Автоматизированная система прогнозирования и технической диагностики основных процессов и объектов ТЭС

• Автор: Каркарин, Александр Петрович
• Шифр специальности: 05.13.06
• Научная степень: Кандидатская
• Год защиты: 2001
• Место защиты: Красноярск
• Количество страниц: 129 с. : ил

СОДЕРЖАНИЕ
Введение

Глава 1. Состав и структура интегрированной компьютерной

системы управления производством на примере ТЭС

1.1 Краткие технологические сведения

1.2 Некоторые задачи АСУ ТЭС

1.3 Иерархическая структура управления

1.4 Некоторые особенности формулировки задач

1.5 Программный комплекс МО оптимизации и принятия решений

1.6 Технические постановки задач

1.7 Состав программного обеспечения системы ТД

Выводы к главе 1.
Глава 2. Алгоритмическое обеспечение автоматизированной системы прогнозирования и технической диагностики
2.1 Основные сведения из непараметрического оценивания
2.2 Алгоритмы технической диагностики
2.3 Процесс, технологический регламент и модели
2.4 Комбинированные многосвязные системы моделирования
2.5 Непараметрические алгоритмы управления и принятия решений с ЛПР.
Выводы к главе 2.
Глава 3. Статистическое моделирование нспараметрических алгоритмов прогнозирования и технической диагностики
3.1 Численные исследования алгоритмов прогнозирования затрат условного топлива на единицу энергии
3.2 Численное исследование алгоритмов технической диагностики
Выводы к главе 3.
Глава 4. Практическое применение непараметрических алгоритмов
4.1 Состав, структура и характер разработки АСУ ТЭС
4.2 Экспериментальная проверка алгоритмов
прогнозирования затрат условного топлива
Выводы к главе 4.
Заключение
Литература


Ф(м) < Л < со ;Ь) Ф(и)=Ф(-и) ;с) |Ф(и)с1и = I. Коэффициенты размытости С3 ядер эмпирической плотности вероятности зависят в общем случае от объема выборки ? С5 -> 0 и -> со при 5 -> со. Пусть дана статистически независимая выборка (к+1)-мерной случайной величины (Х,У). Плотности распределения р(х)>0, р(у)> 0, р(х,у)> 0 неизвестны. Алгоритмы распознавания образов. Традиционно задача распознавания образов состоит в отнесении предъявляемого объекта к одному из классов. Классы характеризуются тем, что принадлежащие им объекты (ситуации, состояния объекта) обладают некоторым сходством. Пусть дана обучающая выборка К={х/,г/},/ = 1,5, где х, = - вектор значений признаков, г. В зависимости от тою, какая априорная информация имеется, используют различные подходы к решению задачи. Если известны вероятностные характеристики классов, то успешно применяются методы теории статистических решений, где получены оптимальные байесовы алгоритмы распознавания образов, обеспечивающие минимум функции риска. Когда вероятностные характеристики классов неизвестны, что наиболее характерно для практических задач, для построения разделяющей поверхности используют либо параметрический подход (если известно в каком виде следует искать разделяющую поверхность), либо непараметрический (где, кроме обучающей выборки, не требуется какой-либо дополнительной информации) [,,,]. В рамках непараметрического подхода вероятностные характеристики классов заменяются их непараметрическими оценками. Х ? У2 = х^)4 = 1,} - элементы, принадлежащие классу Х2. Знак оценки (В. Алгоритм оптимизируется по параметрам размытости С ,/ = 1,2 в ходе скользящего экзамена. Задачу диагностики состояния оборудования с точки зрения его эксплуатации и диагностики состояния технологического процесса целесообразно интерпретировать как трехальтернативную задачу распознавания образов. При этом первый класс определяет нормальное состояние процесса и оборудования; второй - не нормальное; третий - предаварийное состояние. Последний класс в пространстве признаков *«(*',. Процедура принятия решений о принадлежности ситуации к тому или иному классу в этом случае является двухэтапной. Сначала проверяется справедливость неравенства |%(х)|