и загрузка. Программные средства преобразования данных выполняют извлечение информации из разнородных источников и ее обработку. Перед загрузкой поля из исходных баз данных идентифицируются, изменяются, упорядочивается их движение. После загрузки осуществляется очистка данных, проверка их согласованности и выявление противоречивых записей, создаются списки ошибок и отчеты об исключениях. Результаты обработки данных наглядно отображаются средствами визуализации.

Таким образом, модуль сбора, предварительной обработки и хранения данных должна обеспечивать решение следующих задач:

извлечение данных о техническом состоянии оборудования из внешних источников;

выявление и удаление ошибок и несоответствий в данных с целью улучшения качества данных;

консолидация различных представлений данных и исключение дублирующейся информации;

согласование источников данных, поступающих в БД;

отображение информации на экранном интерфейсе.

Процесс предварительной обработки данных играет важную роль, так как сохраненная в базе информация в последующем используется для принятия решений, следовательно, чтобы некорректные данные не привели к недостоверным выводам необходимо обеспечить высокую достоверность поступающих данных.

Для интеллектуальной обработки информации и последующего принятия оперативных решений, подготовленные данные из БД направляются в модуль анализа, состоящего из подсистемы интеллектуального анализа данных и базы знаний.

Подсистема интеллектуального анализа осуществляет контроль отклонений параметров функционирования оборудования и дает оценку текущего технического состояния (рисунок 4.5).

Сообщить об отсутствии рекомендаций Рисунок 4.5 – Общий алгоритм интеллектуального анализа данных и оценки текущего состояния оборудования электроэнергетического объекта При выявлении отклонений или же в зависимости от запрашиваемых пользователем данных из базы знаний вызывается соответствующий вид модели. В случае наличия нештатной ситуации строится прогноз развития процессов, проводится анализ последствий, формируются рекомендации для восстановления работоспособного состояния и предотвращения выхода из строя. Также в процессе интеллектуального анализа происходит выявление скрытых закономерностей, трендов и колебаний.

Интеллектуальные средства извлечения информации позволяют почерпнуть из базы данных более глубокие сведения, чем традиционные системы оперативной обработки транзакций и оперативной аналитической обработки. Выведенные из данных закономерности и правила можно применять для описания существующих отношений и закономерностей, а также для принятия решений и прогнозирования их последствий [73].

К основным функциям выполняемых модулем анализа данных относятся:

- непрерывный контроль текущих параметров функционирования оборудования;

- своевременное выявление отклонений в работе и оповещение персонала;

- поиск способов восстановления нормального режима функционирования;

- сохранение работоспособного состояния объекта;

- объективная оценка текущего состояния основного средства;

- накопление базы знаний;

- выявление скрытых закономерностей.

Результаты интеллектуального анализа передаются в модуль принятия решений, где происходит поиск оптимальных решений, определение приоритетов в замене оборудования в зависимости от заданных финансовых ресурсов, планирование работ и формирование программы модернизации и обновления инфраструктуры (рисунок 4.6) [47].

Состояние Нет исправное Рисунок 4.6 – Общий алгоритм модуля принятия решений о состоянии Рассматриваемый модуль содержит механизм логического вывода, обеспечивающий формирование заключений, воспринимая вводимые факты как элементы правил, отыскивая правила, в состав которых входят введенные факты, и, актуализируя те части продукций, которым соответствуют введенные факты [74].

В процессе или по результатам решения задачи пользователь может запросить объяснение или обоснование хода решения с этой целью система должна предоставить соответствующий механизм объяснения. Объяснительные способности системы определяются возможностью механизма вывода запоминать путь решения задачи [75].

Взаимодействие пользователя с системой на естественном языке обеспечивается с помощью интеллектуального интерфейса, который включает диалоговый процессор, интерпретирующий профессиональный язык пользователя, и планировщик, преобразующий описание задачи в программу ее решения на основе информации, хранящейся в базе знаний.

