автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Разработка и исследование системы обработки технологической информации гидрогенерирующих предприятий

СЕВЕРО-КАВКАЗСКИЙ ГОРНО-МЕТАЛЛУРГИЧЕСКИЙ ИНСТИТУТ (ГОСУДАРСТВЕННЫЙ ТЕХНОЛОГИЧЕСКИЙ УНИВЕРСИТЕТ)

На правах рукописи

004600435

ХАНМАГОМЕДОВ АНДРЕЙ ХАНМАГОМЕДОВИЧ

РАЗРАБОТКА И ИССЛЕДОВАНИЕ СИСТЕМЫ ОБРАБОТКИ ТЕХНОЛОГИЧЕСКОЙ ИНФОРМАЦИИ ГИДРОГЕНЕРИРУЮЩИХ ПРЕДПРИЯТИЙ

специальность 05.13.01 - «Системный анализ, управление и обработка информации (промышленность)»

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Владикавказ - 2010

1 ДПР23?9

004600435

Работа выполнена в Северо-Кавказском горно-металлургическом институте (государственном технологическом университете)

Научный руководитель: доктор технических наук, профессор

Хасцаев Борис Дзамболатович

Официальные оппоненты: доктор технических наук, доцент

Кумаритов Алан Мелитонович

кандидат технических наук Хузмиев Игорь Маратович

Ведущая организация: ОАО «Всероссийский научно-

исследовательский институт гидротехники им. Б.Е.Веденеева», г. Санкт-Петербург.

Защита состоится «27» апреля 2010 г. в 14 часов на заседании диссертационного совета ДО12.246.01 в Северо-Кавказском горнометаллургическом институте (ГТУ) по адресу: 362021, PCO - Алания, г. Владикавказ, ул. Николаева, 44, СКГМИ (ГТУ).

Факс: (8672) 40-72-03, E-mail: info@skgmi-gtu.ru

С диссертацией можно ознакомиться в библиотеке СКГМИ (ГТУ).

Автореферат разослан «-2£>> ^¿¿а/Угс 20 Л?г.

Ученый секретарь диссертационного совета Д212.246.01, к.т.н., доцент

А. Ю. Аликов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Системы обработки технологической информации (СОТИ) промышленных предприятий предназначены для сбора данных о текущем состоянии технологического оборудования и передачи информации на верхние уровни диспетчерского управления, a TaiOKe для создания информационной базы для последующего ее включения в интегрированную систему управления предприятия. Установление рыночных отношений в электроэнергетике, особенности функционирования рынков электрической энергии, мощности и услуг предъявляют соответствующие требования как к развитию инфраструктуры рынка, так и к СОТИ.

Проблемы построения современных СОТИ рассматриваются в работах Стрельникова A.A., Ишкина В.Х., Громова В.Б., Овчинникова A.M., Сергеева С.И., Воробьева C.B. и др. Решением этих же проблем занимаются многие крупные российские и зарубежные фирмы: ОАО «Электроцентроналадка», ООО НПФ «Ракурс», ЗАО НПФ «Энергосоюз», ООО «Эма», Siemens, Omron, и др.

Несмотря на большие успехи, достигнутые перечисленными учеными и фирмами, в электроэнергетике существует еще масса проблем, имеющих непосредственное отношение к функциям, выполняемым системами обработки технологической информации. Их решение является на сегодняшний день одним из приоритетных направлений в развитии гидрогенерирующей отрасли. Среди таких проблем можно выделить прогнозирование выработки электроэнергии и поддержку принятия решений оперативного персонала при постоянно изменяющихся условиях и режимах работы генерирующих предприятий.

Анализ публикаций ученых, занимающихся построением интеллектуальных систем поддержки принятия решений и прогнозированием в электроэнергетике, показал, что практически все проводимые исследования касаются либо крупных потребителей, либо отдельных электроэнергетических

систем. При этом генерирующим предприятиям практически не уделяется внимания, хотя от стабильности их работы напрямую зависят как потребители, так и энергосистема в целом.

Объектом исследований в работе являются современные системы обработки технологической информации электроэнергетических объектов.

Предметом исследований в работе являются методы и алгоритмы работы систем обработки технологической информации гидрогенерирующих предприятий.

Цель работы. Целью диссертационной работы является разработка и исследование системы обработки технологической информации гидрогенерирующих предприятий с элементами искусственного интеллекта для расширения прикладных функций этой системы.

Для достижения поставленной цели сформулированы и решены следующие задачи:

анализ текущего состояния СОТИ в электроэнергетике;

построение структуры системы обработки технологической

информации с элементами искусственного интеллекта;

построение модели и исследование функциональных возможностей

СОТИ;

разработка алгоритма работы СОТИ;

разработка подсистемы краткосрочного прогнозирования выработки электроэнергии на основе искусственной нейронной сети; разработка структуры подсистемы поддержки принятия решений для оперативного персонала, работающего с СОТИ.

Методы исследования. Решение поставленных задач базируется на комплексе методов, включающих SADT (Structured Analysis and Design Technique - методология структурного анализа и проектирования), математическое моделирование, методы вычислительного эксперимента, методы искусственного интеллекта.

Научная новизна работы заключается в следующем: разработана функциональная структура системы обработки технологической информации с элементами искусственного интеллекта, имеющая в своем составе нейросетевую подсистему краткосрочного прогнозирования и экспертную подсистему поддержки принятия решений;

предложены принципы интеллектуального анализа технологических данных для электроэнергетических предприятий, позволяющие повысить достоверность обрабатываемой информации; построена функциональная SADT-модель системы обработки технологической информации, используемая на ранних стадиях проектирования и создания СОТИ;

предложен метод краткосрочного прогнозирования выработки электроэнергии для гидрогенерирующих предприятий, основанный на применении искусственной нейронной сети.

Практическая значимость работы: разработан алгоритм интеллектуального анализа технологических данных, собираемых в СОТИ;

разработана и реализована нейросетевая система краткосрочного прогнозирования выработки электроэнергии гидрогенерирующим предприятием;

предложенные модели и алгоритмы используются в существующих системах обработки технологической информации, а также могут быть использованы при разработке и создании новых СОТИ.

Апробация работы. Основные положения и результаты выполненных исследований прошли апробацию на VI международной конференции «Инновационные технологии для устойчивого развития горных территорий» (Владикавказ, 2007), научно-практической конференции «Управление созданием и развитием систем, сетей и устройств телекоммуникаций» (Санкт-Петербург, 2008), ежегодных научно-технических

конференциях СКГМИ (ГТУ) (2007-2009 гг.), расширенном заседании кафедры «Промышленная электроника» СКГМИ (ГТУ), 2009г.

