Інтелектуальна автоматизація процедури прогнозування діяльності електроенергетичних підприємств

Анотація

У статті досліджується актуальна науково-практична проблема розроблення систем інтелектуальної автоматизації процедури прогнозування діяльності електроенергетичних підприємств в умовах високого рівня інформаційної невизначеності та неповноти вихідних даних. Зростання відповідальності осіб, які приймають управлінські рішення в конкурентному бізнес-середовищі, зумовлює гостру необхідність впровадження нових математичних обчислювальних моделей та інтелектуальних інформаційних технологій. Об’єктом дослідження є процес автоматизації прогнозування функціонування електроенергетичних підприємств, а метою - розробка відповідного програмного застосунку на основі формальних, структурно-функціональних і логічних моделей.

У роботі здійснено порівняльний огляд існуючих методів прогнозування, серед яких виділено методи часових рядів, експоненціального згладжування, просте та ковзне середнє. Приділено увагу розробці архітектури нечіткої системи прогнозування, яка враховує імовірнісний характер параметрів та специфіку електроенергетичної галузі. Описано цикл розроблення нечіткої моделі, що включає етапи фазифікації вхідних змінних, формування бази знань, налаштування машини виводу на основі нечітких правил та остаточної дефазифікації для отримання реальних значень. Для обмеження довірчого інтервалу параметрів застосовано різні функції приналежності (Гаусові, трикутні, експоненціальні). Додатково в моделі враховано показники надійності компонентів електроенергетичного комплексу. Запропоновано використовувати побудовану базу знань спільно з результатами статистичного прогнозування для уточнення руху досліджуваного тренду параметрів.

У процесі моделювання було виділено три ключові області частоти відмов. Зазначений розподіл дозволив підвищити точність оцінки технічного стану обладнання та ймовірності виникнення події відмови в застосуванні. Результатом дослідження є створений та протестований програмний комплекс, який використовує модулі штучного інтелекту та структуру прогнозуючої нейронної мережі. Проведені прогнозні експерименти на ретроспективних даних підтвердили високу ефективність, стабільність та адекватність розробленої системи. Зазначений підхід суттєво мінімізує потенційні фінансові ризики та оптимізує розподіл ресурсів.