Интеллектуальный интерфейс обеспечивает дополнительную степень гибкости системы поддержки принятия решений. Благодаря интерфейсу между системой и объектом управления осуществляется непрерывный мониторинг его параметров и как можно более раннее обнаружение неблагоприятных тенденций и отклонений в его состоянии [76].

Подсистема формирования отчетов позволяет в наглядной форме выводить сведения о принятых решениях, проведенных мероприятиях, детальный мониторинг реализации инвестиционной программы.

Контроль реализации является важным звеном предлагаемой системы поддержки принятия решений, так как позволяет не только определить степень реализации принятых решений и оценить эффективность выполненных работ, но и способствует накоплению знаний и дальнейшему самообучению системы.

Разработана архитектура программного комплекса и алгоритмы функционирования основных модулей интеллектуальной системы поддержки принятия решений, применение которой позволит:

дать объективную оценку состояния объекта на данный момент времени;

выявлять неисправности и отслеживать динамику их развития;

прогнозировать остаточный ресурс;

повысить надежность, безопасность и эффективность эксплуатации;

определить приоритеты при обновлении и модернизации оборудо- вания, исходя из заданных или планируемых объемов инвестиций;

проводить детальный мониторинг реализации инвестиционной программы;

оптимизировать процесс обновления производственных фондов электроэнергетических объектов.

4.3 Реализация пользовательского интерфейса системы поддержки Пользовательский интерфейс был разработан в среде разработки VISUAL STUDIO 2010 на языке программирования С#.

Одной из основных задач программного комплекса является оптимизация информационного обеспечения процесса принятия решений, которая заключается в минимизации объема представляемой пользователю информации. При этом основным параметром оптимизации является требование к однозначности идентификации оператором технического состояния оборудования электроэнергетического объекта. Таким образом, минимизация должна осуществляться с учетом значимости различных данных о состоянии основного средства.

Задача оптимизации сводится к минимизации числа параметров, представляемых оператору, с учетом максимально допустимой в идентификации технического состояния оборудования. При этом к информационному обеспечению пользователя предъявляются следующие основные требования:

необходимости информации, которая представляет собой выявление и структурирование параметров технического состояния, наиболее значимых для идентификации состояния производственного актива и принятия решений. Такая классификация направлена на повышение внимания пользователя к предаварийным ситуациям, достаточности информации и на снижение избыточности данных.

Дополнительную степень гибкости системы поддержки принятия решений обеспечивает интеллектуальный интерфейс.

В системе поддержки принятия решения, каждому пользователю назначается роль в соответствии с занимаемой должностью и уровнем компетентности (рисунок 4.7).

Для каждой единицы оборудования в систему заносятся ее паспортные данные, а также условия эксплуатации и иные существенные характеристики. Оконный интерфейс разработанного программного комплекса приведена на рисунке 4.8.

При формировании плана работ за определенный период времени согласно утвержденной финансовой программе происходит автоматический расчет показателей технического состояния производственных активов, стоимости мероприятий и важности оборудований. Далее происходит их ранжирование на основании указанных критериев и планирование соответствующих мероприятий.

Система поддержки принятия решений осуществляет контроль и анализ утвержденных мероприятий, а также детальный мониторинг реализации инвестиционной программа (рисунок 4.9).

Рисунок 4.8 – Оконный интерфейс паспортных данных основного Рисунок 4.9 – Оконный интерфейс принятых к реализации решений В четвертой главе приведены результаты разработки программного обеспечения системы поддержки принятия решений для оценки состояния оборудования и повышения эффективности производственных фондов электроэнергетических объектов.

Рассмотрена архитектура программного комплекса и алгоритмы функционирования основных модулей интеллектуальной системы поддержки принятия решений.

Разработано программное обеспечение с учетом требований к современному программному обеспечению в среде разработки Microsoft VISUAL STUDIO 2010 на языке программирования С#.