Публикации. Основное содержание диссертации опубликовано в 8-ми печатных работах, в том числе 1 в журнале, рекомендованном ВАК.

Личный вклад автора. Основные научные положения, выводы и рекомендации, содержащиеся в диссертационной работе, получены автором самостоятельно.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы из 77 наименований и 1 приложения. Общий объем диссертации 113 страниц, включая 28 рисунков и 5 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Со введении обоснована актуальность темы исследования, сформулированы цель и задачи исследования, описана структура работы.

Первая глава посвящена анализу принципов построения СОТИ на объектах электроэнергетики. Рассмотрены и изучены труды многих ведущих ученых, а также отечественных и зарубежных фирм, проведен анализ современного состояния СОТИ в электроэнергетике и показаны недостатки существующих систем обработки технологической информации, по сути являющихся системами телемеханики. Проанализированы направления развития СОТИ и на основе этого выбран путь дальнейшего совершенствования данных систем, предусматривающий внедрение элементов искусственного интеллекта (ИИ) в структуру верхнего уровня СОТИ.

Выполненный анализ перспектив расширения прикладных функций СОТИ выявил ряд проблем, которые имеют непосредственное отношение к работе данных систем. К таким проблемам относятся прогнозирование выработки электроэнергии и поддержка принятия решений оперативного персонала. Показана целесообразность расширения прикладных функций

системы обработки технологической информации за счет создания подсистемы краткосрочного прогнозирования (СКП) I? подсистемы поддержки принятия решений (СППР).

Проведен анализ систем искусственного интеллекта для построения СКП и СППР, на основе которого сделан вывод, что для решения задачи краткосрочного прогнозирования лучше всего подходят искусственные нейронные сети (ИНС), а для построения подсистемы поддержки принятия решений наиболее рационально использовать экспертные системы (ЭС).

Вторая глава посвящена разработке принципов построения СОТИ с элементами ИИ. Выбраны и обоснованы методы исследования, применяемые в работе. Разработана структура СОТИ, которая показана на рисунке 1.

В глобальную сеть предприятия

АРМ

В другче сети \ /

Серверное оборудование

сопд

I

СКП СППР

Элементы ИИ

г

БРКУ

• - V-

А Л

Д.

1_

ИП,

шъ

ИП»

4 / \ Измерительные у

^ Датчики ^ / ^ преобразователи ^

Рисунок 1 - Структура СОТИ с элементами искусственного интеллекта.

Система имеет в своем составе датчики (Д), измерительные преобразователи (ИП), блок регистрации, контроля и учета (БРКУ), подсистему краткосрочного прогнозирования, подсистему поддержки

принятия решений, а также подсистему обработки и передачи данных (СОПД) и автоматизированное рабочее место (АРМ) оперативного персонала. Данные от датчиков и измерительных преобразователей поступают в БРКУ. Оборудование БРКУ позволяет регистрировать происходящие в системе события, записывать осциллограммы аварийных режимов. Также БРКУ производит передачу дискретных и аналоговых сигналов на серверное оборудование в соответствии с установленными в системе протоколами передачи данных. ИП, содержащие современные сетевые интерфейсы, могут передавать данные напрямую на серверное оборудование. Исходные данные, необходимые для прогноза, поступают в СКП, где происходит прогнозирование и передача результата в СППР. Также в СППР поступают все необходимые технологические данные и данные о действиях, предпринимаемых оперативным персоналом.

Вся информация, имеющаяся в системе, включая результаты работы СКП и СППР, собирается в СОПД, откуда передается в телекоммуникационную сеть предприятия и в другие сети, например, в региональное диспетчерское управление.

Одним из важнейших направлений для повышения эффективности СОТИ, а также при создании СППР является интеллектуальный анализ технологических данных (НАД). Применимо к электроэнергетической отрасли, ИАД представляет собой обнаружение и исправление ошибок в массиве собираемых СОТИ данных. Под ошибкой будем понимать ряд ситуаций, которые не могут иметь место в данное время. Для иллюстрации на рисунке 2 приведен произвольный участок однолинейной оперативной схемы электроэнергетического объекта в нормальном режиме (а, б) и несколько ошибочных ситуаций (в-е). Заметим, что любая схема может быть разделена на конечное число участков, содержащих небольшое количество элементов.

г)

1111

б) '

Г^Х

111

" * д) -

ч—ь

1111

в) '

1111

" е)

Рисунок 2 — Участок однолинейной оперативной схемы электроэнергетического объекта.

Подобные ситуации описываются с помощью выражений следующего вида:

у1 =х1хгх3х4х5х6х7 - для случая (в) у2 = х1х2х1хАх}х6х1 - для случая (г)

(1)

Уп = х,х2х3х4х5хбх7 - для случая (д)

Под возможностью самостоятельного исправления ошибок следует понимать автоматическое внесение корректировки в исходные данные в соответствии с определенными алгоритмами. Ошибки исправляются сопоставлением множества ошибочных ситуаций множеству допустимых случаев. Математически это можно представить в снде следующих выражений:

.у, vv2v...v.yл~z, Ли ~2г

(2)

Для случаев, представленных на рисунке 2в-д, г, = х\х2хух,х5хсх1.

Алгоритм интеллектуального анализа данных показан на рисунке 3.

Рисунок 3 - Алгоритм интеллектуального анализа данных.

Следующим этапом разработки и исследования СОТИ является моделирование системы обработки технологической информации с элементами искусственного интеллекта. В качестве метода моделирования в работе применяется БАОТ.

Результатом БАБТ-моделирования является набор

взаимоувязанных многоуровневых описаний, начинающийся уровнем описания всей системы и заканчивающийся уровнем описания ее подробностей. Модель является иерархической совокупностью многоуровневых описаний, организованной по правилам синтаксиса моделей. Синтаксис Б АЭТ-моделей позволяет определить границу модели, связать

многоуровневые описания в одно целое и обеспечить точное согласование между ними.

БАОТ-модели развиваются в процессе структурной декомпозиции сверху вниз. Сначала декомпозируется один блок, являющийся границей модели, на одной диаграмме, которая имеет от трех до шести блоков, затем декомпозируется один (или больше) из этих блоков на другой диаграмме с тремя-шестью блоками и т.д. Результатом этого процесса является модель, диаграмма верхнего уровня которой описывает систему в общих терминах "черного ящика", а диаграммы нижнего уровня описывают детализированные аспекты и операции системы.

