46
управление сетями
Вопросы оценки рисков
нарушения управляемости
АСДУ в сложных электро-
энергетических системах
УДК
621.311.001.57
Гвоздев
Д
.
Б
.,
к
.
т
.
н
,
главный
инженер
ПАО
«
Россети
»,
доцент
кафедры
ЭЭС
Института
Электроэнергетики
ФГБОУ
ВО
«
НИУ
«
МЭИ
»
Архангельский
О
.
Д
.,
аспирант
кафедры
ЭЭС
Института
Электроэнергетики
ФГБОУ
ВО
«
НИУ
«
МЭИ
»,
руководитель
проектов
ЗАО
«
Российская
корпорация
средств
связи
»
В
настоящей
статье
предложены
методические
подходы
к
оценке
рисков
сложных
ЭЭС
.
В
предложенной
методике
в
качестве
входных
данных
могут
использоваться
как
статистические
(
количественные
)
показатели
,
так
и
качественные
(
экспертные
)
оценки
;
в
качестве
математического
аппарата
предложено
использовать
нейро
-
нечеткие
сети
(
ННС
).
Для
решения
проблемы
создания
обучающей
выборки
для
ННС
предложено
использовать
концепцию
полунатурного
моделирования
с
использованием
цифрового
симулятора
RTDS.
Ключевые
слова
:
автоматизированные
системы
управления
,
SCADA,
безопасность
автоматизированных
систем
,
эффективность
работы
диспетчерского
персонала
,
экспертные
оценки
,
нечеткая
логика
,
оценка
рисков
в
условиях
неопределенности
Keywords:
automated control
systems, SCADA, security
of automated systems,
dispatcher staff ef
fi
ciency,
expert assessments, fuzzy
logic, risk assessment in
conditions of uncertainty
ВВЕДЕНИЕ
В
настоящее
время
основной
вектор
развития
электроэнергети
-
ческой
отрасли
направлен
в
сто
-
рону
автоматизации
технологиче
-
ских
процессов
и
развития
систем
управления
[1].
В
рамках
реа
-
лизации
концепции
«
цифровой
сети
»
поэтапно
происходит
пере
-
ход
к
электросетевым
объектам
нового
поколения
,
схема
опера
-
тивного
обслуживания
которых
не
предусматривает
круглосуточного
присутствия
оперативного
персо
-
нала
,
а
управление
осуществля
-
ется
из
удаленного
диспетчерско
-
го
центра
.
Результаты
нескольких
реализованных
пилотных
про
-
ектов
цифровой
подстанции
по
-
зволяют
говорить
о
том
,
что
ав
-
томатизация
и
информатизация
электроэнергетики
позволят
по
-
высить
управляемость
и
наблю
-
даемость
электроэнергетических
систем
(
ЭЭС
),
уменьшить
вре
-
мя
реагирования
на
инциденты
в
электрических
сетях
[2].
Кро
-
ме
того
,
внедрение
концепции
«
цифровой
сети
»
позволит
сни
-
зить
эксплуатационные
затраты
и
,
как
следствие
,
повысить
эконо
-
мическую
эффективность
управ
-
ления
активами
электросетевых
компаний
.
В
то
же
время
в
результате
информатизации
отрасли
в
по
-
следние
несколько
лет
в
электро
-
энергетике
появляются
несвой
-
ственные
ей
до
этого
угрозы
[3].
В
качестве
основных
возможных
угроз
для
цифровых
подстанций
и
объектов
SmartGrid
необходи
-
мо
отметить
следующие
[4, 5]:
ки
-
бератаки
через
внешние
цифро
-
вые
каналы
связи
энергообъекта
,
приводящие
к
искажению
или
подмене
диспетчерских
команд
или
значений
телеметрии
;
невы
-
явленные
ошибки
в
программ
-
ном
обеспечении
устройств
цифровой
подстанции
,
в
том
числе
терминалов
РЗА
;
злонаме
-
ренные
программные
дефекты
,
встроенные
в
программное
обе
-
спечение
микропроцессорных
устройств
[6].
Возникновение
приведенных
выше
угроз
связано
со
значи
-
тельным
расширением
функцио
-
нала
АСДУ
в
результате
внедре
-
ния
концепции
телеуправления
объектами
электроэнергетики
.
Если
раньше
автоматизирован
-
ные
системы
предназначались
преимущественно
для
решения
административно
-
технических
задач
,
не
подразумевающих
не
-
посредственное
управление
подстанциями
,
то
в
настоящее
время
в
рамках
реализации
кон
-
цепции
цифровой
подстанции
на
разных
уровнях
оператив
-
но
-
диспетчерского
управления
внедряются
АСУ
,
позволяющие
передавать
команды
на
управля
-
47
емые
коммутационные
аппараты
в
реальном
времени
.
Наличие
не
-
посредственного
взаимодействия
с
управляемым
объектом
значи
-
тельно
повышает
критичность
как
самих
систем
автоматизиро
-
ванного
диспетчерского
управле
-
ния
,
так
и
ЭЭС
в
целом
.
Согласно
работам
[5, 7],
реализация
угроз
может
привести
к
нарушению
ра
-
боты
не
только
самих
автоматизи
-
рованных
систем
диспетчерского
управления
и
вторичного
обору
-
дования
(
например
,
терминалов
РЗА
),
но
и
первичного
оборудова
-
ния
станций
и
подстанций
—
вы
-
ключателей
,
разъединителей
,
за
-
земляющих
ножей
и
т
.
д
.
Такое
внимание
к
проблеме
возможного
нарушения
функцио
-
нирования
АСДУ
не
случайно
:
со
-
гласно
результатам
исследований
,
проведенных
в
2017
году
[8],
наи
-
большее
число
пришлось
именно
на
предприятия
энергетического
комплекса
(38,7%
от
общего
чис
-
ла
атак
).
Кроме
того
,
известно
о
ряде
успешных
атак
на
электро
-
энергетические
предприятия
,
при
-
ведших
к
ограничению
(
а
в
ряде
случаев
и
полному
прекращению
)
электроснабжения
потребите
-
лей
[4].