Экономический эффект от использования разработанных рекомендаций и программного обеспечения в ГУП «Аланияэлектросеть» составил тыс. руб. в год. Ожидаемый годовой экономический эффект от внедрения разработанного программного обеспечения в СОф ОАО «МРСК СК» составит 862 тыс. руб. за счет снижения вероятности системных аварий и снижения недоотпуска электрической энергии потребителям.

ЗАКЛЮЧЕНИЕ

На основе проведенного в данной диссертационной работе исследования по разработке методов и алгоритмов оценки технического состояния оборудования и повышения эффективности процесса обновления производственных фондов электроэнергетических объектов на базе концепции создания интеллектуальной электроэнергетической системы с активно-адаптивной сетью можно сформулировать следующие выводы:

1. Проведен системный анализ проблем и особенностей построения систем обработки информации в интеллектуальных электроэнергетических сетях, а также систем непрерывного контроля, средств и технологий систем поддержки принятия решений на базе концепции Smart Grid, позволяющий сделать вывод о необходимости совершенствования систем планирования технического обслуживания и обновления основных средств на основе фактического состояния, учитывая ограниченность финансовых ресурсов.

2. Разработана математическая модель оценки технического состояния оборудования и электроэнергетического объекта в целом за заданный интервал времени, позволяющая оценить уровень готовности производственных активов к эксплуатации с учетом его значимости, важности и интервала отклонений каждого из контролируемых параметров.

3. Предложен новый подход планирования воздействий на основное средство, основанный на применении разработанного интегрированного показателя технического состояния оборудования (Jn(t)), коэффициента важности электроэнергетического объекта (Vn), на котором эксплуатируется актив и стоимости затрат технического обслуживания и обновления (Сn).

4. Разработана методика повышения эффективности процесса технического обслуживания, модернизации и обновления основных средств электроэнергетических объектов, позволяющая повысить эффективность распределения капитальных вложений и минимизировать отклонения выполняемых объемов работ от запланированных на основе непрерывного мониторинга реализации инвестиционной программы и утвержденных решений.

5. Разработана функциональная модель процесса оценки состояния оборудования электроэнергетическим объектов в рамках интеллектуальной электроэнергетической системы на основе методологии системного анализа и IDEFтехнологий и структура интеллектуальной системы поддержки принятия решений.

6. Разработано и реализовано алгоритмическое и программное обеспечение системы поддержки принятия решений 7. Экономический эффект от использования разработанного программного обеспечения в ГУП «Аланияэлектросеть» составил 287 тыс. руб. в год. Ожидаемый годовой экономический эффект от внедрения разработанного программного обеспечения в СОф ОАО «МРСК СК» составит 862 тыс. руб. за счет снижения вероятности системных аварий и снижения недоотпуска электрической энергии потребителям.

СПИСОК ЛИТЕРАТУРЫ

Гаглоева И.Э. Анализ методов прогнозирования для интеллектуальной системы управления состоянием основных фондов электроэнергетических объектов // Актуальные вопросы современной техники и технологии [Текст]: Сборник докладов X-й Юбилейной Международной научной конференции (г. Липецк, 26 января 2013 г.). / Отв. ред. А.В. Горбенко. – Липецк: Издательский центр «Гравис», 2013. – С.186-190.

Гаглоева И.Э. Анализ автоматизированных систем контроля, учета и управления электропотреблением // Перспективы развития информационных технологий: сборник материалов VI Международно-практической конференции. – Новосибирск: СИБПРИНТ, 2012. – С.93-97.

Гаглоева И. Э., Добаев А. З. Применение систем автоматизации управления в интеллектуальных электроэнергетических сетях // Наука XXI века:

новый подход: материалы II международной научно-практической конференции студентов, аспирантов и молодых учных 28 сентября года, г. Санкт-Петербург. – Петрозаводск: ПетроПресс, 2012. – С.8-12.

Энергетическая стратегия России на период до 2030 года, утверждена распоряжением Правительства Российской Федерации от 13 ноября г. №1715-р.

