Двухуровневая стохастико-адаптивная модель управления эксплуатационными рисками объектов розничной сети

В статье представлена инновационная двухуровневая стохастико-адаптивная модель управления эксплуатационными рисками, предназначенная для крупных распределенных инфраструктурных сетей. Исследование решает проблему неспособности традиционных детерминированных моделей адекватно оценивать «хвостовые» риски в условиях высокой неопределенности энергопотребления, отказов оборудования и логистических сбоев. Предлагаемая методология объединяет стратегическое планирование и тактическую онлайн-адаптацию. На верхнем уровне используется двухэтапное стохастическое программирование для формирования робастных планов обслуживания и резервирования мощностей, учитывающих вероятностный характер угроз. Интеллектуальная кластеризация объектов с помощью самоорганизующихся карт Кохонена позволяет разделить сеть на четыре категории: критические, высокого риска, логистически уязвимые и стабильные. На нижнем уровне агенты с обучением с подкреплением (алгоритмы PPO и DQN) адаптируют эксплуатационные решения в реальном времени, используя кастомизированные функции вознаграждения для каждого кластера. Экспериментальные результаты подтверждают эффективность подхода: для критических объектов доля простоев снижена до 2 %, а для стабильных достигнута максимальная экономия ресурсов. Внедрение модели позволяет снизить эксплуатационные затраты на 10–15 % и повысить надежность критической инфраструктуры на 20–30 %. Модель обеспечивает прозрачность управления через четкие KPI и способствует реализации стратегии устойчивого развития.

1. Miller C., Fu C., Roth J., et al. The ASHRAE Great Energy Predictor III competition: Overview and results. Science and Technology for the Built Environment. 2020;26(10):1427–1447. https://doi.org/10.1080/23744731.2020.1795514

2. Yu L., Qin Sh., Zhang M., et al. A Review of Deep Reinforcement Learning for Smart Building Energy Management. IEEE Internet of Things Journal. 2021;8(15):12046–12063.​ https://doi.org/10.1109/JIOT.2021.3078462

3. Кохонен Т. Самоорганизующиеся карты. Москва: Лаборатория знаний; 2017. 660 с.

4. Pigott A., Crozier C., Baker K., Nagy Z. GridLearn: Multiagent Reinforcement Learning for Grid-Aware Building Energy Management. arXiv.​ URL: https://arxiv.org/abs/2110.06396 [Accessed 28th December 2025].

5. Dong X., Liu Y., Xu Zh., et al. Optimal scheduling of distributed hydrogen-based multi-energy systems for building energy cost and carbon emission reduction. In: 2020 IEEE 16th International Conference on Automation Science and Engineering (CASE), 20–21 August 2020, Hong Kong, China. IEEE; 2020. P. 1526–1531. https://doi.org/10.1109/CASE48305.2020.9216885

6. Саттон Р.С., Барто Э.Г. Обучение с подкреплением. Москва: ДМК-Пресс; 2020. 552 с.

7. Бутусов И.Ю., Татохин Е.А., Сычев И.В. Учет неопределенности при диагностике сложных систем. Вестник Воронежского института МВД России. 2025;(3):64–71.

8. Бондаренко А.С., Зайцев К.С. Управление контейнерами при построении распределенных систем с микросервисной архитектурой. International Journal of Open Information Technologies. 2023;11(8):17–23.

9. Джейранян А.Д., Лядова Л.Н. Интеграция подхода к визуализации данных на основе онтологии и визуализации на основе ИИ с использованием Plotly. Труды института системного программирования РАН. 2025;37(4-2):191–206. (На англ.).

10. Устимов М.Г., Прохорова О.К., Заложных Д.О. Адаптивное риск-ориентированное управление эксплуатацией объектов розничной сети на основе кластеризации и обучения с подкреплением. Моделирование, оптимизация и информационные технологии. 2025;13(4). https://doi.org/10.26102/2310-6018/2025.51.4.066