Значимость
и
актуаль
-
ность
проблемы
подтверждается
и
законодательными
актами
,
при
-
нятыми
в
Российской
Федера
-
ции
за
последние
несколько
лет
[10, 11].
Так
,
с
2017
года
вступил
в
силу
новый
закон
,
устанавлива
-
ющий
требования
к
обеспечению
безопасности
критической
инфор
-
мационной
инфраструктуры
[12],
согласно
которому
электроэнер
-
гетические
предприятия
отнесены
к
объектам
критически
важной
го
-
сударственной
инфраструктуры
.
Все
это
позволяет
сделать
вы
-
вод
о
том
,
что
в
настоящее
время
актуальной
задачей
становится
выбор
методов
для
анализа
воз
-
можных
нарушений
функциониро
-
вания
АСДУ
в
энергетике
и
созда
-
ние
механизмов
предотвращения
таких
нарушений
[15].
Для
решения
этой
задачи
не
-
обходимо
в
дополнение
к
при
-
меняемой
оценке
надежности
самой
электроэнергетической
системы
(
анализ
схемной
на
-
дежности
,
надежности
первич
-
ного
оборудования
подстанций
и
электростанций
и
т
.
д
.),
проводить
оценку
рисков
нарушения
функци
-
онирования
автоматизированных
систем
управления
,
поскольку
такие
системы
являются
неотъ
-
емлемой
частью
современных
ЭЭС
(
такие
системы
называют
киберфизическими
[33]).
Исполь
-
зование
теории
рисков
обуслов
-
лено
несколькими
причинами
.
В
первую
очередь
,
существует
ряд
значимых
проблем
,
которые
возникают
при
использовании
теории
надежности
для
оценки
всей
киберфизической
системы
в
целом
(
то
есть
как
совокупности
различных
подсистем
).
Наиболее
заметными
являются
отсутствие
механизмов
оценки
именно
сис
-
темных
свойств
для
сложных
ЭЭС
(
как
правило
,
в
теории
на
-
дежности
оцениваются
отдельные
подсистемы
без
учета
системных
свойств
)
и
так
называемая
«
про
-
блема
редких
событий
» —
при
эксплуатации
возможны
ситуации
со
сложной
комбинацией
«
мало
-
вероятных
»
отказов
,
приводящих
к
опасному
состоянию
.
При
ис
-
пользовании
классической
теории
вероятностей
такие
«
редкие
со
-
бытия
»,
попадающие
в
область
крайне
малых
значений
распре
-
деления
вероятности
,
исключают
-
ся
из
рассмотрения
.
Кроме
того
,
механизмы
теории
рисков
позво
-
лят
оценить
влияющие
факторы
,
которые
не
учитываются
при
про
-
ведении
оценки
надежности
—
на
-
пример
,
действия
диспетчерского
и
оперативного
персонала
[9, 35],
психоэмоциональное
состояние
персонала
,
эргономические
по
-
казатели
интерфейса
АСУ
,
ин
-
формационная
нагрузка
на
дис
-
петчерский
персонал
и
скорость
реакции
диспетчера
в
нештатных
ситуациях
[13, 34].
Несмотря
на
то
,
что
оценка
рисков
в
настоящее
время
явля
-
ется
динамично
развивающимся
направлением
научных
исследо
-
ваний
,
в
электроэнергетике
при
-
менение
теории
рисков
носит
фрагментарный
характер
.
От
-
сутствуют
методы
использова
-
ния
понятия
«
риска
»
для
оценки
различных
аварийных
событий
(
в
настоящее
время
преимуще
-
ственно
используется
понятие
«
вероятность
возникновения
со
-
бытия
») [14].
В
странах
Европей
-
ского
союза
и
США
ситуация
не
-
сколько
иная
:
на
данный
момент
уже
существует
ряд
разрабо
-
танных
методик
и
концепций
по
оценке
рисков
,
ведется
работа
по
созданию
единой
норматив
-
ной
базы
[36].
В
2013
году
был
из
-
дан
документ
«NERC Bulk Power
System Risk Assessment» [16],
ко
-
торый
наиболее
полно
описывает
полученный
экспертами
практиче
-
ский
и
теоретический
опыт
в
оцен
-
ке
рисков
для
сложных
электро
-
энергетических
систем
и
систем
управления
.
Кроме
того
,
в
странах
Европейского
союза
в
настоящее
время
запущен
ряд
масштабных
научно
-
исследовательских
работ
[18, 19],
рассматривающих
различ
-
ные
аспекты
применения
теории
рисков
для
оценки
надежности
и
безопасности
автоматизирован
-
ных
систем
управления
ЭЭС
.
ВЫБОР
МЕТОДА
АНАЛИЗА
РИСКОВ
Для
проведения
оценки
рисков
нарушения
функционирования
АСДУ
необходимо
выбрать
под
-
ходы
,
позволяющие
учитывать
системные
свойства
сложных
си
-
стем
и
обладающие
механизмами
для
решения
проблемы
редких
событий
,
для
оценки
которых
не
-
применима
классическая
теория
вероятностей
.
Этим
требованиям
отвечают
методы
,
основанные
на
теории
не
-
четких
множеств
.
К
таким
методам
можно
отнести
методы
нечеткой
логики
(
НЛ
),
методы
нейронных
сетей
(
НС
)
и
комбинированные
(
гибридные
)
методы
[17, 20, 21].
Использование
аппарата
не
-
четкой
логики
дает
возможность
применять
методы
анализа
ри
-
сков
,
оперирующие
качествен
-
ными
понятиями
и
не
предпола
-
гающие
вероятностной
оценки
,
а
также
позволяет
агрегировать
и
формализовать
экспертные
оценки
для
различных
параме
-
тров
или
свойств
системы
.
Вместе
с
тем
применение
нечеткой
логи
-
ки
имеет
ряд
недостатков
:
так
,
вид
и
параметры
функций
при
-
надлежности
,
описывающих
вход
-
ные
и
выходные
переменные
си
-
стемы
,
выбираются
субъективно
и
могут
оказаться
не
вполне
отра
-
жающими
реальную
действитель
-
ность
[22].