Бердников Р.Н. Политика инновационного развития и модернизации ОАО «ФСК ЕЭС» // Интернет ресурс, URL: http://www.fsk-ees.ru (Дата обращения: 22.10.2012).

6. The National Energy Technology Laboratory: A vision for the Modern Grid, March 2007.

Smart Power Grids — Talking about a Revolution // IEEE Emerging Technology Portal, 2009.

Бударгин О.М. Умная сеть – платформа развития инновационной экономики // Доклад на заседании Круглого стола Петербургского международного экономического форума (2010): «Умные сети – Умная энергетика – Умная экономика».

Дорофеев В. В. Активно-адаптивная сеть – новое качество ЕЭС России / В. В. Дорофеев, А. А. Макаров // Энергоэксперт. 2009. - №4. - С. 28-34.

10. Отчет о разработке стратегической программы исследований технологической платформы «Интеллектуальная энергетическая система России».

– Москва: РЭА, 2012. – 53 с.

11. Шкурина Г.Л. Методика построения очередей ремонта оборудования с использованием процедур выбора // Вестник АГТУ. Серия: Управление, вычислительная техника и информатика. – 2011. - №1. – С.124.

12. Шишкин А.Н. ТЭК России: курс на безопасность // Доклад заместителя Министра энергетики РФ (29.10.2010).

13. Гаглоева И.Э. Анализ методов оценки состояния оборудования и эффективности процесса обновления производственных фондов в электроэнергетических сетях // Труды молодых ученых. – Владикавказ: Изд-во «Терек», 2013, Т.2 – С. 86-90.

14. Живодерников С.В. Зарубежный опыт мониторинга состояния маслонаполненного оборудования /Материалы четвертого научно-практического семинара Общественного Совета специалистов Сибири и Востока по проблемам мониторинга трансформаторного оборудования и диагностики электрических установок, Белокуриха, 20-24 апреля 2009 / С.В. Живодерников, А. Г. Овсянников, В.А. Русов // Новосибирск, ГЦРО, 2009.

http://www.secheron.com/Products/Control-command-and-supervision (Дата обращения: 01.08.2013).

16. Надточий В.М., Ординян H.A., Осин Е.А., Трофимов A.C. Интеллектуальная информационно-диагностическая система (ИИДС) для электрооборудования электростанций // VI Симпозиум «Электротехника 2010».

2001. Т. 1. Докл. 4. 05.

17. Ворошин Д.А., Ватлецов A.B., Игнатьев Е.Б., Комков Е.Ю., Попов Г.В.

Организация информационных потоков для повышения эффективности оценки технического состояния оборудования на базе программного комплекса «Диагностика+» // IX Симпозиум «Электротехника 2030.

Перспективные технологии энергетики». 2007. Докл. 4. 41.

18. Информационно-аналитический портал MediaScan // Интернет ресурс, URL: http://www.media-scan.ru/new/?id= 24.08.2013).

19. Чирков С.А. «Диана для Windows» - современный комплекс программ для ведения и анализа информации по электрооборудованию / VI Симпозиум «Электротехника 2010». М.: 2001. Т. 1. Докл. 4. 15.

20. ООО «ЭТЛ-СЕРВИС»: разработка информационных систем // Интернет ресурс, URL: http://www.etl-service.com.ua/info (Дата обращения:

30.11.2012).

21. Попов Г.В. Экспертная поддержка при диагностике состояния силовых трансформаторов /Попов Г.В., Ватлецов А.В., Аль-Хамри С.С.// Электротехника. – 2003. – № 8. – С. 5–11.

22. Шутенко О. В. Анализ функциональных возможностей экспертных систем, используемых для диагностики состояния высоковольного маслонаполненного оборудования // О. В. Шутенко, Д. Н. Баклай // Вестник НТУ «ХПИ». – 2011. – Т. 1, вып. 3. – С. 45-52.

