Система поддержки принятия решений при управлении фактическим техническим состоянием электротехнического оборудования на основе адаптивной комплексной модели краткосрочного прогнозирования

• Автор: Хорошев, Николай Иванович
• Шифр специальности: 05.13.06
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Пермь
• Количество страниц: 167 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР СОВРЕМЕННОГО СОСТОЯНИЯ ПРОБЛЕМЫ. АНАЛИЗ МЕТОДОВ И МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ. НАУЧНАЯ ПОСТАНОВКА ЦЕЛИ И ЗАДАЧ ИССЛЕДОВАНИЙ
1.1 Аналитический обзор современного состояния проблемы
1.2 Анализ математических методов и моделей прогнозирования
1.3 Критерии точности математических моделей прогнозирования
1.4 Постановка цели и задач научных исследований
Основные результаты главы
ГЛАВА 2. КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ ОПЕРАТИВНЫХ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ
2.1 Принципы построения концептуальной модели системы поддержки принятия оперативных управленческих решений
2.2 Формализация структурно-информационных уровней концептуальной модели системы поддержки принятия оперативных управленческих решений
2.3 Аналитическое описание правил нечеткой логики
2.4 Принятие оптимальных управленческих решений на основе правил нечеткой логики
Основные результаты главы
ГЛАВА 3. МЕТОДИКА ПРИНЯТИЯ РЕШЕНИЙ ПРИ УПРАВЛЕНИИ ФАКТИЧЕСКИМ ТЕХНИЧЕСКИМ СОСТОЯНИЕМ
ЭЛЕКТРОТЕХНИЧЕСКОГО ОБОРУДОВАНИЯ НА ОСНОВЕ АДАПТИВНОЙ КОМПЛЕКСНОЙ МОДЕЛИ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ
3.1 Методика расчета оптимальных начальных условий
3.2 Адаптивная комплексная модель краткосрочного прогнозирования
3.3 Обоснование адаптивных предикторов в составе адаптивной комплексной модели краткосрочного прогнозирования
3.3.1 Модель Тейла-Вейджа
3.3.2 Модель Брауна
3.3.3 Модель Тригга-Лича
3.3.4 Полиномиальные модели многократного сглаживания
3.3.5 Модель Хольта-Винтера
3.3.6 Определение областей применения адаптивных моделей
3.3.7 Тестирование адаптивной комплексной модели краткосрочного прогнозирования
3.4 Методика принятия решений при управлении фактическим техническим состоянием электротехнического оборудования
Основные результаты главы
ГЛАВА 4. ОПЫТНО-ПРОМЫШЛЕННАЯ АПРОБАЦИЯ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ УПРАВЛЕНИИ ФАКТИЧЕСКИМ ТЕХНИЧЕСКИМ СОСТОЯНИЕМ ЭЛЕКТРОТЕХНИЧЕСКОГО ОБОРУДОВАНИЯ
4.1 Постановка прикладной задачи и научного эксперимента. Краткое описание технических характеристик объектов апробации
4.2 Формализация и прогнозирование изменения ключевых параметров силового маслонаполненного трансформатора средней мощности
4.3 Практическая реализация концептуальной модели системы поддержки принятия оперативных управленческих решений
Основные результаты главы
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

Список принятых сокращений
ЛД - асинхронный двигатель;
АКМ - адаптивная комплексная модель краткосрочного прогнозирования;
АМП - адаптивные модели краткосрочного прогнозирования;
АПМ - адаптивные полиномиальные модели многократного сглаживания;
АФ - адсорбционный фильтр;
БМИ - бумажно-масляная изоляция;
В Л - воздушная линия;
ВН - высшее напряжение;
ВР - временной ряд;
ГОСТ - государственный стандарт;
ДНГ - добыча нефти и газа;
ЖЦ - жизненный цикл;
ИК - инфракрасный контроль;
ИНС - искусственная нейронная сеть;
КД - каталожные данные;
КЗ - короткое замыкание;
КИВ - контроль изоляции вводов;
КМПР - концептуальная модель системы поддержки принятия оперативных управленческих решений;
КП - краткосрочный прогноз;
КСС - контрольный следящий сигнал;
МГУА - метод группового учета аргументов;
МНК - метод наименьших квадратов;
МНУ - модель начальных условий;
МЭК - международная электротехническая комиссия;
НН - низшее напряжение;
НСМ - нейросетевая модель;
НУ - начальные условия;

1.3 Критерии точности математических моделей прогнозирования
При исследовании временных рядов, а также статистических многофакторных наблюдений в различных областях знаний, могут быть использованы различные критерии [22, 24, 30, 63, 71, 73, 127, 131, 136, 141, 148], позволяющие осуществить оценку адекватности используемых математических моделей эмпирическим наблюдениям.
В производстве вполне вероятны ситуации, связанные с отсутствием достаточно больших выборок эмпирических данных, а также параллельных наблюдений (повторных измерений). Поэтому с учетом специфики работы АМП необходимо использовать критерии, которые позволят наглядно и с необходимой степенью достоверности оценить адаптивную математическую модель краткосрочного прогнозирования, в том числе на малых выборках эмпирических данных.
Среди множества критериев, которые нашли достаточно широкое практическое применение (де-факто), в том числе при решении задач прогнозирования, выделим следующие: критерий Пирсона (х2)', критерий согласия Колмогорова (Колмогорова-Смирнова), Тейла, Дарбина-Уотсона, коэффициент детерминации (г2), среднеабсолютная процентная ошибка (МАРЕ), стандартное отклонение как 95 %-ый доверительный интервал прогнозирования. Далее выделим среди рассматриваемых мер оценки адекватности математических моделей прогнозирования наиболее подходящие.
Поскольку АМП содержат в себе параметры начальных условий, которые задаются на первой итерации работы алгоритма прогнозирования, то для их определения, как будет показано ниже (глава 3), целесообразным является использование нелинейных математических моделей взамен экспертных оценок и линейных функциональных зависимостей. Поэтому оценку нелинейных выражений предлагается осуществлять при помощи коэффициента детерминации (г2) как показателя доли объясняемой дисперсии в общей, который для наилучшей модели должен стремиться к единице.