Кроме
того
,
одним
из
основных
недостатков
систем
на
№
6 (51) 2018
48
основе
нечеткой
логики
является
отсутствие
возможности
обучения
(
или
самообучения
)
разработан
-
ной
системы
.
Решить
проблему
обучения
возможно
с
помощью
искусствен
-
ных
нейронных
сетей
(
ИНС
),
однако
их
применение
в
интел
-
лектуальных
системах
также
свя
-
зано
с
рядом
сложностей
.
Основ
-
ными
недостатками
нейронных
сетей
является
их
недетермини
-
рованность
и
сложность
интер
-
претации
полученных
результа
-
тов
.
Другими
словами
,
нейронная
сеть
после
обучения
функци
-
онирует
по
принципу
«
черного
ящика
»,
то
есть
логика
принятия
решений
нейросетью
скрыта
от
эксперта
и
не
поддается
коррек
-
тировке
[23, 32].
В
связи
с
указанными
выше
аспектами
для
решения
зада
-
чи
анализа
рисков
предлагается
использовать
гибридные
ней
-
ро
-
нечеткие
системы
,
обладаю
-
щие
преимуществами
обоих
ука
-
занных
выше
методов
и
в
то
же
время
лишенные
большинства
недостатков
,
характерных
для
традиционных
ИНС
и
систем
не
-
четкого
вывода
.
В
таблице
1
при
-
ведены
результаты
сравнительно
-
го
анализа
трех
описанных
выше
подходов
(
по
материалам
рабо
-
ты
[24]).
НЕЙРО
-
НЕЧЕТКИЕ
СЕТИ
И
ИХ
ПРИМЕНЕНИЕ
Основная
идея
,
положенная
в
ос
-
нову
нечетких
нейронных
сетей
,
за
-
ключается
в
том
,
что
выводы
дела
-
ются
на
основе
аппарата
нечеткой
логики
по
задаваемой
экспертом
базе
знаний
,
а
параметры
функций
принадлежности
настраиваются
и
корректируются
с
помощью
ал
-
горитма
обучения
нейронной
сети
.
Таким
образом
,
гибридные
струк
-
туры
включают
,
с
одной
стороны
,
вычислительную
мощность
и
спо
-
собность
к
обучению
нейронных
сетей
,
а
с
другой
стороны
—
воз
-
можности
нейросетей
усиливают
-
ся
применением
механизмов
не
-
четкой
логики
,
которые
позволяют
создавать
«
прозрачную
»
структуру
базы
решающих
правил
.
Был
проведен
сравнительный
анализ
наиболее
распространен
-
ных
архитектур
ННС
(
таблица
2);
Табл
. 1.
Сравнительный
анализ
методов
[24]
Характеристики
НЛ
ИНС
ННС
Способность
к
обучению
Нет
Да
Да
Возможность
использо
-
вания
опыта
экспертов
Да
Нет
Да
Механизм
вычисления
логического
вывода
Эвристичес
-
кий
поиск
Парал
-
лельные
вычис
-
ления
Эвристический
поиск
и
параллельные
вычисления
Скорость
вычисления
логического
вывода
Низкая
Высокая
Высокая
Устойчивость
к
ошибоч
-
ным
входным
данным
Низкая
Очень
высокая
Очень
высокая
Механизм
адаптации
Нет
Да
Да
Необходимость
обучения
Нет
Да
Да
Логическая
прозрачность
Высокая
Низкая
Высокая
Гибкость
языка
описания
системы
Высокая
Низкая
Высокая
Возможность
обработки
неопределенных
данных
Да
Да
Да
Табл
. 2.
Основные
особенности
нейро
-
нечетких
систем
Тип
ННС Кол
-
во
слоев
Описание
ННС
Алгоритм
обучения
Алгоритм
нечеткого
вывода
Назначение
ННС
ANFIS
5
слоев
Адаптивная
нейронная
сеть
нечеткого
логического
вывода
Алгоритм
обратного
рас
-
пространения
ошибки
Такаги
-
Сугено
Прогнозирование
,
аппрокси
-
мация
нелинейных
зависимо
-
стей
,
моделирование
,
интел
-
лектуальное
управление
GARIC
5
слоев
ННС
,
состоящая
из
двух
нейросетей
различного
функционального
назначе
-
ния
:
НС
оценки
состояния
и
НС
выбора
действия
Алгоритм
обратного
рас
-
пространения
ошибки
Алгоритм
усиления
Метод
градиентного
спуска
Обучение
с
учителем
Цукамото
Интеллектуальное
управ
-
ление
FALCON 5
слоев
ННС
,
использующая
двухэтапный
алгоритм
,
состоящий
из
обучения
без
учителя
и
параметри
-
ческой
оптимизации
на
основе
метода
градиентно
-
го
спуска
Алгоритм
обратного
рас
-
пространения
ошибки
Мамдани
Задачи
параметрической
идентификации
в
адаптив
-
ных
САУ
FUN
5
слоев
ННС
,
в
которой
алгоритм
перестройки
связей
и
из
-
менения
параметров
функ
-
ций
принадлежности
носит
случайный
характер
Обучение
с
учителем
Мамдани
Интеллектуальное
управ
-
ление
УПРАВЛЕНИЕ
СЕТЯМИ
49
кроме
того
,
проанализирован
ряд
научных
работ
о
применении
ука
-
занных
типов
гибридных
сетей
при
решении
практических
задач
[25, 26, 27].
Результаты
проведен
-
ного
анализа
позволяют
сделать
вывод
о
целесообразности
при
-
менения
нейро
-
нечеткой
сети
типа
ANFIS (
от
англ
. Adaptive
Network-based Fuzzy Inference
System).
Несмотря
на
то
,
что
ANFIS
существенно
проигрыва
-
ет
остальным
ННС
по
времени
обучения
,
данная
сеть
обладает
существенным
преимуществом
в
точности
вычисления
резуль
-
татов
[27, 28].
ННС
данного
типа
состоит
из
пяти
слоев
.