На рисунке 4 показана система в целом (диаграмма АО в 8АБТ), определены границы СОТИ как субъекта моделирования (пунктирной линией), показаны ее связи со средой. Приведена внутренняя структура системы, являющаяся декомпозицией исходной диаграммы.

2„'0. (к«1.....К)

Инструкции Цель процесса

Персонал Инструментальные средства

м/о. .....а)

Рисунок 4 — Общая модель системы.

В соответствии с принципами БАОТ, данная система характеризуется:

множеством входных параметров Х=Х,(0, представляющим собой

контролируемые параметры технологического процесса;

множеством выходных параметров представляющим собой

результаты работы СОТИ;

управляющими воздействиями Z=Zk(t);

механизмами управления М=М8(Ч).

Модель системы в общем виде выглядит следующим образом:

Основными критериями эффективности работы СОТИ являются: Ру - число функций, выполняемых системой; Эу - достоверность выходной информации;

- число вмешательств в работу системы. Разрабатываемая система обработки технологической информации

будет максимально эффективной при выполнении следующих условий:

где Ртах - максимальное число функций, ограниченное техническими возможностями оборудования СОТИ.

Исходя из постановки задачи, а именно развитие СОТИ по пути модификации верхнего уровня расширением прикладных функций с помощью систем искусственного интеллекта, дальнейшая декомпозиция проводилась только для третьего блока (диаграмма АЗ в БАЭТ). Это позволило понять взаимосвязь между отдельными функциями, а также определить место систем ИИ в структуре СОТИ.

Диаграмма АЗ с элементами искусственного интеллекта показана на рисунке 5. Как видно, подсистема краткосрочного прогнозирования и

Б = {X, У, X, М}

(3)

Ру ^а* Ву ->100%

(4)

подсистема поддержки принятия решений органически вписываются в структуру СОТИ, расширяя ее функциональные возможности.

Инструкции Цель процесс»

Рисунок 5 -Диаграмма АЗ с элементами искусственного интеллекта.

Таким образом, эффективность обработки технологической информации повышается за счет следующих факторов:

добавление функции краткосрочного прогнозирования, позволяющей повысить точность планирования режимов работы; добавление функции поддержки принятия решений, позволяющей снизить риск ошибки вследствие человеческого фактора; увеличение достоверности выходной информации при использовании интеллектуального анализа данных.

Построенная модель подтверждает первоначальные выводы о целесообразности расширения прикладных функций СОТИ с помощью элементов искусственного интеллекта, а также позволит избежать ошибок на этапе их проектирования или модификации.

На основе вышеизложенной информации был разработан алгоритм работы системы обработки технологической информации с элементами искусственного интеллекта, который показан на рисунке 6.

Данный алгоритм полностью отвечает структуре предлагаемой системы, а также соответствует созданной функциональной модели.

Рисунок 6 - Алгоритм работы СОТИ с элементами ИИ.

Третья глава посвящена частным вопросам создания СОТИ с элементами ИИ, а именно принципам построения нейросетевой подсистемы краткосрочного прогнозирования и экспертной подсистемы поддержки принятия решений.

Рассмотрены особенности краткосрочного прогнозирования в гидроэнергетике, показано, что для стандартного гидроагрегата выработка электроэнергии практически линейно зависит от объема воды, прошедшей через турбину. Таким образом, делается вывод, что выработку ГЭС довольно точно можно рассчитать, зная данные стока реки, которые и являются исходными параметрами для прогнозирования.

Процесс создания подсистемы краткосрочного прогнозирования можно разделить на несколько этапов:

подготовка исходных данных для обучения; выбор топологии нейронной сети; обучение нейронной сети;

проверка ИНС на контрольном множестве данных; прогнозирование текущего стока реки.

В связи с особенностями обработки данных нейронными сетями, массив данных для обучения нужно масштабировать, т.е. выровнять диапазоны изменения величин, ограничив их интервалом (0, 1) или (-1, 1).

Данное масштабирование делается посредством линейного преобразования:

+ (5)

п max я min

где хп - значение исходного n-го параметра;

х„ - значение масштабированного n-го параметра;

[х„ ,„,„, хп тах] - реальный диапазон изменения n-го параметра;

[а, Ь] - выбранный диапазон изменения входных параметров.

Обученная на такого рода данных нейронная сеть будет делать прогноз, значения которого приведены к диапазону [а, Ь\. Поэтому к нему

должна быть применена операция интерпретирования, т.е. преобразование, обратное масштабированию:

где у„ - масштабированное значение прогноза; уш - фактическое значение прогноза;

Для того чтобы сформировать достаточное количество обучающих примеров из непрерывного ряда данных, в работе используется метод скользящих окон.

Далее необходимо выбрать топологию (структуру) нейронной сети. Выбирать топологию ИНС следует исходя из постановки задачи и имеющихся данных для обучения. Из многочисленных исследований в области нейросетевого прогнозирования делается вывод, что наиболее распространенной и оптимальной структурой ИНС для решения задачи прогнозирования является сеть прямого распространения.

Следующим этапом является обучение нейронной сети. В работе используется алгоритм обратного распространения ошибки, как наиболее приемлемый к выбранной топологии и имеющемуся массиву данных.

Последним этапом создания ИНС является ее проверка на тестовом множестве данных. Одним из основных критериев работоспособности нейронной сети для прогнозирования является величина средней абсолютной процентной ошибки (Mean Absolute Percentage Error, МАРЕ).

Таким образом, если величина МАРЕ лежит в допустимых пределах, то цель достигнута и ИНС является пригодной для краткосрочного прогнозирования стока реки.

Для повышения точности прогноза предлагается учитывать при построении нейронной сети процессы, сопутствующие основному. Любой

(6)

процесс не протекает обособленно, существует множество процессов, прямо или косвенно связанных с ним. Для количества воды в реке одним из связанных процессов является температура воздуха. Применимо к нейронным сетям учет связанных процессов сводится к добавлению во входной слой нейронов, несущих в себе дополнительную информацию об этих процессах. Например, добавлением во входной слой одного нейрона мы можем добиться учета температуры воздуха в день, предшествующий прогнозу.

Далее рассмотрены вопросы создания экспертной подсистемы поддержки принятия решений, для чего были исследованы особенности построения ЭС и показано, что современная экспертная система имеет в своем составе следующие основные компоненты:

- база знаний;

- механизм вывода.

Кроме основных компонентов ЭС имеет дополнительные подсистемы, которые обеспечивают общение с конечным пользователем, перенос знаний от эксперта в ЭС, объяснение и обоснование результатов вывода и т.д.

