Подходы к прогнозированию изменения состояния обеспечивающих компонентов информационно-управляющей системы

В статье представлены подходы к прогнозированию динамики состояния обеспечивающих компонентов информационно-управляющих систем на примере моделирования энергосистемы производственного предприятия. Рассмотрен способ моделирования других типов обеспечивающих компонентов на основе предлагаемых подходов. Моделирование состояния энергосистемы производственного предприятия основано на ее представлении в виде множества Т-образных ячеек, состоящих из сопротивления, емкости и индуктивности. Прогнозирование изменения состояния обеспечивающих компонентов информационно-управляющей системы производится с использованием многослойной нейронной сети прямого распространения с учетом нелинейных факторов, определяемых внешним и внутренним состоянием производственной среды. В качестве независимых переменных используются параметры окружающей среды, данные об амортизации исполнительных механизмов и оборудования, нормативные производственные требования, в качестве зависимой – мощность энергосистемы предприятия. При этом расчет мощности производится на основе описанной модели энергосистемы с использованием Т-образных ячеек. Обучение модели производилось на основе накопленных данных. Полученные результаты моделирования состояния обеспечивающих компонентов информационно-управляющих систем показывают, что использование для прогнозирования динамики модели нейронной сети прямого распространения с одним скрытым слоем и шестью узлами в нем позволяет получить точный прогноз мощности с учетом различных нелинейных факторов. Представлены экспериментальные данные, доказывающие эффективность предлагаемых авторами подходов к прогнозированию состояния обеспечивающих компонентов.

1. Лясковская Е.А., Курбангалиев М.Р. Проблемы электроэнергетики и возможности рационального энергопотребления предприятий. Вестник Южно-Уральского государственного университета. Серия: Экономика и менеджмент. 2017;11(3):108–115.

2. Чилдебаев Б.С., Арзалиев Б., Камаридинов Ж., Айдаров Р. Обоснование рисков энергообеспечения производства и меры предотвращения рисков. Вестник науки и образования. 2022;(5-2):7–11.

3. Шевнина Ю.С. Метод декомпозиции сложной нелинейной системы на основе процессного подхода. Системы управления и информационные технологии. 2021;(3):24–29. https://doi.org/10.36622/VSTU.2021.85.3.005

4. Шевнина Ю.С. Иерархическая модель нелинейной динамической системы. Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2021;(8):135–139. https://doi.org/10.37882/2223-2966.2021.08.40

5. Шевнина Ю.С. Автоматизация оценки состояния электросети в удаленных районах России с использованием смарт-структур. Программные продукты и системы. 2022;(2):240–245. https://doi.org/10.15827/0236-235X.138.240-245

6. Бойкова Т.В., Григорьев А.С., Маколкин Д.В., Королев С.А., Тутнов И.А. Качество и надежность энергосистем малой мощности. Надежность и качество сложных систем. 2023;(3):28–37. https://doi.org/10.21685/2307-4205-2023-3-4

7. Петров В.Л., Кузнецов Н.М., Морозов И.Н. Управление спросом на электроэнергию в горнопромышленном секторе на основе интеллектуальных электроэнергетических систем. Горный информационно-аналитический бюллетень. 2022;(2):169–180. https://doi.org/10.25018/0236_1493_2022_2_0_169

8. Борисов В.В., Курилин С.П., Жарков А.П., Соколов А.М. Многомерное прогнозирование состояния неоднородных электромеханических систем для управления рисками нарушения их работоспособности на основе нечетких темпоральных онтологических и когнитивных моделей. Системы управления, связи и безопасности. 2022;(4):83–102. https://doi.org/10.24412/2410-9916-2022-4-83-102

9. Yarushkina N.G., Moshkin V.S., Andreev I.A., Ishmuratova G.I. Hybridization of fuzzy time series and fuzzy ontologies in the diagnosis of complex technical systems. In: Data Science Session at the 5th International Conference on Information Technology and Nanotechnology, DS-ITNT 2019: Ceur Workshop Proceedings: DS-ITNT 2019 – Proceedings of the Data Science Session at the 5th International Conference on Information Technology and Nanotechnology, 21-24 May 2019, Samara, Russia. 2019. P. 252–259. https://doi.org/10.18287/1613-0073-2019-2416-252-259

10. Борисов В.В., Луферов В.С. Метод многомерного анализа и прогнозирования состояния сложных систем и процессов на основе нечетких когнитивных темпоральных моделей. Системы управления, связи и безопасности. 2020;(2):1–23.

11. Ярушкина Н.Г., Мошкин В.С., Ишмуратова Г.Р., Андреев И.А., Мошкина И.А. Применение способа интеграции нечетких временных рядов и нечетких онтологий в задачах диагностики технических систем. Онтология проектирования. 2018;8(4):594–604. https://doi.org/10.18287/2223-9537-2018-8-4-594-604

12. Федулов А.С. Нечеткие реляционные когнитивные карты. Известия Российской академии наук. Теория и системы управления. 2005;(1):120–132.