23. Давиденко И.В. Система компьютерной диагностики маслонаполненного оборудования в рамках энергосистемы /Давиденко И.В., Голубев В.П., Комаров В.И., Осотов В.Н., Туркевич С.В. // Энергетик. – 2000. – 24. Гаглоева И.Э. Анализ эффективности функционирования систем сбора и обработки информации о состоянии оборудования электроэнергетических объектов // Решение проблем развития предприятий: роль научных исследований: Материалы III Международной научно-практической конференции. 14 мая 2013г.: Сборник научных трудов. – Краснодар, 2013. – С142-145.

25. Кумаритов А.М., Гаглоева И.Э., Добаев А.З. Разработка математической модели оценки состояния производственных фондов в интеллектуальных электроэнергетических системах с активно-адаптивной сетью // Научные труды Вольного экономического общества России. – МоскваВладикавказ: 2013. Т. 177. С.246-256.

26. Electric Power Research Institute, Electricity Sector Framework for the Future Volume I: Achieving the 21st Century Transformation/Washington, DC:

Electric Power Research Institute, 2003.

27. Информационный ресурс Dhyan Smart Grid Management System. URL:

http://www.network-management-system.com/smart_grid_dsms.html обращения: 01.08.2013).

28. Информационный ресурс Smart Grid Distribution Control Center and Operations. URL: http://www.intelligentutility.com/article/13/01/smart-griddistribution-control-center-and-operations (Дата обращения: 05.08.2013 г) 29. Meir Shargal. Smart Grid: Leveraging Technology to Transform T&D Operating Models. URL: http://www.energycentral.com/articles/article/1661 (Дата обращения: 21.01.2013).

30. Федеральный закон от 26 марта 2003 г. N 35-ФЗ «Об электроэнергетике»

31. Методические указания по диагностике развивающихся дефектов трансформаторного оборудования по результатам газохроматографического анализа газов, растворнных в масле РД 153-34-0.46.302-00 М., ЭНАС, 2001.

32. Dyval M., de Pablo A. Интерпретация результатов анализа газов в масле с использованием повой редакции Публикации МЭК 60599, 1999// IEC Publication 599, 1978.

33. МЭК 60599 «Международный стандарт: Электротехническое оборудование с изоляцией пропитанной минеральным маслом. Руководство по интерпретации анализа растворенных и свободных газов», 1999.

34. Положение о технической политике ОАО «ФСК ЕЭС». Утверждено Председателем Совета Директоров ОАО «ФСК ЕЭС», Министром энергетики РФ Шматко С.И. М.: ОАО «ФСК ЕЭС», 2011. - 193 с.

35. Программа развития системы диагностики ОАО «ФСК ЕЭС», утвержденная приказом ОАО «ФСК ЕЭС» от 17.06.2010 №427.

36. Васильев В. И., Гусев Ю. М., Иванов А. И. Автоматический контроль и диагностика систем управления силовыми установками летательных аппаратов. М.: Машиностроение, 1989. - 240 с.

37. Жернаков С.В., Ефанов В.Н., Иванова Н.С. Идентификация сложных систем управления в ортогональном базисе экспоненциального вида // Вестник УГАТУ. – Уфа: УГАТУ, 2010. – Т.14, № 2(37). С.128-135.

38. Потребич А.А., Кузнецов В.П., Жданов B.C., Фоменко П.И., Ткачев В.И., Овчиникова Н.С., Юдин Г.Г. Автоматизированная система для оценки технического состояния электрооборудования // Электрические станции.

39. Объем и нормы испытаний электрооборудования. РД 34.45-51.300М.: ЭНАС, 1998.

40. Leibfried Th. Monitoring von Leistungstransfor-matoren — Jetzt auch fuer kleine und mittlere Baugroessen. (Мониторинг силовых трансформаторов малых и средних габаритов). — Elektrizitaetswirtschaft, 1999, No 20, 37,38,40-42.