Особенностью подобной структуры ЭС является работа системы в режиме ((диалога с пользователем». Т.е. пользователь отвечает на ряд вопросов, задаваемых ЭС, и получает определенный вывод или решение. При этом создатели ЭС могут постоянно расширять сферу знаний данной системы.

Исследуемая структура является подходящей, если использовать такую систему в качестве диагностирующей. Однако, для работы в качестве подсистемы поддержки принятия решений на генерирующем предприятии, данная ЭС должна также работать с массивом входной информации в автоматическом режиме. Это означает, что на вход такой системы будет непрерывно подаваться определенный набор данных, согласно которым необходимо вырабатывать решение об оптимальном режиме работы ГЭС. Структура разработанной экспертной подсистемы поддержки принятия решений гидрогенерирующего предприятия показана на рисунке 7.

Рисунок 7 - Структура экспертной подсистемы поддержки принятия

решений гидрогенерирующего предприятия.

Ее отличием от стандартной структуры ЭС является наличие дополнительного узла - подсистемы интеллектуального анализа данных. Так как технологическая информация от СОТИ поступает в режиме реального времени в СППР, то это позволяет системе оценивать текущее состояние и режим работы оборудования и также в режиме реального времени выдавать заключение на АРМ дежурного оператора. Таким образом, разработанная СППР помимо работы в режиме диалога имеет воз.можность работать в реальном времени в режиме советчика.

Четвертая глава посвящена практической реализации нейросетевой подсистемы прогнозирования на базе СОТИ.

Для проверки на практике работоспособности предложенных в работе идей была выбрана система обработки технологической информации Дзауджикауской ГЭС Северо-Осетинского филиала ОАО «РусГидро». Для создания и тестирования работы нейронной сети использовался один из серверов СОТИ данной ГЭС.

В качестве исходного временного ряда для обучения сети были использованы данные ежедневного стока реки Терек с 2006 по 2008 год. Для проверки точности прогноза были использованы последние 50 точек временного ряда, что составляет примерно 6% от общего числа точек.

В качестве основы для построения была выбрана нейронная сеть прямого распространения с одним скрытым слоем, обучаемая с помощью алгоритма обратного распространения ошибки ртВ - РеесЬРогшагс! Васкргор). В качестве активационной функции для нейронов скрытого слоя была выбрана сигмоидная активационная функция, а для выходного нейрона -линейная активационная функция. Был проведен сравнительный анализ пяти различных нейросетей. Результаты анализа приведены в таблице 1.

Таблица 1 — Результаты сравнительного анализа.

-—№ ИНС Параметры ИНС —--—___ ИНС 1 ИНС 2 ИНСЗ ИНС 4 ИНС 5

Число нейронов (входные/скрытые/выходные) 10/10/1 20/10/1 20/20/1 20/30/1 30/30/1

Ошибка обучения МАРЕ, % 0,4 0,3 0,3 0,1 0,2

Ошибка тестирования МАРЕ, % 12,3 6,2 6,9 10,4 9,7

Максимальная ошибка тестирования, % 14,1 11,4 12,6 13,2 13,1

Из проведенного анализа следует вывод, что для краткосрочного прогнозирования наиболее рационально использовать нейронную сеть ИНС 2, содержащую 20 нейронов входного слоя, 10 нейронов скрытого слоя и 1 выходной нейрон. Такая сеть способна на основе информации о стоке реки за предшествующие 20 дней дать прогноз на один день вперед.

Следующим этапом стало фактическое применение созданной нейронной сети по назначению, т.е. прогнозирование текущего стока реки. Фактические и спрогнозированные значения показаны на рисунке 8а.

Как было отмечено выше, одним из вариантов повышения точности прогноза является добавление во входной слой дополнительных нейронов, несущих информацию о связанных процессах.

б>

Рисунок 8 -Данные прогнозирования стока реки.

Для проверки на практике действенности метода были проведены следующие изменения:

во входной слой добавлен один нейрон, несущий информацию о температуре в день, предшествующий прогнозу;

календарный год разделен на два периода: паводковый (апрель-сентябрь) и меженный (октябрь-март);

нейронная сеть обучалась только на данных меженного периода.

Прогноз, сделанный модифицированной нейросетью для того же периода (рисунок 8а.), показан на рисунке 86.

Как видно из графика, точность прогноза возросла. Уменьшение ошибки МАРЕ составило 1,47%. Это позволяет сделать вывод, что учет связанных процессов позволяет повысить точность прогноза.

Заключительным этапом является создание алгоритма работы нейросетевой системы краткосрочного прогнозирования в СОТИ. Разработанный алгоритм показан на рисунке 9.

Рисунок 9

—Алгоритм работы нейросетевой системы краткосрочного прогнозирования в СОТИ.

ЗАКЛЮЧЕНИЕ

Основные научные выводы и практические результаты диссертационной работы заключаются в следующем:

поставлен и исследован вопрос расширения прикладных функций систем обработки технологической информации с помощью элементов искусственного интеллекта. Разработана структура и предложен алгоритм работы СОТИ с элементами ИИ;

разработаны принципы интеллектуального анализа данных в электроэнергетике, позволяющие обнаружить и исправить ошибки обрабатываемой информации, предложен алгоритм работы ИАД; построена функциональная БАОТ-модель СОТИ, которая используется на ранних стадиях проектирования и создания СОТИ. На основе данной модели подтверждена возможность расширения прикладных функций систем обработки технологической информации с помощью элементов искусственного интеллекта;

исследованы особенности создания нейросетевой подсистемы краткосрочного прогнозирования и экспертной подсистемы поддержки принятия решений в СОТИ гидрогенерирующих предприятий; создана, обучена и протестирована на базе существующей СОТИ Дзауджикауской ГЭС искусственная нейронная сеть, позволяющая прогнозировать сток реки, а, следовательно, и выработку электроэнергии на сутки впepeДj на основе прогноза стока. Средняя ошибка получаемого прогноза не превышает 5%. Предложен алгоритм работы нейросетевой подсистемы краткосрочного прогнозирования в СОТИ гидрогенерирующих предприятий;

экономический эффект от внедрения результатов диссертационной работы составляет 1 млн. рублей в год.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

В изданиях из перечня ВАК РФ:

1. Ханмагомедов А.Х., Хасцаев Б.Д. Применение элементов искусственного интеллекта в системах сбора и передачи информации. // Научно-технические ведомости СПбГПУ, Санкт-Петербург, 2009, №2. - С. 55-59.