На
первом
слое
ННС
выпол
-
няется
фаззификация
:
на
основа
-
нии
выбранной
функции
принад
-
лежности
осуществляется
вычис
-
ление
степени
принадлежности
входной
величины
X
i
.
Во
втором
слое
определяются
антецеденты
(
посылки
)
нечетких
правил
;
ре
-
зультатом
данного
слоя
являют
-
ся
так
называемые
уровни
акти
-
вации
каждого
правила
w
i
.
В
3-
м
слое
ANFIS
вычисляются
норма
-
лизованные
значения
уровней
активации
;
в
4-
м
слое
реализует
-
ся
модель
нечеткого
логического
вывода
по
Сугено
.
Последний
,
пя
-
тый
слой
нейро
-
нечеткой
сети
вы
-
полняет
дефаззификацию
(
при
-
ведение
к
четкому
значению
).
Структура
ННС
с
указанием
сло
-
ев
и
функций
нейронов
каждого
слоя
приведена
на
рисунке
1.
Как
уже
было
сказано
выше
,
для
корректного
функционирова
-
ния
ННС
необходимо
провести
обучение
сети
.
Настройка
ННС
представляет
собой
итерацион
-
ную
процедуру
нахождения
таких
параметров
системы
нечеткого
логического
вывода
(
в
частности
,
параметров
функций
принад
-
лежности
),
которые
минимизируют
расхождения
между
результатами
логического
вывода
и
эксперимен
-
тальными
данными
,
то
есть
между
действительным
и
желаемым
пове
-
дениями
системы
.
Для
проведения
процедуры
обучения
нейро
-
нечет
-
кой
сети
необходимо
создать
об
-
учающую
выборку
.
Сформировать
обучающую
выборку
можно
двумя
путями
[29]:
сбор
данных
в
реаль
-
ных
условиях
(
мониторинг
,
сбор
информации
)
либо
формирование
обучающей
выборки
на
основании
экспертных
оценок
и
имитационно
-
го
моделирования
.
В
случае
проведения
натурных
исследований
(
даже
при
получе
-
нии
большого
объема
информа
-
ции
)
выборки
будут
ограничены
и
будут
иметь
локальный
характер
.
Если
учесть
,
что
обученная
ней
-
ронная
сеть
должна
обеспечивать
принятие
решения
в
пределах
не
-
коего
множества
вариантов
внеш
-
них
условий
,
то
получение
пред
-
ставительной
обучающей
выборки
в
натурных
условиях
становится
дорогостоящей
и
трудно
реализуе
-
мой
задачей
[30].
Кроме
того
,
в
ре
-
альных
условиях
сложно
добиться
того
многообразия
ситуаций
и
яв
-
лений
,
которые
могут
возникнуть
в
рассматриваемой
системе
;
в
то
же
время
моделирование
большо
-
го
числа
различных
ситуаций
на
численной
модели
не
вызывает
за
-
труднений
.
С
учетом
вышеперечисленных
аспектов
,
на
первом
этапе
сущест
-
вования
и
настройки
системы
обу
-
чающая
выборка
может
быть
сфор
-
мирована
на
основе
экспертных
оценок
.
Авторами
разработана
ме
-
тодика
формирования
обучающей
выборки
для
нейро
-
нечеткой
сети
и
задания
функции
принадлежнос
-
ти
для
входных
параметров
ННС
на
основании
экспертных
оценок
.
На
первом
шаге
,
в
соответствии
с
представленным
в
работе
[31]
ме
-
тодом
,
экспертами
определяются
левые
и
правые
границы
интерва
-
лов
изменения
оцениваемого
пара
-
метра
и
его
наиболее
ожидаемое
значение
.
Обобщенные
оценки
вы
-
полняются
отдельно
для
левой
гра
-
ницы
,
среднего
значения
и
правой
границы
нечеткого
числа
.
Таким
образом
,
экспертные
оценки
зада
-
ются
в
виде
треугольных
функций
принадлежности
(
рисунок
2).
µ
11
µ
12
µ
1n
µ
21
µ
2n
µ
31
µ
3n
W
1
W
2
W
3
W
4
N
N
N
N
∑
X
1
X
2
X
3
Y
Слой № 1
Слой № 2
Слой № 4
Слой № 5
Слой № 3
Рис
. 1.
Структура
ANFIS
a
b
0,2
0,0
0,4
0,6
0,8
1,0
µ
(
x
)
c
x
Рис
. 2.
График
треугольной
функции
принадлежности
в
общем
виде
№
6 (51) 2018
50
В
аналитическом
виде
такая
функция
описывается
выражени
-
ем
вида
:
0,
если
x
≤
a
,
x
–
a
—
,
a
≤
x
≤
b,
b
–
a
f
(
x
,
a
,
b
,
c
) =
,(1)
c
–
x
—
,
b
≤
x
≤
c,
c
–
b
0,
если
c
≤
x
,
где
a
,
b
,
c
—
некоторые
числовые
параметры
,
упорядоченные
отно
-
шением
a
≤
b
≤
c
и
принимающие
произвольные
действительные
значения
.
Применение
данного
метода
позволит
не
только
сформировать
обучающую
выборку
для
нейро
-
нечеткой
сети
,
но
и
задать
функ
-
ции
принадлежности
для
входных
параметров
ННС
на
основании
экспертных
оценок
.
Основным
преимуществом
предложенного
подхода
является
то
,
что
в
ситу
-
ациях
,
когда
еще
не
накопилось
достаточно
статистической
ин
-
формации
,
источником
первона
-
чальных
данных
для
настройки
модели
являются
экспертные
суждения
;
в
дальнейшем
могут
быть
использованы
данные
,
по
-
ступающие
в
ходе
эксплуатации
.
Таким
образом
,
модель
для
оцен
-
ки
рисков
возможно
поддерживать
в
актуальном
состоянии
на
всем
жизненном
цикле
системы
АСДУ
.
ПОЛУНАТУРНОЕ
МОДЕЛИРОВАНИЕ
ЭЭС
С
учетом
сложности
и
неодно
-
значности
рассматриваемой
сис
-
темы
для
подтверждения
выдви
-
нутых
экспертами
предположений
и
оценки
правильности
экспертных
суждений
,
вошедших
в
обучаю
-
щую
выборку
для
ННС
,
предлага
-
ется
использовать
полунатурную
модель
электроэнергетической
системы
.
