автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Нейросетевое моделирование процессов электропотребления бортовых систем

На правах рукописи

ЩЕРБАКОВ Алексей Михайлович

НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ ПРОЦЕССОВ ЭЛЕКТРОПОТРЕБЛЕНИЯ БОРТОВЫХ СИСТЕМ

Специальность 05.13.18 - Математическое моделирование, численные методы и комплексы программ

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Воронеж - 2005

Работа выполнена в Воронежском государственном техническом университете

Научный руководитель доктор технических наук, профессор

Питолин Владимир Михайлович

Официальные оппоненты: доктор технических наук, профессор

Сербулов Юрий Стефанович;

кандидат технических наук Матасов Андрей Сергеевич

Ведущая организация Научно-производственный комплекс

«Космос-ЭНВО» г. Воронеж

Защита состоится 22 декабря 2005 г. в 12:00 в конференц-зале на заседании диссертационного совета Д 212.037.01 Воронежского государственного технического университета по адресу: 394026, г. Воронеж, Московский просп., 14.

С диссертацией можно ознакомиться в библиотеке Воронежского государственного технического университета.

Автореферат разослан 21 ноября 2005 г.

Ученый секретарь

диссертационного совета /У' СлЛ^ Питолин В.М.

г 77 о?

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Важная роль в современных условиях отводится системному анализу электроснабжения промышленных и гражданских объектов, транспортных средств, а также различного вида бортовых систем, который может быть выполнен различными способами.

Одним из актуальных направлений исследования является моделирование электропотребления бортовых систем. Данная задача является неформализованной, то есть не существует однозначной зависимости, описывающей связь электропотребления бортовой системы с множеством факторов и параметров, оказывающих на нее влияние. Используемые в данной области классические методы моделирования не обеспечивают требуемой точности и адекватности моделей.

Прикладные интеллектуальные системы, ориентированные на обработку и использование знаний, находят все большее применение в задачах проектирования, испытания и эффективной эксплуатации систем электроснабжения (СЭС). Важную роль в решении таких задач могут сыграть нейросетевые модели и технологии. Вычисления, основанные на использовании моделей искусственных нейронных сетей (ИНС), эффективны и применимы для решения так называемых неформализуемых и плохоформализуемых задач, связанных с необходимостью включения в алгоритм решения реальных экспериментальных данных. Модели, так или иначе использующие ИНС, являются одной из возможных альтернатив классическим методам. Использование ИНС для решения задач прогнозирования во многом основывается на том, что ИНС может аппроксимировать любую функцию действительных чисел с заданной степенью точности. Возможность применения ИНС в условиях обработки информации от большого количества источников, неполноты данных, обработки как качественных, так и количественных показателей, адаптация алгоритмов их функционирования к изменяющимся внешним факторам позволяет выбрать для решения поставленный задачи аппарат ИНС.

В связи с этим научную и практическую значимость приобретает задача исследования и разработки объектно-ориентированных методов моделирования электропотребления бортовых систем на основе нейросетевых технологий, что определяет актуальность диссертационной работы.

Диссертационная работа выполнена в рамках научного направления Воронежского государственного технического университета «Вычислительные системы и программно-аппаратные электротехнические комплексы».

Цель и задачи исследования. Целью диссертационной работы является разработка оптимальных нейросетевых моделей, алгоритмов, математического

РОС НАЦИОНАЛЬНАЯ БИБЛИОТЕКА ^ СПе^^

и программного обеспечения, повышающих достоверность прогнозирования электропотребления бортовых СЭС.

Исходя из данной цели в работе определены следующие задачи:

• выполнить анализ существующих методов решения задачи моделирования элеюропотребления;

• обосновать возможность решения задачи моделирования электропотребления бортовых СЭС на основе аппарата искусственных нейронных сетей;

• разработать алгоритмы построения и обучения объектно-ориентированных нейросетевых моделей электропотребления бортовой СЭС;

• разработать программный комплекс, предназначенный для проведения вычислительных экспериментов по обучению объектно-ориентированной ней-росетевой модели;

• выполнить имитационное моделирование электропотребления служебного модуля (СМ) космической станции (КС) на основе аппарата ИНС.

Методы исследования. В работе использованы методы математического моделирования, теории искусственных нейронных сетей, теории оптимизации, численных методов, математической статистики, вычислительных экспериментов, объектно-ориентированного программирования.

Научная новизна. В работе получены следующие результаты, характеризующиеся научной новизной:

• формализованное описание процессов построения нейросетевых моделей электропотребления бортовой СЭС, отличающееся использованием возвратных процедур, позволяющих сократить затраты времени на построение ИНС за счет проведения оценки качества предварительной обработки исходных данных;

• алгоритм последовательной коррекции структуры ИНС, позволяющий осуществлять дополнительны 1 контроль точности построенных нейросетевых моделей электропотребления бортовой СЭС;

• нейросетевая модель электропотребления СМ КС, отличающаяся использованием интегральных коэффициентов входных параметров, позволяющих сократить размерность нейронной сети без потери адекватности прогнозов;

• структура программного обеспечения моделирования электропотребления бортовой СЭС, отличающаяся возможностью применения нетиповых алгоритмов обучения нейросетевых моделей.

Практическая ценность работы. На основе предложенных моделей и алгоритмов разработано информационное и программное обеспечение, позволяющее автоматизировать процесс моделирования электропотребления СМ КС.

Предложенный подход построения моделей электропотребления бортовых СЭС применен к проектированию и испытанию СЭС СМ КС.

Реализация и внедрение результатов работы. Основные теоретические и практические результаты работы реализованы в виде программного обеспечения, предназначенного для моделирования электропотребления СМ КС. Программный комплекс зарегистрирован в Государственном фонде алгоритмов и программ Российской Федерации № 50200501487 от 19.10.05.

Разработанный программный комплекс моделирования электропотребления внедрен в испытательный процесс СМ КС на научно-производственном комплексе «Космос-ЭНВО», г. Воронеж.

Результаты диссертационной работы используются в учебном процессе ВГТУ при изучении студентами специальности 230200 «Информационные системы» специальной дисциплины «Нейросетевые технологии», при выполнении курсовых и дипломных работ.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на следующих конференциях: Всероссийская конференция «Интеллектуальные информационные системы» (Воронеж, 2002-2005), Всероссийская научно-практическая конференция «Совершенствование наземного обеспечения авиации» (Воронеж, 2003), IX Международная открытая научная конференция «Современные проблемы информатизации в системах моделирования, программирования и телекоммуникациях» (Воронеж, 2004), Всероссийская научно-техническая конференция «Новые технологии в научных исследованиях, проектировании, управлении, производстве» (Воронеж, 2005) и Международная конференция «Системные проблемы надежности, качества, информационных и электронных технологий» (Сочи, 2005).

Публикации. По материалам диссертационный работы опубликовано 12 работ, из них 4 статьи, в том числе 3 без соавторства. В работах, опубликованных в соавторстве, лично соискателем: [7] - обоснована необходимость применения аппарата ИНС в задачах моделирования электропотребления СМ КС; [8] - предложен алгоритм увеличения скорости построения нейросетевой модели электропотребления СМ КС за счет проведения предварительной обработки исходных данных; [9] - предложен алгоритм выбора оптимальной размерности нейросетевой модели с контрольной проверкой; [6] - предложен обобщенный алгоритм построения нейросетевой модели электропотребления СМ КС.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, библиографического списка из 109 наименований, трех приложений. Основная часть работы изложена на 129 страницах, содержит 45 рисунков и 2 таблицы.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, сформулированы цель и задачи исследования, изложены основные научные положения, определена практическая значимость, приведены сведения об апробации и внедрении результатов работы.