В других изданиях:

2. Ханмагомедов А.Х. Нейросетевая система краткосрочного . прогнозирования // Информационный лисгок Министерства промышленности и энергетики РФ №15-025-09 от 30.11.2009.

3. Ханмагомедов А.Х., Ханмагомедов В.Х., Хасцаев МБ. Принципы расчета погрешности схемы измерения универсальных измерительных приборов // Сборник научных трудов СОО АН ВШ РФ, Владикавказ, 2009, №7 - с.9-11.

4. Ханмагомедов А.Х., Хасцагв М.Б. Принципы создания системы поддержки принятия решений для объектов электроэнергетики // Сборник научных трудов СОО АН ВШ РФ, Владикавказ, 2009, №7 - с.6-9.

5. Ханмагомедов А.Х., Хасцаев Б.Д. Принципы построения систем сбора и передачи информации для объектов электроэнергетики II Труды молодых ученых, Владикавказ, 2.008, №1 - с.17-21.

6. Хасцаев Б.Д., Ханмагомедов А.Х. Использование методов расчета для выбора преобразователей импеданса // Сборник научных трудов СО АН ВШ РФ. Владикавказ, 2006-, № 4.

7. Хасцаев Б.Д., Ханмагомедов А.Х. Перспективы расширения прикладных функций систем сбор t. и передачи информации на объектах электроэнергетики // Труды научно-практической конференции «Управление созданием и развитием систем, сетей и устройств телекоммуникаций», Санкт-Петербург, 2008. - С. 98-102.

8. Хасцаев Б.Д., Ханмагомедов А.Х. Применение нейронных сетей для краткосрочного прогнозирования в электроэнергетике // Сборник научных трудов СОО АН ВШ РФ, Владикавказ, 2008, №6 - с. 128-131.

/

Подписано в печать 22.03.2010. Формат 60x84 1/16. Гарнитура Тайме. Бумага офсетная. Печать на ризографе. Объем 1,0 усл. п.л. Тираж 100 экз. Заказ № ТТ Отпечатано в отделе оперативной полиграфии СКГМИ (ГГУ). 362021, г. Владикавказ, ул. Николаева, 44.

ВВЕДЕНИЕ

1 СИСТЕМНЫЙ АНАЛИЗ ПРИНЦИПОВ ПОСТРОЕНИЯ СИСТЕМ ОБРАБОТКИ ТЕХНОЛОГИЧЕСКОЙ ИНФОРМАЦИИ НА ОБЪЕКТАХ

ЭЛЕКТРОЭНЕРГЕТИКИ

1.1 Основные определения

1.2 Современное состояние СОТИ в электроэнергетике

1.3 Структура современной СОТИ гидрогенерирующего объекта

1.4 Пути развития СОТИ

1.5 Перспективы расширения прикладных функций СОТИ

1.6 Анализ возможностей применения систем искусственного интеллекта в СОТИ

1.7 Цель и задачи исследования

1.8 Выводы по главе

2 РАЗРАБОТКА ПРИНЦИПОВ ПОСТРОЕНИЯ СИСТЕМЫ ОБРАБОТКИ ТЕХНОЛОГИЧЕСКОЙ ИНФОРМАЦИИ С ЭЛЕМЕНТАМИ ИКУССТВЕННОГО ИНТЕЛЛЕКТА

2.1 Выбор методов исследования

2.2 Разработка структуры СОТИ

2.3 Принципы интеллектуального анализа технологических данных

2.4 Моделирование и анализ эффективности СОТИ с элементами

2.5 Разработка алгоритма работы СОТИ

2.6 Выводы по главе

3 ПРИНЦИПЫ СОЗДАНИЯ НЕЙРОСЕТЕВОЙ ПОДСИСТЕМЫ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ И ЭКСПЕРТНОЙ ПОДСИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В СОТИ

3.1 Принципы краткосрочного прогнозирования в энергетике

3.2 Подготовка исходных данных, выбор топологии и обучение

3.3 Пути повышения точности результатов прогноза

3.4 Разработка структуры экспертной подсистемы поддержки принятия решений

3.5 Принципы построения СППР для объектов электроэнергетики

3.6 Выводы по главе

4 ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИИ НЕЙРОСЕТЕВОЙ

ПОДСИСТЕМЫ ПРОГНОЗИРОВАНИЯ В СОТИ

4.1 Средства реализации ИНС

4.2 Практическое применение ИНС для краткосрочного прогнозирования стока реки Терек

4.3 Разработка алгоритма работы нейросетевой подсистемы прогнозирования на оборудовании СОТИ

4.4 Результаты краткосрочного прогнозирования

4.5 Выводы по главе

Актуальность темы. Системы обработки технологической информации (СОТИ) промышленных предприятий предназначены для сбора данных о текущем состоянии технологического оборудования и передачи информации на верхние уровни диспетчерского управления, а также для создания информационной базы для последующего ее включения в интегрированную систему управления предприятия. Установление рыночных отношений в электроэнергетике, особенности функционирования рынков электрической энергии, мощности и услуг предъявляют соответствующие требования как к развитию инфраструктуры рынка, так и к СОТИ. Использование современных СОТИ на генерирующих предприятиях позволяет решать следующие основные задачи: повышение эффективности диспетчерско-технологического управления; оптимизация режимов работы оборудования и увеличение сроков его эксплуатации; повышение надежности и безаварийности работы основного и вспомогательного оборудования; создание информационно-технической базы для дальнейшего развития автоматизированных систем управления производством; автоматизация ведения отчетной документации, и т.д.

Проблемы построения современных СОТИ рассматриваются в работах Стрельникова A.A., Ишкина В.Х., Громова В.Б., Овчинникова A.M., Сергеева С.И., Воробьева C.B. и др. Решением этих же проблем занимаются многие крупные российские и зарубежные фирмы: ОАО «Электроцентроналадка» (программно-технический комплекс (ПТК) «КОТМИ»), ООО НПФ «Ракурс» (ПТК «Апогей»), ЗАО НПФ «Энергосоюз» (ПТК «Нева»), ООО «Эма», Siemens, Omron, и др.

Несмотря на большие успехи, достигнутые перечисленными учеными и фирмами, в электроэнергетике существует еще масса проблем, имеющих непосредственное отношение к функциям, выполняемым системами обработки технологической информации. Их решение является на сегодняшний день одним из приоритетных направлений в развитии электроэнергетической области. Среди таких проблем можно выделить прогнозирование выработки электроэнергии и поддержку принятия решений для оперативного персонала при постоянно изменяющихся условиях и режимах работы электроэнергетических предприятий.