Проведение
ряда
экс
-
периментов
,
в
ходе
которых
моде
-
лируются
аварийные
ситуации
на
энергообъектах
,
позволит
уточнить
входные
данные
для
сети
ANFIS,
что
позволит
провести
корректное
первичное
обучение
сети
.
Для
создания
подобных
моде
-
лей
в
качестве
симулятора
ЭЭС
предлагается
использовать
вы
-
числительный
комплекс
реаль
-
ного
времени
(Real Time Digital
Simulator, RTDS)
с
программным
обеспечением
RSCAD,
позволя
-
ющим
проводить
моделирование
участков
электроэнергетической
системы
,
первичного
и
вторично
-
го
оборудования
энергообъектов
в
реальном
времени
.
Кроме
того
,
данный
вычислительный
комплекс
имеет
возможность
подключения
к
реальным
интеллектуальным
устройствам
посредством
анало
-
говых
,
дискретных
и
интерфейс
-
ных
сигналов
.
Предлагаемый
ла
-
бораторный
комплекс
состоит
из
следующих
основных
элементов
(
рисунок
3):
1.
Автоматизированное
рабочее
место
(
АРМ
)
оператора
с
уста
-
новленным
программным
обес
-
печением
RSCAD
для
модели
-
рования
участка
ЭЭС
и
первич
-
ного
оборудования
электриче
-
ских
подстанций
.
2.
Вычислительный
комплекс
RTDS
для
проведения
расчета
«
в
реальном
времени
».
3.
Шкафы
усилителей
,
предназна
-
ченные
для
формирования
входных
сигналов
тока
и
напря
-
жения
для
включенных
в
контур
моделирования
терминалов
РЗА
.
4.
Шкафы
с
устройствами
РЗА
,
АСУ
ТП
и
другими
интеллек
-
туальными
устройствами
«
по
-
левого
»
уровня
цифровой
под
-
станции
.
Применение
разработанной
ки
-
берфизической
модели
позволит
верифицировать
предположения
экспертов
касательно
развития
различных
аварийных
ситуаций
и
при
необходимости
скорректи
-
ровать
входящие
в
обучающую
выборку
пары
экспертных
оценок
«
влияющие
факторы
—
риск
».
По
-
вышение
достоверности
оценок
достигается
за
счет
возможности
имитации
действий
оперативно
-
диспетчерского
персонала
(
при
Рис
. 3.
Логическая
схема
лабораторного
стенда
Ethernet LAN-
соединение
Проводное
(hard-wired)
соединение
Ethernet-
коммутатор
Шкафы
РЗА
Шкафы
АСУ
ТП
RTDS
АРМ
АРМ
RS CAD
Network
Simulator 3
Усилитель
сигналов
УПРАВЛЕНИЕ
СЕТЯМИ
51
включении
в
контур
моделирова
-
ния
SCADA-
систем
),
моделиро
-
вания
индивидуальных
особен
-
ностей
реальных
электрических
сетей
и
энергообъектов
,
а
также
возможности
учесть
при
постро
-
ении
модели
инфраструктурную
избыточность
,
резервирование
,
работу
систем
противоаварий
-
ной
автоматики
,
релейной
защи
-
ты
,
различных
вспомогательных
и
измерительных
систем
и
т
.
д
.
В
конечном
итоге
это
позволяет
сформировать
наиболее
полную
и
непротиворечивую
обучающую
выборку
для
нейро
-
нечеткой
сети
ANFIS.
После
формирования
об
-
учающей
выборки
проводится
итерационное
обучение
нейро
-
не
-
четкой
сети
в
соответствии
с
вы
-
бранным
алгоритмом
обучения
.
Разработанная
методика
оцен
-
ки
рисков
нарушения
функциони
-
рования
АСДУ
и
созданная
на
ее
основе
нейро
-
нечеткая
сеть
по
-
зволяют
получить
интегральное
значения
риска
для
рассматрива
-
емого
объекта
.
При
этом
разрабо
-
танная
методика
учитывает
инди
-
видуальные
особенности
объекта
,
неопределенность
факторов
ри
-
ска
и
допускает
увеличение
ко
-
личества
учитываемых
факторов
в
процессе
расчета
.
Результаты
расчетов
используются
для
при
-
нятия
решений
,
направленных
на
снижение
уровня
риска
объектов
электроэнергетики
.
Корректный
и
своевременный
выбор
меропри
-
ятий
по
управлению
выявленными
рисками
обеспечивает
надежность
и
безопасность
как
отдельных
объектов
электроэнергетики
,
так
и
ЭЭС
в
целом
.
ЗАКЛЮЧЕНИЕ
В
настоящей
статье
предложе
-
на
методика
оценки
надежности
и
безопасности
сложных
электро
-
энергетических
систем
с
приме
-
нением
теории
рисков
и
нейро
-
нечетких
сетей
.
Существенным
преимуществом
предложенной
методики
является
то
,
что
ее
ис
-
пользование
возможно
в
условиях
неопределенности
,
когда
дать
од
-
нозначную
количественную
оценку
влияющему
фактору
не
представ
-
ляется
возможным
.
В
рамках
методики
предложен
механизм
формирования
нейро
-
нечетких
сетей
,
рассмотрена
про
-
блема
формирования
обучающей
выборки
для
нейро
-
нечеткой
сети
.
Для
формирования
обучающей
выборки
для
ННС
разработана
модель
киберфизической
систе
-
мы
,
выполненная
с
использова
-
нием
вычислительного
комплекса
RTDS,
устройств
РЗА
,
оборудова
-
ния
и
программного
обеспечения
АСУ
ТП
.
ЛИТЕРАТУРА
1.
Ливинский
П
.
А
.,
Гвоздев
Д
.
Б
.
Инновационная
энергоси
-
стема
России
в
2050
году
//
Энергетическая
политика
,
2017,
№
6.
С
. 16–21.