В первой главе на основе проведенного анализа сформулированы общие требования, предъявляемые к моделям электропотребления бортовых систем:

• рекурсивность - по мере поступления новых данных модель должна соответствующим образом обновляться, но при этом не должна возникать необходимость в использовании всей имеющейся предыстории для пересчета оценок каких-либо параметров модели;

• экономичность - в отношении машинного времени и оперативной памяти ЭВМ;

• робастность - модель может работать с частью обучающей выборки (ОВ) содержащей ошибки, для которой она не является адекватной или оптимальной.

На основе сформулированных требований проведен критический анализ существующих методов моделирования электропотребления. При сравнении классических и нейросетевьгх методик обоснованы возможности и достоинства применения ИНС в задачах моделирования электропотребления бортовых систем, такие как:

• способность восстанавливать нелинейные функциональные зависимости;

• хорошая работоспособность в условиях неполных данных;

• возможность использования малых ОВ, необеспечивающих получение статистически достоверных результатов классическими методами;

• быстрый отклик обученной сети.

На основе аналитической оценки нейросетевьгх моделей поставлена задача моделирования электропотребления СМ КС, заключающаяся в получении неформализуемых функциональных зависимостей

(1)

где И/см- потребляемая мощность СМ КС, КВт-ч, Хтш - вектор внешних значащих переменных, Хашр - вектор внутренних значащих переменных.

Получение данных функций в формализуемом виде невозможно из-за отсутствия адекватных моделей комплексного влияния внешних факторов на электропотребление станции, а также отсутствия математического описания особенностей работы членов экипажа с научной аппаратурой и оборудованием бортового обеспечения.

Рассмотрены основные принципы функционирования комплекта унифицированных приборов автоматического регулирования и контроля СЭС СМ КС.

На основе предъявляемых требований к функциональному назначению данного комплекта приборов обосновано применение нейросетевых моделей элекгропо-требления в процессе человеко-машинных процедур принятия решений при планировании научной и обеспечивающей деятельности экспедиций, а также обеспечении своевременной доставки приборов комплекта на КС.

На основе проведенного анализа поставлена цель и определены задачи диссертационного исследования.

Вторая глава посвящена разработке алгоритмов обработки исходной информации для построения нейросетевых моделей электропотребления бортовой СЭС и разработке алгоритма выбора структуры и размерности данной ней-росетевой модели.

Так как моделирование объекта основано на реальных эксплуатационных показателях, то источником информации является хранилище данных, в котором аккумулируются сведения о работе объекта из множества источников. Часто в практических приложениях сосредоточивают усилия на механизмах анализа данных, не уделяя должного внимания задачам предварительной обработки данных. С учетом практических результатов для моделирования электропотребления СМ МК предложен алгоритм предварительной обработки данных, представляющий последовательность следующих процедур: восстановление пропусков исходных данных, редактирование аномальных значений, устранение незначащих факторов, понижение размерности, нормировка и оценка области достоверных значений исходных данных.

Ввиду неявности формальных критериев оценки качества предварительной обработки исходных данных введен ряд требований, необходимых для уменьшения ошибки нейросетевой модели электропотребления бортовой СЭС.

• Требование стационарности входных значений. Ввиду многомерности {X} охарактеризуем стационарность каждой из компонент*: '¡¡ов.скв | „ол „га|

д, +д, -от, -т, ........... „л

>< (2)

п (хов . ¡¡м |„оа л

0,еат\д1 +д1 ~т,

где т, - среднее значение, а5, - стандартное отклонение /-го признака.

Предположение о равномерности закона распределения вносит некоторую погрешность в вычисление величины я, и для некоторых распределений со значительной асимметрией может оказаться недопустимым. Однако такое упрощение вполне подходит в качестве оценки. Общую характеристику стационарности получим усреднением по всем признакам.

=-!>.• О)

Если для ОВ и контрольной выборки (КВ) имеет место л «1, будем считать, что условие стационарности выполняется.

• Требование непротиворечивости наборов ОВ и КВ. Для корректного восстановления функциональной зависимости необходимо, чтобы наборы, входящие в состав как ОВ, так и КВ, не противоречили друг другу. Поэтому будем считать одинаковыми векторы признаков {хт} и {хт}, для которых выполняется условие

{ЛГ<»ММ). (4)

Тогда противоречивость двух наборов определим как

[ 0,иначе.

А общая противоречивость будет равна

(6)

" 1-1 у-1

где N - общее количество наборов в ОВ и КВ. Полученное значение общей противоречивости не должно превышать требуемой точности решения.

С учетом сформированных требований к предварительной обработке данных предлагается использование возвратных процедур в решении задачи моделирования электропотребления бортовых СЭС, которые реализованы в алгоритме, представленном на рис. 1.

Выявлены три типа предпосылок, обусловливающих возможность перехода от большего числа р исходных показателей X состояния элекгропотребле-ния бортовой СЭС к существенно меньшему числу р' наиболее информативных переменных Н-.

а) дублирование информации, доставляемой сильно взаимосвязанными признаками;

б) неинформативность признаков, мало меняющихся при переходе от одного объекта к другому (малая «вариабельность» признаков);

в) возможность интеграции по некоторым признакам.

Задача оценки значимости входного вектора переменных Й на выходную

<уг

величину Р состоит в нахождении частной производной - . Предлагается для

дН,

нахождения частных производных использовать предварительную ИНС, приблизительно оценивающую выходную величину К Причем ИНС построена на базе Означений вектора й, полученных на основании опытных данных.

[ Н«чало ]

Рис. 1. Алгоритм построения нейросетевой модели электропотребления бортовой СЭС

Обозначим частную производную по /-ой компоненте через Р:, т.е.

др

Р,-—. Тогда оценку функции Я (обозначим как Р) в точке я, можно вычис-

дН,

лить по формуле

гл, ' (>

где в качестве Г берется значение ИНС в точке Я,.

Для оценки влияния одного входного параметра на другой СЭС СМ КС проанализированы различные подходы к решению данной задачи. 1) Оценка влияния й, на вводной точке. Вычисление данной оценки осуществляется по формуле (7). Вопрос может возникнуть только с выбором ДА,. Его величина должна быть достаточной для того, чтобы погрешность вычислений не приводила бы к значимым изменениям в вычислениях, и в то же время не слишком большой, чтобы характер поведения функции Г не изменился бы в точке Р(ЯГН, »ДА,) по сравнению с точкой Р(П)). С целью более точной оценки необходимо сделать несколько пробных вычислений для разных ДА, и в случае малых различий полученных

результатов принять решение о значении ДА,. Рекомендуется выбирать ДА, в пределах от 0,0001 до 0,01 от А, ^.

2) Оценка влияния А, на ^ в нескольких точках.

Наиболее информативна комплексная оценка влияния входной переменной на выходную, которая может быть выполнена на основе поведения функции не в одной, а в нескольких точках. Данный подход требует решения проблемы выбора массива точек, используемых при анализе функции. Самый простой подход и в большинстве случаев наиболее информативный заключается в анализе всего количества точек, полученных на основе опытных данных и использовавшихся в качестве ОВ при создании модели объекта на базе ИНС.

Для оценки степени влияния входного вектора на выходной в нескольких точках модели электропотребления СМ КС предложен алгоритм (рис. 2), позволяющий исключить из описания разрабатываемой модели незначимые входные переменные.

Рис. 2. Алгоритм оценки степени влияния компоненты вектора входных переменных на выходную переменную

Для оценки области достоверных значений нейросетевой модели электропотребления СМ КС использована дополнительная ИНС, для которой в качестве определяемых значений выступают крайние значения некоторых переменных, а входными являются оставшиеся переменные из вектора входных переменных.