41. Дьяконов В. П. MATLAB 6.5 SP1/7/7 SP2+Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики. Серия «Библиотека профессионала» В. П. Дьяконов, В. В. Круглов. - М.: СОЛОН-ПРЕСС, 2006.

42. Медведев В.С. Нейронные сети: Matlab 6 / В. С. Медведев, В. Г. Потемкин; Ред. В. Г. Потемкин. - М.: ДИАЛОГ-МИФИ, 2002. - 496с.

43. Swingler, Kevin Applying Neural Networks. A practical Guide [Электронный ресурс]: пер. с англ. / Kevin Swingler // Консультационный центр MATLAB компании Softline. – Режим доступа: http://matlab.exponenta.ru/ neuralnetwork/book4/index.php Дата обращения: 28.05.2012).

44. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. – М.: Горячая линия -Телеком, 45. Хайкин С. Нейронные сети: полный курс. – М.: Изд-во «Вильямс», 2006.

46. Кумаритов А.М., Леонтьев А.В., Агаев В.С. К вопросу о перспективах использования инновационных проектов в теплоэнергетике и методах их автоматизации на примере республики северная Осетия – Алания // Аудит и финансовый анализ, Москва 2011, Т. 2. – С. 444-450.

47. Гаглоева И.Э. Алгоритм функционирования интеллектуальной системы поддержки принятия решений для оценки технического состояния и эффективности процесса обновления и модернизации производственных фондов электроэнергетических объектов // Науковедение (электронный журнал). 2013 №3 (16) [Электронный ресурс]. – М.: 2013. – Режим доступа: http://naukovedenie.ru/PDF/81tvn313.pdf, свободный – Загл. с экрана.

48. ГОСТ 27.002-89. Наджность в технике. Основные понятия. Термины и определения. - М.: Государственный комитет СССР по стандартам. 1990.

49. Рыбалко В. В. Математические модели контроля надежности объектов энергетики. – СПб., 2010. - 151с.

50. Ефанов В.Н., Жернаков С.В., Иванова Н.С. Идентификация сложных систем управления в ортогональном базисе экспоненциального вида // Вестник УГАТУ. УФА: УГАТУ, 2010. Т.14, №2 (37). С.128-135.

51. Ручкин В.Н. Универсальный искусственный интеллект и экспертные системы/ В. Н. Ручкин, В. А. Фулин.- СПб.: БХВ-Петербург, 2009.- 238с.

52. Бешелев С.Д. Экспертные оценки.- М.: Наука, 1973.- 159с.

53. Дорофеев В.В. Роль электрических сетей в организации конкурентного рынка в электроэнергетике // Интернет ресурс, URL: http://it.em.ru/13/prezentation/dorofeev.pdf (Дата обращения: 10.07.2013).

54. Гаглоева И.Э. Разработка методики повышения эффективности процесса обновления и модернизации производственных фондов электроэнергетических объектов // Науковедение (электронный журнал), 2013 №5 (18) http://naukovedenie.ru/PDF/32tvn513.pdf, свободный – Загл. с экрана.

55. Черноруцкий И.Г. Методы принятия решений. – СПб.: БХВ-Петербург, 2005. – 416с.

56. Информационный портал Министерства энергетики РФ // Интернет портал, URL: http://minenergo.gov.ru/activity/powerindustry/powersector (Дата обращения: 15.02.2013).

57. Гаглоева И.Э. К вопросу о разработке модели обработки информации о техническом состоянии оборудования для повышения эффективности процесса обновления производственных фондов электроэнергетических объектов // Международная научная конференция «Тенденции современной науки». – Польша, Гданьск, 2013. С.10-12.

58. Советов Б. Я., Яковлев С. А. Моделирование систем. — М.: Высш. шк., 59. Гаглоева И.Э. Хачирова Н.В. Моделирование бизнес-процессов с использованием технологий UML и BPM // Труды молодых ученых. – Владикавказ: Изд-во «Терек», 2011, Т.3 – С.59-63.