2.
Телеуправление
на
подстанциях
:
ПС
330
кВ
«
Губкин
»
и
ПС
500
кВ
«
Щелоков
». URL: http://digitalsubstation.
com/blog/2018/06/27/teleupravlenie-na-podstantsiyah-ps-
330-kv-gubkin-i-ps-500-kv-shhyolokov/ (
дата
обращения
:
12.09.2018).
3.
Аспекты
надежности
и
безопасности
при
проектирова
-
нии
цифровых
подстанций
.
Осак
А
.
Б
.,
Панасецкий
Д
.
А
.,
Бузина
Е
.
Я
. /
Материалы
IV
международной
научно
-
технической
конференции
«
Современные
направления
развития
систем
релейной
защиты
и
автоматики
энерго
-
систем
»,
Екатеринбург
, 03–07
июля
2013
г
.
С
. 729–733.
4.
Осак
А
.
Б
.,
Панасецкий
Д
.
А
.,
Бузина
Е
.
Я
.
Кибербезопас
-
ность
объектов
электроэнергетики
.
Угрозы
и
возмож
-
ные
последствия
/
Сборник
докладов
XXII
конферен
-
ции
«
Релейная
защита
и
автоматика
энергосистем
»,
Москва
, 27–29
мая
2014.
С
. 417–423.
5. Byres E., Eng P. SCADA Security in a Post Stuxnet World /
Byres Security Inc – 2007. URL: https://www.to
fi
nosecurity.
com/sites/default/
fi
les/SCADA-Security-in-a-Post-Stuxnet-
World.pdf.
6.
Гарбук
С
.
В
.,
Комаров
А
.
А
.,
Салов
Е
.
И
.
Обзор
инциден
-
тов
информационной
безопасности
АСУ
ТП
зарубеж
-
ных
государств
.
НТЦ
«
Станкоинформзащита
» //
Защи
-
та
информации
.
Инсайд
, 2010,
№
6.
С
. 50–58.
7. Ashok A., Hahn A., Govindarasu M. A cyber-physical secu-
rity testbed for smart grid: System architecture and studies
/ 7th Annu. Workshop Cyber Security Inf. Intell. Res., 2011.
8.
Ландшафт
угроз
для
систем
промышленной
автома
-
тизации
,
второе
полугодие
2017. URL: https://ics-cert.
kaspersky.ru/reports/2018/03/26/threat-landscape-for-
i n d u s t r i a l - a u t o m a t i o n - s y s t e m s - i n - h 2 - 2 0 1 7 / # _
Toc508825243 (
дата
обращения
: 12.09.2018).
9.
Осак
А
.
Б
.,
Панасецкий
Д
.
А
.,
Бузина
Е
.
Я
.
Человеческий
фактор
при
обеспечении
кибербезопасности
объектов
электроэнергетики
/
Сборник
докладов
международной
конференции
«
Современные
направления
развития
систем
релейной
защиты
и
автоматики
энергосистем
»,
Сочи
, 1–5
июня
2015
г
.
С
. 1–7.
10.
Приказ
ФСТЭК
России
№
31
от
14.03.2014 «
Об
утверж
-
дении
Требований
к
обеспечению
защиты
информа
-
ции
в
автоматизированных
системах
управления
про
-
изводственными
и
технологическими
процессами
на
критически
важных
объектах
,
потенциально
опасных
объектах
,
а
также
объектах
,
представляющих
повы
-
шенную
опасность
для
жизни
и
здоровья
людей
и
для
окружающей
природной
среды
». URL: http://docs.cntd.
ru/document/499084780.
11. «
Основы
государственной
политики
Российской
Фе
-
дерации
в
области
международной
информационной
безопасности
на
период
до
2020
года
» (
утв
.
Президен
-
том
РФ
24.07.2013,
№
Пр
-1753). URL: http://legalacts.ru/
doc/osnovy-gosudarstvennoi-politiki-rossiiskoi-federatsii-
v-oblasti/.
12.
Федеральный
закон
от
26.07.2017
№
187-
ФЗ
«
О
безо
-
пасности
критической
информационной
инфраструкту
-
ры
Российской
Федерации
». URL: http://www.consultant.
ru/document/cons_doc_LAW_220885/.
13. Hybrid Risk Management for Utility Networks, Hermann
de Meer, 2015. URL: https://hyrim.net/wp-content/uploads/
2015/05/Human_Centered_Energy_Management_Work-
shop.pdf.
14.
Будовский
В
.
П
.,
Шульгинов
Н
.
Г
.
Оценка
надежности
энергосистем
методами
теории
рисков
/
Материалы
XXVII
сессии
семинара
«
Кибернетика
электрических
систем
»
по
тематике
«
Диагностика
энергооборудова
-
ния
»,
Новочеркасск
,
ЮРГТУ
(
НПИ
), 2006.
15.
Гвоздев
Д
.
Б
.,
Архангельский
О
.
Д
.
Анализ
безопасности
автоматизированных
систем
диспетчерского
управле
-
№
6 (51) 2018
52
ния
в
электроэнергетических
системах
//
Сборник
на
-
учно
-
технических
статей
сотрудников
Группы
компаний
«
Россети
».
М
.: «
ЭЛЕКТРОЭНЕРГИЯ
.
Передача
и
рас
-
пределение
», 2017. 184
с
.
16.
Integrated Bulk Power System Risk Assessment
Concepts: NERC Whitepaper, 2013. URL: https://www.
nerc.com/comm/PC/Performance%20Analysis%20
Subcommittee%20PAS%20DL/CDI_Whitepaper.pdf.
17.
Хаптахаева
Н
.
Б
.,
Дамбаева
С
.
В
.,
Аюшеева
Н
.
Н
.
Вве
-
дение
в
теорию
нечетких
множеств
.
Учебное
пособие
.
Улан
-
Удэ
:
Изд
.
ВСГТУ
, 2004. 68
с
.
18. Emanuele Ciapessoni. Threats and Risk Analysis in the
Management of Power System Security. URL: http://
www.after-project.eu/upload/moduli/pagine/public/
doc/AFTER%20-%20Threats%20and%20Risk%20
analysis%20in%20the%20management%20of%20PS%20
Security%20-%20Ciapessoni.pdf.