На основании проведенного анализа для построения модели электропотребления СМ КС обосновано использование ИНС прямого распространения как сети наиболее оптимального типа для решения данного класса задач. Для выбора структуры и размерности нейронной сети предложен алгоритм последовательной коррекции с контрольной проверкой, основанный на резервировании тестового множества наблюдений. Итоговая модель тестируется на данных из этого множества, чтобы убедиться, что результаты, достигнутые на ОВ и КВ, реальны. Тестовое множество должно быть использовано только один раз: если его использовать повторно для корректировки процесса обучения, то оно фактически превратится в КВ (рис. 3).

Рис. 3. Алгоритм выбора структуры и размерности нейронной сети:

К - число обучающих пар «вход - требуемый выход»; а - константа, варьируемая от 8 до 10; М„,М1их - соответственно число входных и выходных переменных.

В третьей главе проведен анализ типовых алгоритмов обучения ИНС, выявлены их достоинства и недостатки. Многокритериальность задачи моделирования электропотребления бортовых СЭС и сложность зависимости функции от параметров нейросети приводят к тому, что график целевой функции сложен, может содержать много локальных минимумов и извилистых оврагов. Предложены методы обучения ИНС, сочетающие в себе способность методов обратного распространения ошибки и безусловной минимизации, использую-

щих градиент функции, относительно быстро находить точку локального минимума и способность метода Коши выходить из этого локального минимума с целью поиска глобального.

В предлагаемых методах коррекция параметров состоит из суммы двух компонент: направленной компоненты, вычисляемой с использованием алгоритма обратного распространения ошибки, и случайной компоненты. После вычисления изменения параметров всей сети на всем обучающем множестве вычисляется целевая функция. Если имеет место улучшение, изменение сохраняется. В противном случае оно сохраняется с вероятностью, определяемой методом Коши. Коррекция параметра вычисляется по формуле

*>„* (» + 0 = "V* (•')+ + 0 - , (8)

где т] - коэффициент, управляющий отношением направленной и случайной величины шага. Если 7 приравнивается единице, система становится машиной обратного распространения ошибки, если же нулю, то становится полностью машиной Коши. Изменение параметра и>с определяется по формуле (11), вероятность сохранения изменений - по формуле (10), а коррекция переменной Т происходит по формуле (9).

(9)

Распределение Коши имеет вид

где Р(м>) есть вероятность шага величины м>.

Р(м>) может быть проинтегрирована стандартными методами. Решая относительно XV, получаем

(П)

где р - коэффициент скорости обучения, - изменение параметра.

Предложенный механизм коррекции параметров применим как для метода обратного распространения ошибки, так и для методов безусловной минимизации, использующих градиент функции. Следовательно, методику можно использовать для обучения многослойных нейронных сетей любой архитектуры. Алгоритм метода обратного распространения ошибки, усовершенствованный с помощью метода обучения Коши, представлен на рис. 4. Целевая функция имеет вид

(12)

.1-1

где п - объем выборки, ,>>„)- вектор требуемых выходов, у1Ш1 - выходной сигнал, соответствующий /-ому вектору входных сигналов.

Рис. 4. Алгоритм метода обратного распространения ошибки, усовершенствованный с помощью метода обучения Коши

Значения параметров сети каждый раз пересчитываются по формуле (8), где п выбирается из интервала (0, 1), коррекции параметров Ди^ и Л», определяются методом обратного распространения ошибки, коррекция параметра и>с определяется методом Коши по формуле (11).

На основе проведенного анализа типовых и предложенных методов обучения ИНС сделан вывод, что предложенные алгоритмы в большинстве случаев показывают лучшие результаты по качеству обучения, чем типовые.

В четвертой главе при проведении предметного анализа факторов, влияющих на электропотребление СМ КС выявлено, что вектор входных внутренних переменных имеет размерность от 15 до 80, что однозначно говорит о завышенной размерности для объекта данного класса. Для понижения размерности проведена интеграция внутренних входных переменных путем ввода ряда коэффициентов:

загруженности научно-исследовательской аппаратуры 0„:

-£-, (13)

где £> - дискретность прогнозирования в днях, РИр - мощность научно-исследовательской аппаратуры его направления в у -ый день, Ь]т - коэффициент занятости п -го члена экипажа в I -ом научно-исследовательском направлении в у -ый день, кН/, - коэффициент автоматического научно-исследовательского мониторинга / -го направления в у -ый день; загруженности служб обеспечения ©„:

в.-^-^-, (14)

где Рч - общая мощность систем обеспечения станции в у -ый день, с]п - коэффициент участия л-го члена экипажа в работах обеспечения функционирования станции в у-ый день, кч - коэффициент работы дежурных обеспечивающих систем в J -ый день;

накопителей транспортных и грузовых кораблей П:

п = ^-, (15)

где /1у, 12] - коэффициенты потребления накопителей энергии при стыкованных транспортных и грузовых кораблей в у -ый день;

среднего числа членов экипажа станции за прогнозируемый период М:

о

IX

М = ^-, (16)

О

где - число членов экипажа станции в у -ый день.

На основе предметного анализа внешних факторов, влияющих на электропотребление СМ КС, установлено, что солнечная активность (СА) является определяющим внешним фактором, так как ее влияние всесторонне и распространяется на энергообразование солнечных батарей, на электропотребление

различных бортовых систем. Потоки заряженных частиц, атмосферные процессы, радиационный и магнитный фон являются производными СА. В качестве числового показателя СА использовался индекс (величина потока радиоизлучения на волне 10,7 см).

Введение внутренних интегральных коэффициентов и использование только одного внешнего фактора позволило построить модель электропотребления СМ КС, используя ИНС прямого распространения с пятью входами.

Для программной реализации имитационно-прогностического моделирования электропотребления разработан программный комплекс «Имитационно-прогностическое моделирование электропотребления СМ КС». В качестве языка программирования обосновано использование С++. Основные этапы работы с комплексом приведены на рис. 5.

Рис. 5. Основные этапы работы с программным комплексом «Имитационно-прогностическое моделирование электропотребления СМ КС»

В программе исходная информация для обучения задается на основе трех основных элементов, влияющих на характер оптимизируемых функций:

1) структура ИНС (количество слоев, количество нейронов в каждом слое и вид функций активации нейронов в слое);

2) обучающего множества;

3) алгоритм обучения ИНС.

В программном комплексе «Имитационно-прогностическое моделирование электропотребления СМ КС» предусмотрена возможность анализа методов обучения ИНС при разных заданных условиях по трем критериям:

1) качеству обучения (ошибки работы сети на обучающем множестве);

2) скорости работы (времени обучения);

3) количеству итераций, затрачиваемых на обучение.

Графический интерфейс пользователя программного комплекса «Имитационно-прогностическое моделирование электропотребления СМ КС» приведены на рис. 6.

Рис. 6. Окна программного комплекса «Имитационно-прогностическое моделирование электропотребления СМ КС»

Выбранные исследователем алгоритмы обучения запускаются для нахождения оптимальных весов в каждой из задач. Пользователю доступен мониторинг как самого процесса обучения (динамика изменения ошибки обучения), так и всего процесса исследования (отработанное время, процент распознанных примеров).

На основе алгоритма последовательной коррекции структуры построена нейросетевая модель электропотребления СМ КС в виде трехслойной ИНС прямого распространения с 5 нейронами в скрытом слое. В нейронах скрытых слоев использовалась сигмоидная логическая функция активации, точность обучения 0,005.

Для оценки качества моделирования электропотребления СМ КС с помощью ИНС проведено сравнение результатов прогнозирования с помощью ИНС и с помощью алгоритма, использующего ряд Фурье. При построении модели использованы данные электропотребления СМ КС (с периодом прогнозирования равным одной неделе) для трех режимов работы:

• Режим № 1. Работа КС в дежурном режиме с экипажем 1 -2 человека (рис. 7).