60. Кумаритов А.М., Гаглоева И.Э., Джиоева И.А. Функциональное моделирование интеллектуальной системы поддержки принятия решений для оценки эффективности процесса обновления и модернизации производственных фондов электроэнергетических объектов // Аудит и финансовый анализ. Москва, 2013. Т. 4. С. 443-448.

61. Черемных С.В. Моделирование и анализ систем. IDEF-технологии: практикум / С.В.Черемных, И.О. Семенов, B.C. Ручкин. – М. : Финансы и статистика, 2006. - 192 с.

62. Евгенев Г.Б. Интеллектуальные системы проектирования : учеб.пособие / Г.Б. Евгенев. – М.: МГТУ им. Н.Э. Баумана, 2009. – 334с.

63. Степанов Е.Т. Технология Data Mining : Интеллектуальный анализ данных: учеб. Пособие / Р. Г. Степанов. – Казань : Из-во Казанского гос. унта, 2008. – 58с.

64. Геловани В.Л., Башлыков А.А., Бритков В.Б., Вязилов Е. Д. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природной среды. – М. : Эдиториал УРСС, 2001. - 304 с.

65. Гаглоева И.Э. Разработка структуры интеллектуальной системы управления состоянием основных фондов электроэнергетических объектов // Актуальные вопросы науки: Материалы VII Международной научнопрактической конференции (25.10.2012). – М.: Издательство «Спутник+», 2012. – С.26-29.

66. Спирли Э. Корпоративные хранилища данных. Планирование, разработка, реализация. Том. 1: Пер. с англ. – М.: Вильямс, 2001.

67. Баллод Б.А., Елизарова Н.Н. Методы и алгоритмы принятия решений в экономике. – М.: ИНФРА-М, 2009.

68. Методика разработки приложений на основе MVC. Интернет ресурс, URL: http://entropiya-blog.ru/metodika-razrabotki-prilozheniya-na-osnovemvc.html (Дата обращения: 15.07.2013).

69. Microsoft SQL Server 2008: Overview. Интернет ресурс, URL:

http://www.microsoft.com/sqlserver/2008/ru/ru/overview.aspx (Дата обращения: 15.07.2013).

70. Рихтер Дж. Р49 CLR via C#. Программирование на платформе Microsoft.NET Framework 2.0 на языке C#. Мастер-класс. / Пер. с англ. – М.: Русская Редакция ; СПб.: Питер, 2008. - 656 с.

71. Гаглоева И.Э. Разработка системы поддержки принятия решений при управлении производственными фондами // Информационные и телекоммуникационные технологии. – М.: 2013. Т.19. С.22-28.

72. Щавелев Л.В. Способы аналитической обработки данных для поддержки принятия решений // СУБД. – 1998. – № 4–5. – С. 51–60.

73. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы: Учеб. пособие. – М.: Финансы и статистика, 1996. - 320с.

74. Вывод в продукционных моделях. Механизм логического вывода и рекурсия. http://www.aiportal.ru/articles/knowledge-models/mlvrecursion.html (дата обращения: 29.04.2013).

75. Хасанов В.Х., Бикмухаметов И.Х., Колганов Е.А. Информационные системы в экономике: Учеб. пособие. – Уфа: Уфимск. гос. акад. экон. и сервиса, 2008. – 284 с.

76. Еремеев А.П. Экспертные модели и методы принятия решений. – М.:

Изд-во МЭИ, 1995. –111 с.

77. Гаглоева И.Э., Добаев А.З., Дедегкаева А.А. Разработка математической модели комплексной оценки состояния электроэнергетических объектов [Электронный ресурс] // Инженерный вестник Дона (электронный журнал), 2013, №3. – Режим доступа: http://www.ivdon.ru/magazine/archive/ n3y2013/1842 (доступ свободный) – Загл. с экрана.

Акты о внедрении результатов кандидатской диссертационной работы