Круг ученых, решающих проблемы построения интеллектуальных систем поддержки принятия решений в электроэнергетике, составляют: Башлыков АА., Еремеев А.П., Чукреев Ю.Я., Черноруцкий И.Г., Гамм А.З., Кучеров Ю.Н., Баринов В.А., Хохлов М.В., и др. Вопросы прогнозирования в электроэнергетике затрагиваются в работах Осовского С., Кудрина Б.И., Готмана Н.Э., Жичкина C.B. Мозгалина A.B. Шумиловой Г.П., Старцевой Т.Б. и др.

Анализ публикаций этих ученых [37, 73, 19, 4, 5, 42, 1, 38, 69, 21, 40, 75] показал, что практически все проводимые исследования касаются либо крупных потребителей, либо отдельных электроэнергетических систем. При этом генерирующим предприятиям практически не уделяется внимания, хотя от стабильности их работы напрямую зависят как потребители, так и энергосистема в целом.

Объектом исследований в работе являются современные системы обработки технологической информации электроэнергетических объектов.

Предметом исследований в работе являются методы и алгоритмы работы систем обработки технологической информации гидрогенерирующих предприятий.

Цель работы. Целью диссертационной работы является разработка и исследование системы обработки технологической информации гидрогенерирующих предприятий с элементами искусственного интеллекта для расширения прикладных функций этой системы.

Для достижения поставленной цели сформулированы и решены следующие задачи: анализ текущего состояния СОТИ в электроэнергетике; построение структуры системы обработки технологической информации с элементами искусственного интеллекта; построение модели и исследование функциональных возможностей СОТИ; разработка алгоритма работы СОТИ; разработка подсистемы краткосрочного прогнозирования выработки электроэнергии на основе искусственной нейронной сети; разработка структуры подсистемы поддержки принятия решений для оперативного персонала, работающего с СОТИ.

Методы исследования. Решение поставленных задач базируется на комплексе методов, включающих SADT (Structured Analysis and Design Technique - методология структурного анализа и проектирования), математическое моделирование, методы вычислительного эксперимента, методы искусственного интеллекта.

Научная новизна работы заключается в следующем: разработана функциональная структура системы обработки технологической информации с элементами искусственного интеллекта, имеющая в своем составе нейросетевую подсистему краткосрочного прогнозирования и экспертную подсистему поддержки принятия решений; предложены принципы интеллектуального анализа технологических данных для электроэнергетических предприятий, позволяющие повысить достоверность обрабатываемой информации; построена функциональная БАОТ-модель системы обработки технологической информации, используемая на ранних стадиях проектирования и создания СОТИ; предложен метод краткосрочного прогнозирования выработки электроэнергии для гидрогенерирующих предприятий, основанный на применении искусственной нейронной сети.

Практическая значимость работы: разработан алгоритм интеллектуального анализа технологических данных, собираемых в СОТИ; разработана и реализована нейросетевая подсистема краткосрочного прогнозирования выработки электроэнергии гидрогенерирующим предприятием; предложенные модели и алгоритмы используются в существующих системах обработки технологической информации, а также могут быть использованы при разработке и создании новых СОТИ. Ожидаемый экономический эффект от внедрения результатов диссертационной работы составляет 1000000 рублей в год.

Основные положения, выносимые на защиту: принципы интеллектуального анализа технологических данных для электроэнергетических предприятий; структура СОТИ с элементами искусственного интеллекта; функциональная 8АГ)Т-модель системы обработки технологической информации; принципы создания нейросетевой подсистемы краткосрочного прогнозирования для гидрогенерирующих предприятий; структура экспертной подсистемы поддержки принятия решений для генерирующих предприятий.

Апробация работы. Основные положения и результаты выполненных исследований прошли апробацию на VI международной конференции «Инновационные технологии для устойчивого развития горных территорий» (Владикавказ, 2007), научно-практической конференции «Управление созданием и развитием систем, сетей и устройств телекоммуникаций» (Санкт-Петербург, 2008), ежегодных научно-технических конференциях СКГМИ (ГТУ) (2007-2009 гг.), расширенном заседании кафедры «Промышленная электроника» СКГМИ (ГТУ), 2009г.

Публикации. Основное содержание диссертации опубликовано в 8-ми печатных работах, в том числе 1 в журнале ВАК.

Личный вклад автора. Основные научные положения, выводы и рекомендации, содержащиеся в диссертационной работе, получены автором самостоятельно.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы из 77 наименований и 1 приложения. Общий объем диссертации 113 страниц, включая 28 рисунков и 5 таблиц.

4.5 Выводы по главе 4 приведены основные средства для практической реализации ИНС и выбран программный пакет Ма1;1аЬ, как наиболее подходящий для создания нейросетевой системы прогнозирования; проведено сравнение пяти различных структур искусственной нейронной сети и выбрана наиболее оптимальная структура ИНС для прогнозирования; проведен краткосрочный прогноз стока реки Терек с помощью построенной нейросети. Средняя абсолютная ошибка прогноза составила 5,35%, что значительно меньше ошибок, получаемых при прогнозировании классическими методами; проверены методы увеличения точности прогноза, которые описаны в главе 3. Результаты подтверждены на примере краткосрочного прогнозирования реки Терек в феврале 2009 г. Снижение средней процентной ошибки прогнозирования составило примерно 1,5%. предложен алгоритм работы нейросетевой подсистемы краткосрочного прогнозирования в СОТИ.