• Режим № 2. Работа КС с полной загрузкой научно-исследовательской аппаратуры, экипаж 4-5 человек.

• Режим № 3. Работа КС с максимальной загрузкой энергосистем.

V«, Вт-ч

-реальные данные

—- с помощью ИНС ......с помощью рядов Фурье

Рис. 7. Результаты прогнозирования электропотребления СМ КС в режиме №1

Анализ результатов прогнозирования электропотребления СМ КС говорит о повышенной точности нейросетевой модели в сравнении с алгоритмом, использующем ряды Фурье. Для оценки численных показателей использована ошибка прогнозирования, вычисляемая по формуле

(17)

^нст

В таблице приведены значения ошибки прогнозирования элекгропотреб-ления, выполненного нейронными сетями и рядами Фурье.

Сравнительная оценка ошибки прогнозирования

Режим работы СМ КС № Ошибка прогнозирования, % / ^чнс

АИНС А ФУРЬЕ

1 2,689 4,622 1,719

2 3,410 7,166 2,101

3 3,899 8,530 2,187

Среднее значение 3,332 6,772 2,032

В результате анализа данной таблицы сделан вывод, что предложенная методика моделирования электропотребления СМ КС точнее прогнозирует нагрузку, чем классическая с использованием рядов Фурье. Прослеживается тенденция роста ошибки прогнозирования с увеличением электропотребления СМ КС как при использовании нейросетевой модели, так и с рядами Фурье. Из данных таблицы видно, что рост ошибки прогнозирования при увеличении электропотребления СМ КС у нейросетевой модели меньше, чем у алгоритма, использующего ряды Фурье, что говорит о большей адекватности нейросетевой модели в различных режимах работы СЭС СМ КС.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. На основе анализа методов моделирования электропотребления обоснована необходимость использования прикладных интеллектуальных систем с целью повышения адекватности прогнозов реальных многомерных объектов.

2. Предложена общая схема решения задачи нейросетевого моделирования электропотребления бортовой СЭС, использующая возвратные процедуры.

3. Предложен алгоритм сокращения размерности векторов внешних и внутренних входных переменных, позволяющий выявить незначимые компоненты вектора входных переменных нейросетевой модели электропотребления бортовой СЭС.

4. Предложен алгоритм последовательной коррекции структуры ИНС с контрольной проверкой на тестовом множестве.

5. Предложены алгоритмы обучения нейросетевой модели, отличительной особенностью которых является сочетание быстрой сходимости к точке минимума целевой функции и способности выходить из точек локальных минимумов, что позволило улучшить качество аппроксимации модели электропотребления бортовых СЭС.

6. На основе предложенных моделей и алгоритмов разработано информационное и программное обеспечение процедур прогнозирования электропо-

требления СМ КС, позволяющее применять нетиповые алгоритмы обучения нейросетевой модели.

7. Проведенные сравнительные экспериментальные исследования показали адекватность и преимущества разработанных методик построения нейросетевой модели электропотребления бортовых СЭС над классическими алгоритмами.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ ДИССЕРТАЦИИ ОПУБЛИКОВАНЫ В СЛЕДУЮЩИХ РАБОТАХ:

1. Кисурин A.A., Щербаков A.M. Математические модели схемных элементов // Электротехнические комплексы и системы управления: Сб. науч. тр. -Воронеж: ВГТУ, 2002. С. 141-144.

2. Питолин В.М., Щербаков A.M. Особенности моделирования схемных элементов систем автоматического регулирования и контроля // Интеллектуальные информационные системы: Труды Всерос. конф. - Воронеж: ВГТУ, 2002. С. 42.

3. Питолин В.М., Щербаков A.M. Инструментальные особенности систем автоматического проектирования и анализа устройств автоматического регулирования и диагностики // Совершенствование наземного обеспечения авиации: Материалы Всерос. науч.-практ. конф. - Воронеж: ВВАИИ, 2003. Секция № 7. С. 155.

4. Питолин В.М., Щербаков A.M. Выбор способа формирования уравнений равновесия при схемотехническом анализе систем автоматического регулирования И Современные проблемы информатизации в системах моделирования, программирования и телекоммуникациях: Сб. тр. (по итогам IX Международной открытой научной конференции) - Воронеж: Научная книга, 2004. С. 305.

5. Питолин В.М., Щербаков A.M. Программа имитационно-прогностического моделирования электропотребления СМ КС. М.: ФАП ВНТИЦ, 2005. Per. № 50200501487 от 19.10.05.

6. Питолин В.М., Щербаков A.M. Использование искусственных нейронных сетей в нелинейных динамических системах автоматического управления // Новые технологии в научных исследованиях, проектировании, управлении, производстве: Труды Всерос. конф. - Воронеж: ВГТУ, 2005. С. 65.

7. Питолин В.М., Щербаков A.M. Применение аппарата искусственных нейронных сетей в системах электроснабжения // Интеллектуальные информационные системы: Труды Всерос. конф. - Воронеж: ВГТУ, 2005. С. 184.

8. Питолин В.М., Щербаков A.M. Представление исходных данных в задаче нейросетевого прогнозирования нагрузки бортовых систем электроснабжения //

Электротехнические комплексы и системы управления: Межвуз. сб. науч. тр. -Воронеж: ВГТУ, 2005. С. 63-67.

9. Питолин В.М., Щербаков A.M. Выбор размерности прогностической ней-росетевой модели электропотребления бортовых систем // Системные проблемы надежности, качества, информационных и электронных технологий: Материалы X Междунар. конф. и Российской науч. школы. - М.: Радио и связь, 2005. 4.1. С. 46-49.

10. Щербаков A.M. Алгоритм построения прогностических моделей электропотребления бортовых систем на основе аппарата искусственных нейронных сетей // Информационные технологии моделирования и управления: Науч. -техн. журнал. - Воронеж: Научная книга, 2005. №3(21). - С. 468-472.

11. Щербаков A.M. Повышение точности результатов нейросетевого прогнозирования нагрузки бортовых систем электроснабжения // Электротехнические комплексы и системы управления: Межвуз. сб. науч. тр. - Воронеж: ВГТУ, 2005. С. 115-118.

12. Щербаков A.M. Увеличение скорости обучения нейронных сетей за счет упрощения обучающей выборки // Интеллектуальные информационные системы: Труды Всерос. конф. - Воронеж: ВГТУ, 2005. С. 70-71.

Подписано в печать «18 » ноября 2005 г. Формат 60x84/16. Бумага для множительных аппаратов. Усл. печ. л. 1,0. Тираж 90 экз. Заказ №

Воронежский государственный технический университет 394026 Воронеж, Московский просп., 14

£ ? г ¿ г 5

РНБ Русский фонд

2006-4 27708

Введение.

1. Анализ методов моделирования электропотребления бортовых приемников энергии.

1.1 Анализ существующих методов моделирования электропотребления.

1.2 Анализ методик применения искусственных нейронных сетей (ИНС) для решения задач моделирования электропотребления.

1.3 Аналитическая оценка нейросетевых моделей.

1.4 Основные принципы функционирования комплекта унифицированных приборов автоматического регулирования и контроля системы электроснабжения (СЭС) служебного модуля (СМ) космической станции (КС).

1.5 Цели работы и задачи исследования.

2. Алгоритмизация обработки исходной информации для построения нейросетевых моделей электропотребления бортовой СЭС.

2.1 Общая схема решения задачи моделирования электропотребления бортовой СЭС.

2.2 Алгоритм сокращения размерности векторов внешних и внутренних-входных переменных.