19. CRISALIS. Project. D7.1 Preliminary report on forensic
analysis for industrial systems, 2013. URL: http://www.
crisalis-project.eu/sites/crisalis-project.eu/files/crisalis_
deliverable-D7.1.pdf.
20.
Рыжов
А
.
П
.
Элементы
теории
нечетких
множеств
и
ее
приложений
.
М
.:
Диалог
-
МГУ
, 2003. 94
с
.
21.
Немчинов
Д
.
В
.
Оценка
риска
аварий
с
использовани
-
ем
экспертных
систем
//
Вестник
АГТУ
, 2007,
№
1(36).
С
. 40–45.
22.
Ротштейн
А
.
П
.
Нечетко
-
алгоритмический
анализ
на
-
дежности
сложных
систем
//
Кибернетика
и
системный
анализ
, 2011,
№
6.
С
. 102–115.
23. Andhra Pradesh. Fuzzy Neural Networks. Vol. 8, No. 5,
2017, pp. 700–704.
24. Nikam S.R., Nikumbh P.J., Kulkarni S.P. Fuzzy logic and
neuro-fuzzy modeling. Journal of Arti
fi
cial Intelligence,
Vol. 3, Issue 2, 2012, pp. 74–84.
25. Thi-Xuan Tran Huy-Khoi Do, Van-Nui Nguyen. ANFIS:
a method for training a fuzzy constraint network. Interna-
tional Journal of Science and Research (IJSR), Volume 6
Issue 12, December 2017.
26. Ajith Abraham, Baikunth Nath. Designing optimal neuro-
fuzzy architectures for intelligent control, 2015. URL:
https://www.researchgate.net/publication/2516419_De-
signing_Optimal_Neuro-Fuzzy_Architectures_for_Intelli-
gent_Control.
27.
Андриевская
Н
.
В
.,
Резников
А
.
С
.,
Черанев
А
.
А
.
Особен
-
ности
применения
нейро
-
нечетких
моделей
для
задач
синтеза
систем
автоматического
управления
//
Фун
-
даментальные
исследования
, 2014,
№
11-7.
С
. 1445–
1449.
28.
Кукса
П
.
П
.
Анализ
нейросетевых
-
нечетких
моделей
.
URL: http://pkuksa.org/~pkuksa/publications/nfm-analysis-
c-0-sept-03.pdf.
29.
Гришеленок
Д
.
А
.,
Ковель
А
.
А
.
Использование
резуль
-
татов
математического
планирования
эксперимента
при
формировании
обучающей
выборки
нейросети
//
Известия
вузов
.
Приборостроение
, 2011,
т
. 54,
№
4.
С
. 51–54.
30.
Гусева
М
.
В
.
Методы
и
алгоритмы
принятия
решений
на
основе
систем
нечеткого
вывода
,
мультимножеств
и
те
-
ории
генетических
алгоритмов
.
Автореферат
дисс
. ...
канд
.
техн
.
наук
.
Рязань
:
РГРТУ
, 2007. 21
с
.
31.
Раскатова
М
.
И
.
Методика
представления
нечетких
ис
-
ходных
данных
на
основе
экспертных
оценок
при
ре
-
шении
экономических
задач
//
Вестник
ЮУрГУ
.
Серия
:
Экономика
и
менеджмент
, 2013,
№
4. 203
с
.
32.
Булдакова
Т
.
И
.,
Миков
Д
.
А
.
Оценка
информационных
рисков
в
автоматизированных
системах
с
помощью
нейро
-
нечеткой
модели
//
Наука
и
образование
.
МГТУ
им
.
Н
.
Э
.
Баумана
.
Электрон
.
журн
., 2013.
№
11.
33. Khaitan, Siddhartha Kumar, McCalley, James D., Liu, Chen
Ching (Eds.) Cyber Physical Systems Approach to Smart
Electric Power Grid, 2015, 385 p.
34.
Гвоздев
Д
.
Б
.
Информационная
оценка
системы
диспет
-
черского
управления
//
Электрические
Станции
, 2006,
№
6.
С
. 47–51.
35.
Гвоздев
Д
.
Б
.
Разработка
критерия
оптимальной
инфор
-
мационной
нагрузки
диспетчера
ЦУС
предприятия
элек
-
трических
сетей
//
Вестник
МЭИ
, 2013,
№
2.
С
. 55–58.
36.
Юдин
А
.
Ю
.,
Пирогов
Г
.
В
.
Анализ
и
оценка
нормативных
документов
,
применяемых
при
обеспечении
информа
-
ционной
безопасности
Smart Grid
систем
. URL: https://
docplayer.ru/50761859-Analiz-i-ocenka-normativnyh-
dokumentov-primenyaemyh-dlya-obespecheniya.html.
REFERENCES
1. Livinskiy P.A., Gvozdev D.B. Innovation Energy System of
Russia in 2050.
Energeticheskaya politika
[Energy policy],
2017, no. 6, pp. 16–21. (in Russian)
2.
Teleupravleniye na podstantsiyakh: PS 330 kV "Gubkin"
i PS 500 kV "Shchelokov"
(Telecontrol at substations: 330 kV
Substation "Gubkin" and 500 kV Substation "Shchelokov").
Available at: http://digitalsubstation.com/blog/2018/06/27/
teleupravlenie-na-podstantsiyah-ps-330-kv-gubkin-i-ps-
500-kv-shhyolokov/ (accessed September 12, 2018).
3. Osak A.B., Panasetskiy D.A., Buzina E.Ya. Reliability and
safety aspects in the design of digital substations.
Materialy
IV mezhdunarodnoy nauchno-tekhnicheskoy konferentsii
"Sovremennyye napravleniya razvitiya sistem releynoy za-
shchity i avtomatiki energosistem"
[Proc. 4th Int. Scienti
fi
c
and Technical Conference "Modern directions of relay pro-
tection and automation development in power systems"].