ЗАКЛЮЧЕНИЕ

В результате проведенных теоретических и экспериментальных исследований можно сформулировать следующие основные результаты и выводы: проведен анализ принципов построения систем обработки технологической информации на объектах электроэнергетики, определен наиболее перспективный путь развития данных систем, основанный на внедрении систем искусственного интеллекта в структуру верхнего уровня СОТИ; разработана структура СОТИ с элементами искусственного интеллекта, определено место систем ИИ в этой структуре. Предложен алгоритм работы системы обработки технологической информации; разработаны принципы интеллектуального анализа данных в электроэнергетике, представляющего собой обнаружение, исправление или исключение заведомо неверных сигналов. Дано описание ошибки, приведены примеры обнаружения и исправления ошибок. Предложен алгоритм интеллектуального анализа данных, позволяющий повысить достоверность обрабатываемой информации, построена функциональная 8АОТ-модель СОТИ, на основе которой подтверждена возможность расширения прикладных функций систем обработки технологической информации с помощью элементов искусственного интеллекта. Кроме того, модель дает четкие представления о функциях и взаимосвязях всех подсистем и тем самым позволит избежать ошибок на этапе проектирования СОТИ. исследованы особенности создания подсистемы краткосрочного прогнозирования в СОТИ. Проведена классификация основных видов ошибок прогнозирования. Проанализированы основные этапы разработки искусственной нейронной сети, а именно подготовка исходных данных, выбор топологии и обучение ИНС. Определены методы повышения точности результата прогнозирования при использовании ИНС. проанализированы принципы построения экспертных систем и на основе этого анализа разработана структура экспертной подсистемы поддержки принятия решений генерирующего объекта. Приведена методика расчета базы знаний и предложена структура СППР регионального генерирующего предприятия, имеющего в своем составе несколько объектов генерации. создана, обучена и протестирована на базе существующей ССПИ Дзауджикауской ГЭС искусственная нейронная сеть, позволяющая прогнозировать сток реки, а, следовательно, и выработку электроэнергии на сутки вперед, на основе прогноза стока. Средняя ошибка получаемого прогноза не более 5%. Предложен алгоритм работы нейросетевой системы краткосрочного прогнозирования в СОТИ гидрогенерирующих предприятий. результаты диссертационной работы внедрены в производственную деятельность ЗАО «ЕН-Телеком», г. Нижний Новгород и филиала ОАО «РусГидро» — «Северо-Осетинский филиал», г. Владикавказ. Ожидаемый экономический эффект от внедрения результатов диссертационной работы составляет 1 млн. рублей в год.

1. Автоматизация диспетчерского управления в электроэнергетике / В.А.Баринов, А.З.Гамм, Ю.Н.Кучеров и др.; Под общей ред. Ю.Н.Руденко, В.А.Семенова. М.: МЭИ, 2000. 648 с.

2. Алексеева М. Б., Балан С.Н. Основы теории систем и системного анализа. СПб.: СПбГИЭУ, 2002 - 55с.: ил.

3. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика, 2004, 176 е.: ил.

4. Башлыков АА., Вагин В.Н., Еремеев А.П. Экспертные системы поддержки интеллектуальной деятельности операторов АЭС // Вестник МЭИ,- М.: Изд-во МЭИ, 1995. №4.-С.27-36.

5. Башлыков АА., Еремеев А.П. Экспертные системы поддержки принятия решений в энергетике / Под ред. А.Ф. Дьякова.- М.: Изд-во МЭИ, 1994.-216с.

6. Бусленко Н. П., К теории сложных систем, «Изв. АН СССР. Техническая кибернетика», 1963, № 5

7. Вологодский областной Веб-портал Электронный ресурс. Режим доступа: http://cultmfo.rU/fulltext/l/001/008/103/312.htm. Загл. с экрана

8. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000 - 384с.: ил.

9. Гвоздева В. А., Лаврентьева И. Ю. Основы построения автоматизированных информационных систем. М.: ИД «ФОРУМ»: ИНФРА-М, 2007 - 320с.: ил.

10. Геловани В. А., Башлыков A.A., Бритков В.Б. и др. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природной среды. — М.: Эдиториал УРСС, 2001. 304. с.

11. Гельман Г.А. Телемеханика в энергоснабжении промышленных предприятий. -М.: Энергоиздат, 1981. 120 е.: ил.

12. Гриняев С. Нечеткая логика в системах управления // Компьютерра 2001 - №38.

13. Дапонте П., Гримальди Д. Искусственные нейронные сети в измерениях // Измерения, контроль, автоматизация. 1999.№3. с. 48-64.

14. Директор С., Рорер Р., Введение в теорию систем, пер. с англ., М.,1974.

15. Дронова JL А., Тумилевич Е. Н. Исследование систем управления: учебное пособие. Хабаровск: ХГАЭП, 2005-2006, 132с.: ил.

16. Дьяконов В.П., Круглов B.B. Matlab 6.5 SP1/7/7 SP1/7 SP2 Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики. М.: Солон-пресс, 2006, 456с.: ил

17. Дэвид А. Марка, Клемент МакГоуэн. SADT-методология структурного анализа и проектирования. М.:Метатехнология, 1993.

18. Дюк В., Самойленко A. Data Mining: учебный курс (+CD). — СПб: Изд. Питер, 2001. — 368 с.

19. Еремеев А.П., Симонов Д.Н., Чибизова Н.В. Реализация прототипа системы поддержки принятия решений реальною времени на основе инструментальною комплекса g2. //Программные продукты и системы — 1996-№3

20. Емельянова Н. 3., Партыка T. JL, Попов И. И. Основы построения автоматизированных информационных систем: Учебное пособие. М.: ФОРУМ: ИНФРА-М, 2007 - 416с.: ил.

21. Информационные технологии в образовании Электронный ресурс. Режим доступа: http://ito.edu.ru/2008/Kursl<yV/V-0-7.html Загл. с экрана.

22. Искусственный интеллект: Справочник. В 3 кн. / Под ред. Э.В. Попова, Д.А. Поспелова, В.Н. Захарова, В.Ф. Хорошевского. М.: Радио и связь, 1990.

23. Калан Р. Основные концепции нейронных сетей: Пер. с англ. -М.: Вильяме, 2001.

24. Картавцев В. В. Нейронная сеть предсказывает курс доллара? // Компьютеры + программы 1993 - N 6(7) - с. 10-13.

25. Ковалев Н. Н. Гидротурбины. М. Л., Машгиз, 1961.

26. Кольвах Д.В. Разработка и исследование метода прогнозирования сложных процессов на основе комбинированных рядов. Диссертация на соискание ученой степени кандидата технических наук, Владикавказ, 2004.

27. Кольвах В.Ф. Прогнозирование сложных процессов с помощью комбинированных рядов. Владикавказ, Терек, 2006, 214 с.: ил.

28. Комарцова Л.Г., Максимов A.B. Нейрокомпьютеры. — М.: Изд-во МГТУ им Н.Э.Баумана, 2002.

29. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия Телеком, 2001. - 382 с.

30. Круглов В.В. Нечеткая логика и искусственные нейронные сети /В.В. Круглов, М.И. Дли, Р.Ю. Голунов — М.: Физматлит, 2001. — 224 с.

31. Крухмалев В. В. , Гордиенко В. Н., Моченов А. Д. Цифровые системы передачи. М.: Горячая Линия - Телеком, 2007- 352с.: ил.