2.3 Алгоритм оценивания области достоверных значений нейросетевой модели.

2.4 Алгоритм выбора структуры и размерности нейросетевой модели.

Выводы.

3. Исследование и разработка алгоритмов обучения объектно-ориентированных нейросетевых моделей электропотребления бортовой СЭС.

3.1 Постановка задачи обучения нейросетевой модели электропотребления бортовой СЭС.

3.2 Оценка возможностей алгоритмов обучения искусственных нейронных сетей.

3.3 Алгоритмическая реализация процесса обучения нейросетевой модели электропотребления бортовой СЭС.

3.4 Результаты сравнительного анализа эффективности алгоритмов обучения.

Выводы.

4. Имитационное моделирование электропотребления СМ КС.

4.1 Выбор выходных параметров модели электропотребления СМ КС.

4.2 Предметный анализ факторов, влияющих на электропотребление СМ КС.

4.3 Формирование нейросетевой модели электропотребления.

4.4 Программная реализация имитационного моделирования электропотребления СМ КС.

Выводы.

Ч

Актуальность темы. Важная роль в современных условиях отводится системному анализу электроснабжения промышленных и гражданских объектов, транспортных средств, а также различного вида бортовых систем, который может быть выполнен различными способами.

Одним из актуальных направлений исследования является моделирование электропотребления бортовых систем. Данная задача является неформализованной, то есть не существует однозначной зависимости, описывающей связь электропотребления бортовой системы с множеством факторов и параметров, оказывающих на нее влияние. Используемые в данной области классические методы моделирования не обеспечивают требуемой точности и адекватности моделей.

Прикладные интеллектуальные системы, ориентированные на обработку и использование знаний, находят все большее применение в задачах проектирования, испытания и эффективной эксплуатации систем электроснабжения (СЭС). Важную роль в решении таких задач могут сыграть нейросетевые модели и технологии. Вычисления, основанные на использовании моделей искусственных нейронных сетей (ИНС), эффективны и применимы для решения так называемых неформализуемых и плохоформализуемых задач, связанных с необходимостью включения в алгоритм решения реальных экспериментальных данных. Модели, так или иначе использующие ИНС, являются одной из возможных альтернатив классическим методам. Использование ИНС для решения задач прогнозирования во многом основывается на том, что ИНС может аппроксимировать любую функцию действительных чисел с заданной степенью точности. Возможность применения ИНС в условиях обработки информации от большого количества источников, неполноты данных, обработки как качественных, так и количественных показателей, адаптация алгоритмов их функционирования к изменяющимся внешним факторам позволяет выбрать для решения поставленный задачи аппарат ИНС.

В связи с этим научную и практическую значимость приобретает задача исследования и разработки объектно-ориентированных методов моделирования электропотребления бортовых систем на основе нейросетевых технологий, что определяет актуальность диссертационной работы.

Диссертационная работа выполнена в рамках научного направления Воронежского государственного технического университета «Вычислительные системы и программно-аппаратные электротехнические комплексы».

Цель и задачи исследования. Целью диссертационной работы является разработка оптимальных нейросетевых моделей, алгоритмов, математического и программного обеспечения, повышающих достоверность прогнозирования электропотребления бортовых СЭС.

Исходя из данной цели в работе определены следующие задачи:

• выполнить анализ существующих методов решения задачи моделирования электропотребления;

• обосновать возможность решения задачи моделирования электропотребления бортовых СЭС на основе аппарата искусственных нейронных сетей;

• разработать алгоритмы построения и обучения объектно-ориентированных нейросетевых моделей электропотребления бортовой СЭС;

• разработать программный комплекс, предназначенный для проведения вычислительных экспериментов по обучению объектно-ориентированной нейросетевой модели;

• выполнить имитационное моделирование электропотребления служебного модуля (СМ) космической станции (КС) на основе аппарата ИНС.

Методы исследования. В работе использованы методы математического моделирования, теории искусственных нейронных сетей, теории оптимизации, численных методов, математической статистики, вычислительных экспериментов, объектно-ориентированного программирования. 5

Научная новизна. В работе получены следующие результаты, характе-^ ризующиеся научной новизной:

• формализованное описание процессов построения нейросетевых моделей электропотребления бортовой СЭС, отличающееся использованием возвратных процедур, позволяющих сократить затраты времени на построение ИНС за счет проведения оценки качества предварительной обработки исходных данных;

• алгоритм последовательной коррекции структуры ИНС, позволяющий осуществлять дополнительный контроль точности построенных нейросетевых моделей электропотребления бортовой СЭС;

• нейросетевая модель электропотребления СМ КС, отличающаяся использованием интегральных коэффициентов входных параметров, позволяющих сократить размерность нейронной сети без потери адекватности прогно зов;

• структура программного обеспечения моделирования электропотребления бортовой СЭС, отличающаяся возможностью применения нетиповых алгоритмов обучения нейросетевых моделей.

Практическая ценность работы. На основе предложенных моделей и алгоритмов разработано информационное и программное обеспечение, позволяющее автоматизировать процесс моделирования электропотребления СМ КС.

Предложенный подход построения моделей электропотребления бортовых СЭС применен к проектированию и испытанию СЭС СМ КС.

Реализация и внедрение результатов работы. Основные теоретические и практические результаты работы реализованы в виде программного обеспечения, предназначенного для моделирования электропотребления СМ КС. Программный комплекс зарегистрирован в Государственном фонде алгоритмов и программ Российской Федерации № 50200501487 от 19.10.05.

Разработанный программный комплекс моделирования электропотребления внедрен в испытательный процесс СМ КС на научно-производственном комплексе «Космос-ЭНВО», г. Воронеж.

Результаты диссертационной работы используются в учебном процессе ВГТУ при изучении студентами специальности 230200 «Информационные системы» специальной дисциплины «Нейросетевые технологии», при выполнении курсовых и дипломных работ.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на следующих конференциях: Всероссийская конференция «Интеллектуальные информационные системы» (Воронеж, 2002-2005), Всероссийская научно-практическая конференция «Совершенствование наземного обеспечения авиации» (Воронеж, 2003), IX Международная открытая научная конференция «Современные проблемы информатизации в системах моделирования, программирования и телекоммуникациях» (Воронеж, 2004), Всероссийская научно-техническая конференция «Новые технологии в научных исследованиях, проектировании, управлении, производстве» (Воронеж, 2005) и Международная конференция «Системные проблемы надежности, качества, информационных и электронных технологий» (Сочи, 2005).

Публикации. По материалам диссертационный работы опубликовано 12 работ, из них 4 статьи, в том числе 3 без соавторства. В работах, опубликованных в соавторстве, лично соискателем: [7] - обоснована необходимость применения аппарата ИНС в задачах моделирования электропотребления СМ КС; [8] - предложен алгоритм увеличения скорости построения нейросетевой модели электропотребления СМ КС за счет проведения предварительной обработки исходных данных; [9] - предложен алгоритм выбора оптимальной размерности нейросетевой модели с контрольной проверкой; [6] - предложен обобщенный алгоритм построения нейросетевой модели электропотребления СМ КС.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, библиографического списка из 109 наименований, трех приложений. Основная часть работы изложена на 129 страницах, содержит 45 рисунков и 2 таблицы.

Выводы

В четвертой главе диссертации проведено имитационно-прогностическое моделирование электропотребления СМ КС. По результатам, полученным в четвертой главе можно, сделать следующие выводы:

1) На основе предметного анализа и интеграцию внешних и внутренних факторов, влияющих на электропотребление СМ КС, была предложена нейро-сетевая модель электропотребления, использующая пять входных параметров.

2) Использование алгоритма оценки области достоверных значений в виде вычисления границ области достоверных результатов приводит к уменьшению вероятности попадания в область недостоверных результатов.

3) Для программной реализации имитационно-прогностического моделирования электропотребления СМ КС наиболее целесообразно реализация основных идей в виде собственной программы.

4) Результат анализа точности прогноза, полученного с помощью ИНС и рядов Фурье, показывает, что нейросетевая модель электропотребления СМ КС осуществляет более точное и достоверное прогнозирование в различных режимах работы станции.

Заключение

Методы нейроматематики и нейроинформатики небезосновательно относятся к методам искусственного интеллекта. На основе использования нейросетевых моделей могут быть решены многие сложные технические, экономические и социальные задачи. Хотя ИНС являются специфическим классом математических моделей, им присущи многие свойства, имеющие аналоги в живом мире: способность обучаться на предыдущем опыте, возможность находить качественные решения для ранее неизвестных задач, отказоустойчивость. Основой эффективного использования ИНС является их способность приближать любые нелинейные функции с произвольной точностью.

В диссертационной работе получены следующие основные результаты:

1. На основе анализа методов моделирования электропотребления обоснована необходимость использования прикладных интеллектуальных систем с целью повышения адекватности прогнозов реальных многомерных объектов.

2. Предложена общая схема решения задачи нейросетевого моделирования электропотребления бортовой СЭС, использующая возвратные процедуры.

3. Предложен алгоритм сокращения размерности векторов внешних и внутренних входных переменных, позволяющий выявить незначимые компоненты вектора входных переменных нейросетевой модели электропотребления бортовой СЭС.

4. Предложен алгоритм последовательной коррекции структуры ИНС с контрольной проверкой на тестовом множестве.

5. Предложены алгоритмы обучения нейросетевой модели, отличительной особенностью которых является сочетание быстрой сходимости к точке минимума целевой функции и способности выходить из точек локальных минимумов, что позволило улучшить качество аппроксимации модели электропотребления бортовых СЭС.

6. На основе предложенных моделей и алгоритмов разработано информационное и программное обеспечение процедур прогнозирования электропотребления СМ КС, позволяющее применять нетиповые алгоритмы обучения нейросетевой модели.

7. Проведенные сравнительные экспериментальные исследования показали адекватность и преимущества разработанных методик построения нейросетевой модели электропотребления бортовых СЭС над классическими алгоритмами.

1. Аведьян Э.Д. Алгоритмы настройки многослойных нейронных сетей // Автоматика и телемеханика, 1995. №4. С. 106-118.

2. Алгоритмы и программы восстановления зависимостей // Под ред. Вап-ника.- М.: Наука, 1984. С. 816.

3. Амосов Н.М. и др. Нейрокомпьютеры и интеллектуальные работы. -Киев: Наукова думка, 1991. С. 365.

4. Антонова JI.A., Иванов-Холодный Г.С. Солнечная активность и ионосфера (на высотах 100 200 км.). - М.: Наука, 1989. С. 234.

5. Арзамасцев Д.А., Ананичева С.С., Мардер Л.И. и др. Разработка методических положений по прогнозированию электропотребления и составлению балансов мощности энергосистем и энергоузлов: Отчет о НИР. 12004 тм. Т1/УрО ЭСП. Свердловск: 1986. С. 87.

6. Арзамасцев Д.А., Елохин ВТ., Криворуцкий Л.Д. и др. Имитационное моделирование развития систем энергетики // СЭИ СО АН СССР. Иркутск: 1988. С. 126.

7. Асаи К., Тэрано Т., Сугэно М. и др. Прикладные нечеткие системы.— М.: Мир, 1993. С. 368.

8. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. М.: «Финансы и статистика», 2004. С. 176.

9. Беркульцев М.В., Дьячук А.К., Оркин С.Д. Применение генетического алгоритма к построению минимально допустимой обучающей выборки для нейросетевой системы принятия решений // Известия РАН. Теория и системы управления. 1999. №5. С. 172-176.

10. Бешелов С.Д., Гурвич Ф.Г. Математико-статистические методы экспертных оценок. М.: Статистика, 1980. С. 345.

11. Биргер И.А. Техническая диагностика.-М.: Машиностроение, 1978. С. 240.

12. Бокс Дж., Дженкис Г. Анализ временных рядов. Прогноз и управле-ние. М.: Мир, 1974.

13. Бэнн Д.В., Фармер Е.Д. Сравнительные модели прогнозирования электрической нагрузки.- М.: Энергоатомиздат, 1987. С. 200.

14. Васильев В.И. Распознающие системы. Киев: Наукова думка, 1988. С. 143.

15. Витинский Ю.И. Цикличность и прогнозы солнечной активности. — Ленинград: Наука, 1973. С. 258.

16. Галушкин А.И. Нейросетевые алгоритмы оптимального выбора подмножества векторов случайной многомерной выборки // Нейрокомпьютер, 1997. №1,2. С. 39-48.

17. Гамм А.З., Голуб И.И. Наблюдаемость электроэнергетических систем. -М. Наука, 1990. С. 220.

18. Гамм А.З. Колосок И.Н. Обнаружение плохих данных а телеизмерениях для АСДУ ЭЭС на основе контрольных уравнений. Иркутск, препринт, 1998. С. 47.

19. Гамм А.З., Колосок И.Н. Обнаружение грубых ошибок телеизмерений в электроэнергетических системах,- Наука, Новосибирск, 2000. С. 150.

20. Гинзбург Н.Н. Астрофизика космических лучей. М:. Наука, 1990. С. 211.

21. Глюшинский В.Г. Инженерное прогнозирование. М. :Энергоатомиздат, 1982.

22. Горбань А.Н. Обучение нейронных сетей. М.: СП параграф, 1990. С. 160.

23. Горбань А.Н., Россиев Д.А. / Нейронные сети на персональном компьютере Новосибирск: Наука. Сибирская издательская фирма РАН, 1996. С. 276.

24. Горбань А.Н. Возможности нейронных сетей // Нейроинформатика.-Новосибирск: Сиб.предпр. РАН, 1998. С. 18-46.

25. Гордиенко Е.К., Лукьница А.А. Искусственные нейронные сети I. Основные определения и модели // Тех. кибернетика. 1994. №5. С. 79-91.

26. Грилихес В.А. Солнечные космические энергостанции. Ленинград: Наука, 1986. С. 182.

27. Гуд И.Дж. О взаимоотношении между двумя быстрыми преобразованиями Фурье. М.: Радио и связь, 1983.

28. Гунин В.М., Копуев Л.А., Никифоров Г.В. Опыт нормирования и прогнозирования электропотребления предприятия на основе математической обработки статистической отчетности // Промышленная Энергетика. 2000. №2. С. 2-5.

29. Динамическая модель прогнозирования и коррекции электропотребления промышленного предприятия./ Праховник А.В., Алейников В.А., Находов В.Ф. и др./ Горная электромеханика и автоматика, 1980. № 36. С. 6 8.

30. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. М.: Статистика, 1973. С. 392.

31. Дьяконов В.П. Справочник по алгоритмам и программам на языке БЕЙСИК для персональных ЭВМ. М.: Наука, 1987.

32. Дэннис Дж., Шнабель Р. Численные методы безусловной оптимизации и решения нелинейных уравнений.- М.: Мир, 1988. С. 440.

33. Загоруйко Н.Г. Прикладные методы анализа данных и знаний.- Новосибирск: Изд-во Ин-та математики, 1999. С. 270.

34. Заенцев И.В. Нейронные сети: основные модели / Учебное пособие-Воронеж: ВГУ, 1999. С. 76.

35. Иберла К. Факторный анализ.- М.: Статистика, 1980. С. 365.

36. Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных систем. Киев: Наукова думка, 1982. С. 296.