32. Кудрин Б.И. Электроснабжение промышленных предприятий: Учебник для студентов высших учебных заведений / Б.И. Кудрин. М.: Интермет Инжиниринг, 2005. - 672 е.: ил.

33. Лидовский В.В. Теория информации: Учебное пособие. М.: Компания Спутник+, 2004. - 111с.

34. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6. М: Диалог-МИФИ, 2002 - 496с.: ил.

35. Месарович М., Такахара Я. Общая теория систем: математические основы. -М.: Мир, 1978 132с.: ил.

36. Методы решения задач реального времени в электроэнергетике / А.З. Гамм, Ю.Н.Кучеров, С.И.Паламарчук и др. Новосибирск: Наука, сиб. отд., 1991.294 с.

37. Методы управления физико-техническими системами энергетики в новых условиях / Н.И. Воропай, H.H. Новицкий, Е.В. Сеннова и др. Новосибирск: Наука, сибирская издательская фирма РАН, 1995. 335 с.

38. Митюшкин К.Г. Телеконтроль и телеуправление в энергосистемах, М.: Энергоатомиздат, 1990, 287с.

39. Назаров A.B., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и техника, 2003. -384с.: ил.

40. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 344 е.: ил.

41. Поспелов Г.С. Системный анализ и искусственный интеллект. -М.: ВЦ АН СССР, 1980.

42. ПО на основе искусственного интеллекта Электронный ресурс. Режим доступа: http://artmt.jino-net.ru/neurointerator.html. Загл. с экрана.

43. Правительство Российской Федерации. Постановление от 11 июля 2001 г. N 526 "О реформировании электроэнергетики Российской Федерации"

44. Приказ №603 РАО «ЕЭС России» «О приведении систем телемеханики и связи на генерирующих предприятиях электроэнергетики, входящих в состав холдинга ОАО РАО «ЕЭС России», в соответствие с требованиями балансирующего рынка».

45. Прогнозирование цен с помощью нейронных сетей Электронный ресурс. Режим доступа: http://articles.mql4.com/ru/395-Загл. с экрана.

46. Прокофьев Г.И. Автоматизированное проектирование (ранние стадии). Анализ и проектирование процессов. Конспект лекций. Санкт-Петербург, 2008.

47. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы: пер. с польск. М.: Горячая линия - Телеком, 2006. - 452 е.: ил.

48. Сапронов П.В. Системный анализ и разработка принципов построения преобразователей параметров комплексных сопротивлений с интеллектуальными возможностями. Диссертация на соискание ученой степени кандидата технических наук, Владикавказ, 2007.

49. Сараев А.Д., Щербина O.A. Системный анализ и современные информационные технологии //Труды Крымской Академии наук. -Симферополь: СОНАТ, 2006. С. 47-59.

50. Смолин Д. В. Введение в искусственный интеллект: конспект лекций. — М.: ФИЗМАТЛИТ. — 208 с.

51. Соломенцев Ю.М.,Митрофанов В.Г., Павлов В.В., Рыбаков JI.B. Информационно-вычислительные системы в машиностроении. CALS-технологии. М.: Наука, 2003 - 292с.: ил.

52. Статистический Портал StatSoft Электронный ресурс. Режим доступа: http://www.statsoft.rU/home/portal/default.asp#neuralnetwork. Загл. с экрана.

53. Стрельников А. Телекоммуникационные решения для сбора телеметрических данных// Connect! Мир связи, №6 2007 с. 100-104.

54. Таненбаум Э. Компьютерные сети. 4-е изд. СПб.: Питер, 2007, 992с.: ил.

55. Токарев B.JI. Информационные и телекоммуникационные системы: Учеб. пособие. — Тула, 2002 150с.

56. Федеральный закон «Об электроэнергетике» М.: 2003

57. Хайкин С. Нейронные сети: полный курс. М.: «Вильяме», 2006. —1104с.

58. Ханмагомедов А.Х., Ханмагомедов В.Х., Хасцаев М.Б. Принципы расчета погрешности схемы измерения универсальных измерительных приборов // Сборник научных трудов СОО АН ВШ РФ, Владикавказ, 2009, №7 с.9-11.

59. Ханмагомедов А.Х., Хасцаев Б.Д. Принципы построения систем сбора и передачи информации для объектов электроэнергетики // Труды молодых ученых, Владикавказ, 2008, №1 с. 17-21.

60. Ханмагомедов А.Х., Хасцаев Б.Д. Применение элементов искусственного интеллекта в системах сбора и передачи информации. // Научно-технические ведомости СПбГПУ, Санкт-Петербург, 2009, №2. С. 55-59.

61. Ханмагомедов А.Х. Нейросетевая система краткосрочного прогнозирования // Информационный листок Министерства промышленности и энергетики РФ №15-025-09 от ЗОЛ 1.2009.

62. Ханмагомедов А.Х., Хасцаев М.Б. Принципы создания системы поддержки принятия решений для объектов электроэнергетики // Сборник научных трудов СОО АН ВШ РФ, Владикавказ, 2009, №7 с.6-9.

63. Хасцаев Б.Д., Ханмагомедов А.Х. Использование методов расчета для выбора преобразователей импеданса // Сборник научных трудов СО АН ВШ РФ. Владикавказ, 2006, № 4.

64. Хасцаев Б.Д., Ханмагомедов А.Х. Применение нейронных сетей для краткосрочного прогнозирования в электроэнергетике // Сборник научных трудов СОО АН ВШ РФ, Владикавказ, 2008, №6 с.128-131.

65. Черемных C.B. и др. Структурный анализ систем: IDEF -технологии / C.B. Черемных, И.О. Семенов, B.C. Ручкин. М.: Финансы и статистика, 2001. - 208 с.

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

67. Чубукова И. A. Data Mining: учебное пособие. М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006. —382 с.

68. Чукреев Ю.Я., Готман Н.Э., Хохлов М.В. Советчик диспетчера региональной ЭЭС и задачи повышения режимной надежности // Методические вопросы исследования надежности больших систем энергетики. Вып. 51. Сыктывкар: Коми НЦ УрО РАН, 2000. С. 243-250.

69. Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений. "Открытые системы" 1998 №1 с. 30-35.

70. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Прогнозирование нагрузки ЭЭС на базе новых информационных технологий. Екатеринбург: УрО РАН. - 2002

71. Экспертные системы реального времени // Материалы семинара / Научн. рук. Э.В. Попов.- М.: ЦРДЗ, 1995.-117с.

72. Ясницкий Л.Н. Введение в искусственный интеллект. М.: Академия, 2005, 176 е.: ил.