37. Инструкция по эксплуатации: Комплект унифицированных проборов автоматического регулирования и контроля для СЭС СМ МКС «Альфа» ЕИГА 565311. 003 ИЭ // утверждено главным конструктором НПК «Космо-ЭНВО» Ливщин Г.Д. — Вронеж: НПК «Космо-Энво», 1997. С. 17.

38. Исследование солнечной активности и космическая система «Прогноз»: Сб. статей. М.: Наука, 1984. С. 240.

39. Кендел М. Временные ряды. М.: Финансы и статистика, 1981. С. 199.

40. Комплексное исследование солнца и солнечно-земных связей: Труды 3 Международного совещания «КОРОНАС-И». М.: Академия наук СССР, 1989. С. 220.

41. Копылов И.П. Математическое моделирование электрических машин: Учеб. пособие для вузов по спец. «Электромеханика». 2-е изд., перераб. идоп.-М.: Высшая, школа, 1994. С. 318.

42. Лагуткин О.Е., Ошурков М.Г. Оценка количества и видового разнообразия основного электрооборудования при планировании электроремонта.// Материалы семинара «Организация электроремонта в современных условиях». М.: ЦРДЗ.- 1993. С. 51-55.

43. Лысенко Т.Л., Парахин М.В., Сорокин С.В. Нейросетевой метод оперативного анализа возможностей управления летательным аппаратом // Известия академии наук. Теория и системы управления. 1999. №5. С. 149-151.

44. Мардер Л.И., Морозова Н.С., Мызин А.Л. Некоторые способы улучшения статистических моделей электропотребления и электрических нагрузок // Известия АН СССР. Энергетика и транспорт. 1978. №3. С. 105-112.

45. Мацкевич И.П., Свирид Г.П. Теория вероятностей и математическая статистика. Минск: Вышэйшая шкала, 1993. С. 346.

46. Меламед A.M., Тимченко В.Ф., Сааред К.А. Моделирование динамики изменений потребления электроэнергии энергосистем при неполной информации. Электрочество, N9. 1977. С. 66-69.

47. Меленьев Л.А. Системные исследования в энергетике. М.: Наука, 1983. С. 454.

48. Минаев Ю.Н., Филимонова О.Ю., Бенамеур Лиес Методы и алгоритмы идентификации и прогнозирования в условиях неопределенности в нейросете-вом логическом базисе. М.: «Горячая линия - Телеком», 2003. С. 203.

49. Мину М. Математическое программирование. М.: Наука, 1990. С. 488.

50. Миркес Е.М. Нейрокомпьютер. Проект стандарта. Новосибирск: Наука. Сибирское предприятие РАН, 1999. С. 337.

51. Митюшкин К. Г,. Телемеханика в энергосистемах. -Энергия. Москва. 1975. С. 360.

52. Митюшкин К. Г., Телеконтроль и телеуправление в энергосистемах.-Москва. Энергоатомиздат, 1990. С. 287.

53. Мозгалевский А.В., Гаскаров Д.В. Техническая диагностика.-М.:Высшая школа, 1975. С. 207.

54. Мостеллер Ф., Тьюки Дж. Анализ данных и регрессия. Вып. 2.- М.: Финансы и статистика, 1982. С. 236.

55. Нейроинформатика / Горбань ЯА.Н., Дунин-Барковский В. JL, Кирдин А.Н и др.- Новосибирск: Наука. Сибирское предприятие РАН, 1998. С. 296.

56. Неуймин Я.Г. Модели в науке и технике. JL: Наука, 1984. С. 189.

57. Перцептрон система распознавания образов / Под ред. Иваненко А. Г. Киев: Наукова думка, 1975. С. 215.

58. Петров Б.Н., Андриенко А.Я., Иванов В.П., Портнов Соколов Ю.П. Проблемы гибкости и надежности управления в теории бортовых терминальных систем //Автоматика и телемеханика — 1981. №2. С. 15-24.

59. Кисурин А.А., Щербаков A.M. Математические модели схемных элементов // Электротехнические комплексы и системы управления: Сб. науч. тр. — Воронеж: ВГТУ, 2002. С. 141-144.

60. Питолин В.М., Щербаков A.M. Особенности моделирования схемных элементов систем автоматического регулирования и контроля // Интеллектуальные информационные системы: Труды Всерос. конф. Воронеж: ВГТУ, 2002. С. 42

61. Питолин В.М., Щербаков A.M. Программа имитационно-прогностического моделирования электропотребления СМ КС. М.: ФАП ВНТИЦ, 2005. Per. № 50200501487 от 19.10.05.

62. Питолин В.М., Щербаков A.M. Применение аппарата искусственных нейронных сетей в системах электроснабжения // Интеллектуальные информационные системы: Труды Всерос. конф. Воронеж: ВГТУ, 2005. С. 184.

63. Питолин В.М., Щербаков A.M. Представление исходных данных в задаче нейросетевого прогнозирования нагрузки бортовых систем электроснабжения // Электротехнические комплексы и системы управления: Межвуз. сб. науч. тр. Воронеж: ВГТУ, 2005. С. 63-67.

64. Подобеда В.В. Введение в сферическую астрономию. — М.: Наука, 1979. С. 128.

65. Роберт Каллан. Основные концепции нейронных сетей.: Пер. с англ. — М.: «Вильяме», 2003. С. 288.

66. Розенблат Ф. Принципы нейродинамики: Перцептроны и теория механизмов мозга. М.: Мир, 1965. С. 235.

67. Роземблат Ф. Аналитические методы улучшения нейронных сетей //Нейрокомпьютер. 1997. №3,4. С. 49-65.

68. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы.: Пер. с польск. М.: «Горячая линия — Телеком», 2004. С. 384.

69. Саитбаталова Р.С., Грачева Е.И., Хатанов В.А. Оперативное прогнозирование режима электропотребления // Промышленная энергетика. 2000. №6. С. 27-29.

70. Скребушевский Б.С. Формирование орбит космических аппаратов. — М.: Машиностроение, 1990. С. 256.

71. Смоляк С.А., Титаренко Б.П. Устойчивые методы оценивания. М. Статистика, 1980.

72. Справочник по типовым программам моделирования/ Под ред. А.Г. Ивахненко. Киев: Техника, 1980. С. 184.

73. Статистические методы для ЭВМ / Под ред. К. Энслейна, Э.Рэлстона, Г.С.Уилфа: Пер. с англ./ Под ред. М.Б.Малютова.- М.: Наука, 1986. С. 464.

74. Тарасик В.П. Математическое моделирование технических систем. -Мн.: ДизайнПРО, 1997. С. 640.

75. Технические условия: Комплект унифицированных проборов автоматического регулирования и контроля для СЭС СМ МКС «Альфа» БИТА 565311. 003 ТУ // утверждено главным конструктором НПК «Космо-ЭНВО» Ливщин Г.Д. Вронеж: НПК «Космо-Энво», 1997. С. 109.

76. Техническое описание: Комплект унифицированных проборов автоматического регулирования и контроля для СЭС СМ МКС «Альфа» ЕИГА 565311. 003 ТО // утверждено главным конструктором НПК «Космо-ЭНВО» Ливщин Г.Д. — Вронеж: НПК «Космо-Энво», 1997. С. 76.

77. Тимофеев Г.С.Использование нейронной сети для оценки состояния электроэнергетических систем // Нейроинформатика и ее приложения: Тезисы докладов V Всероссийского семинара / Под. ред. Е.Н. Горбаня. Красноярск: КГТУ, 1997. С. 173.

78. Уоссермен. Ф. Нейрокомпьютерная техника. М.: Мир, 1992. С. 238.

79. Четыркин Е.М. Статистические методы прогнозирования. М.: Статистика, 1977. С. 200.

80. Шумилова Г. П., Гетман Н.Э., Старцева Т.Б. Краткосрочное прогнозирование электрических нагрузок с использованием искусственных нейронных сетей. // Электричество, 1999. №10. С. 6-13.

81. Щербаков A.M. Повышение точности результатов нейросетевого прогнозирования нагрузки бортовых систем электроснабжения // Электротехнические комплексы и системы управления: Межвуз. сб. науч. тр. Воронеж: ВГТУ, 2005. С. 115-118.

82. Щербаков A.M. Увеличение скорости обучения нейронных сетей за счет упрощения обучающей выборки // Интеллектуальные информационные системы: Труды Всерос. конф. Воронеж: ВГТУ, 2005. С. 70-71.

83. Яблонский А.И. Математические модели в исследовании науки.-М.: Наука, 1986.

84. Якимов А.Е. Определение потребности в электрической энергии в условиях ограничений. Материалы семинара «Повышение надежности и качества электро-и теплоснабжения г. Москвы». М. 1983. С. 23-27.

85. Antonio Piras. These «А Multiresponse structural connectionist model for short term electrical load forecasting».- Lausanne. EPFL, 1996. P. 174.

86. Chow N.W.S., Leung C.T.: «Neural network based short-term load forecasting using weather compensation», IEEE Transactions on Power Systems, Vol. 11, No.4. November 1996. P. 1736-1741.

87. Daneshdoost M., Lotfalian M, Bumroonggit G., Ngoy J.P.: «Neural network with fuzzy set-based classification for short-term load forecasting», IEEE Transactions on Power Systems, Vol.13, N0.4, November 1998. P. 1386-1391.

88. Hisham M., dark A., Stanley C.: «Building a 'quasi optimal' neural network to solve the short-term load forecasting problem», IEEE Transactions on Power Systems. Vol.12. No.4. November 1997. P. 1432-1437.

89. Hopfield J., Tank D. Neural Computation of Decisions in Optimization Problems // Biological Cybernetics. 1981. v. 52.

90. Iwata A., K.Wakayama, and T.Sasaki. Electric Load Forecasting using a Structured Self-Growing Neural Network Model. //Proc. of ANNPS. Yokohama, Japan, 1993. P. 69-72.

91. Kab-Ju-Hwang, Myubg-Kook Yang, Sung-Woo Cho. Daily Load Forecasting Using the Self-Organizing Map. // Proc. The International Conference on Electrical Engineering, 1998. V.2. P. 429-432.

92. Kassaei FLR., Keyhani A., Woung Т., Rahman M.: «А hybrid fuzzy, neural network bus load modeling and predication», IEEE Transactions on Power Systems, Vol.14, No.2, May 1999. P. 718-723.

93. Khotanzad Alireza, Afkhami-Rohani Reza, Maratukulam Dominic: «ANNSTLF Artificial Neural Network Short-Term load Forecaster -Generation Three», IEEE Transactions on Power Systems, VoL13, No,4, November 1998. P. 1413-1421.

94. Kohonen T. Self-Organization and Associative Memory. Berlin: Springer-Verlag. 1988.

95. Kwan.g-Ho Kim, Hyoung-Sun Youn, Yong-Cheol Kang. Short-term load forecasting for special days in anomalous load conditions using Neural Networks and fuzzy inference method. //IEEE, May 2000. Vol. 15. №2. P. 559-565.

96. K-Y.Lee, Y.T. Cha, J.H. Park. Short-term Load Forecasting Using an Artificial Neural Network. //IEEE Trans. On Power Systems, 1992. V.7-№1. P. 124-132.

97. Papadakis S.E„ Theocharis J.B„ Kiartis S.J„ Bakrtizis A.G.: "A novelap-proach to short-term load forecasting using fuzzy neural networks", IEEE Transaction on Power Systems, Vol.13, No.2, May 1998. P. 480-489.

98. Piras A., Gennond A., Buchenel В., Imhof К., Jaccard Y.; «Heterogeneousar-tificial neyral network for term electrical load forecasting», IEEETransaction on Power Systems, Vol.11, No.l, February 1996. P. 397-401.

99. P.K. Dash, A.S. Liew, G. Ramakrishna. Power-demand forecasting using s neural network with an adaptive learning algorithm. // IEEE, Proc. 1995. Vol. 142. -№6. P. 560-568.

100. Tomonobu Seniue, Hirokazu Sakihara, Katsumi Uezato. Next day load forecasting usingvneural network based on similarity. //The International Conference on Electrical Engineering, 1998. V.2. P. 314-317.

101. Vermaak J., Botha E.C.: "Recurrent neural networks for short-term load forecasting" IEEE Transactions on Power Systems, Vol.13, No.l, February 1998. P. 126131.

102. Краткая хроника полета орбитальной станциина примере орбитальной станции «Мир» (1986 1997г.))

103. Бейкер М.А. США. (ЭП-18)/8Т8-81 10: 4 55

104. Джетт Б. США. (ЭП-18)/5Т8-81 10: 4 55

105. Уайзофф П.Дж. США. (3n-18)/STS-81 10: 4 55

106. Грунсфелд Дж. США. (3n-18)/STS-81 10: 4 55

107. Айвинс М.С. США. (ЭП-18)/8Т5-81 10: 4 55

108. Линенджер Д.М. США. (ЭО-22. ЭО-23)/5Т8-841002 02.03 «Союз ТМ-2»

109. Циблиев B.B. (ЭО-23)/ТМ-25

110. Лазуткин А.И. (ЭО-23)ЛМ-25

111. Рейнхольд Э. ФРГ. (ЭП-19)/ТМ-24 19: 16: 350604 «Прогресс М-34» 1. Примечание:

112. Для грузовых и транспортных кораблей во втором столбце указывается дата от стыковки от станции.

113. Директор Воронежского областного центра новых информационных технологий при ВГТУ

114. УТВЕРЖДАЮ .-.^-"-Генеральный директор-Г^ойедак^ф ОрО «ОРБИТА», [ bf Лаур^^Гувспремии, к. т. н.til QMt Ш.'' • X ■ Щщ / Лившин Г.Д. / 2005 г.

115. СПРАВКА о внедрении результатов диссертационной работы аспиранта кафедры электротехники Воронежского государственного технического университета Щербакова Алексея Михайловича

116. Заведующий кафедрой САПРИСЛьвович Я.Е.1. У » 2005 г.

117. Начальник учебного управлеш1. Железный B.C.»2005 г.

118. Список использованных сокращений1. АБ аккумуляторная батарея

119. БИТ бесшутовые измерители тока РТ или нагрузки БСШ - блок сборных шин

120. БУПТ блок управлением преобразователем тока БФ - блок фильтра

121. ВГТУ Воронежский государственный технический университет1. ВИ вторичные источники

122. ГОСТ государственный стандарт

123. ЗРУ зарядно-разрядное устройство

124. ИНС искусственная нейронная сеть1. KB контрольная выборка1. КС космическая станция

125. ЛПР лицо принимающие решения

126. МГУ А метод группового учета аргументов

127. МЛП метод линейного программирования

128. МНК метод наименьших квадратов

129. МСП многослойный персептрон

130. НПК научно-производственный комплекс

131. НЭТК накопитель энергии транспортного корабля1. ОВ обучающая выборка

132. ПО предварительная обработка

133. ПОН программа обеспечения надежности

134. ПС преобразователь статический

135. ПТАБ преобразователь тока аккумуляторных батарей1. РТ ре1улятор тока1. СА солнечная активность1. СБ солнечные батареи

136. СГК спускаемая грузовая капсула1. СМ служебный модуль