Ekaterinburg, 2013, pp. 729-733. (in Russian)
4. Osak A.B., Panasetskiy D.A., Buzina E.Ya. Cybersecurity
of power facilities. Threats and possible consequences.
Sbornik dokladov XXII konferentsii "Releynaya zashchita
i avtomatika energosistem"
[Collection of reports of the
XXII Conference "Relay Protection and Automation of Pow-
er Systems"]. Moscow, 2014, pp. 417-423. (in Russian)
5. Byres E., Eng P. SCADA Security in a Post Stuxnet World /
Byres Security Inc – 2007. URL: https://www.to
fi
nosecurity.
com/sites/default/
fi
les/SCADA-Security-in-a-Post-Stuxnet-
World.pdf.
6. Garbuk S.V., Komarov A.A., Salov E.I. Overview of infor-
mation security incidents of foreign automated process
control systems. STC "Stankoinformzashchita".
Zashchita
informatsii. Insayd
["Za
ŝ
ita informacii. Inside"], 2010, no.6,
pp. 50-58. (In Russian)
7. Ashok A., Hahn A., Govindarasu M. A cyber-physical secu-
rity testbed for smart grid: System architecture and studies /
7th Annu. Workshop Cyber Security Inf. Intell. Res., 2011.
8.
Landshaft ugroz dlya sistem promyshlennoy avtomatizatsii,
vtoroye polugodiye 2017
(Landscape of threats to indus-
trial automation systems in the second half of 2017). Avail-
able at: https://ics-cert.kaspersky.ru/reports/2018/03/26/
threat-landscape-for-industrial-automation-systems-in-
h2-2017/#_Toc508825243 (accessed September 12,
2018).
УПРАВЛЕНИЕ
СЕТЯМИ
53
9. Osak A.B., Panasetskiy D.A., Buzina E.Ya. Human factor
when ensuring power facilities cybersecurity.
Sbornik dokla-
dov mezhdunarodnoy konferentsii "Sovremennyye naprav-
leniya razvitiya sistem releynoy zashchity i avtomatiki ener-
gosistem"
[Collection of reports of Int. Conference "Modern
directions of relay protection and automation development in
power systems"]. Sochi, 2015, pp. 1-7. (in Russian)
10. Federal Service for Technical and Export Control order
No. 31 dated March 14, 2014 "On approval of requirements
for ensuring information protection in automatic process con-
trol system at critical facilities, potentially hazardous facilities,
and facilities that pose risk to people life and environment").
Available at: http://docs.cntd.ru/document/499084780 (ac-
cessed November 18, 2018).
11. Basics of Russian state policy in the
fi
eld of international
information security for the period up to 2020). Available at:
http://legalacts.ru/doc/osnovy-gosudarstvennoi-politiki-ros-
siiskoi-federatsii-v-oblasti/ (accessed November 18, 2018).
12.
Federalnyy zakon ot 26.07.2017 no. 187-FZ "O bezopas-
nosti kriticheskoy informatsionnoy infrastruktury Rossiys-
koy Federatsii"
(Federal Law no. 187-FZ dated July 26,
2017 "On the security of the critical information infrastruc-
ture of the Russian Federation"). Available at: http://www.
consultant.ru/document/cons_doc_LAW_220885/ (acces-
sed November 18, 2018).
13. Hybrid Risk Management for Utility Networks, Hermann
de Meer, 2015. URL: https://hyrim.net/wp-content/uploads/
2015/05/Human_Centered_Energy_Management_Work-
shop.pdf.
14. Budovskiy V.P., Shulginov N.G. Assessment of power sys-
tems reliability using risk theory methods.
Materialy XXVII
sessii seminara "Kibernetika elektricheskikh sistem" po
tematike "Diagnostika energooborudovaniya"
[Proceed-
ings of the XXVII session of the seminar "Cybernetics of
electrical systems" on the subject of "Power equipment di-
agnostics"]. Novocherkassk, 2006. (in Russian)
15. Gvozdev D.B., Arkhangelskiy O.D. Safety analysis of auto-
mated dispatch control systems in electric power systems.
Sbornik nauchno-tekhnicheskikh statey sotrudnikov Grup-
py kompaniy "Rosseti"
[Collection of scienti
fi
c and techni-
cal articles of Rosseti Group employees], 2017.
16. Integrated Bulk Power System Risk Assessment Con-
cepts: NERC Whitepaper, 2013. URL: https://www.nerc.
com/comm/PC/Performance%20Analysis%20Subcommit-
tee%20PAS%20DL/CDI_Whitepaper.pdf.
17. Khaptakhayeva N.B., Dambayeva S.V., Ayusheyeva N.N.
Vvedeniye v teoriyu nechetkikh mnozhestv
[Introduction to
the theory of fuzzy sets]. Ulan-Ude, ESSUTM Publ., 2004.
68 p.
18. Emanuele Ciapessoni. Threats and Risk Analysis in the
Management of Power System Security. URL: http://
www.after-project.eu/upload/moduli/pagine/public/doc/
AFTER%20-%20Threats%20and%20Risk%20analy-
sis%20in%20the%20management%20of%20PS%20Se-
curity%20-%20Ciapessoni.pdf.
19. CRISALIS. Project. D7.1 Preliminary report on forensic
analysis for industrial systems, 2013. URL: http://www.
crisalis-project.eu/sites/crisalis-project.eu/
fi
les/crisalis_de-
liverable-D7.1.pdf.
20. Ryzhov A.P.
Elementy teorii nechetkikh mnozhestv i eye
prilozheniy
[Fuzzy sets theory elements and its applica-
tions]. Moscow, Dialog-MGU Publ., 2003. 94 p.
21. Nemchinov D. V. Risk assessment of accidents using ex-
pert systems.
Vestnik AGTU
[Astrakhan State Technical
University news], 2007, no. 1(36), pp. 40–45. (in Russian)
22. Rotshteyn A.P. Fuzzy-algorithmic analysis of complex sys-
tems reliability.
Kibernetika i sistemnyy analiz
[Cybernetics
and Systems Analysis], 2011, no. 6, pp. 102–115. (in Rus-
sian)
23. Andhra Pradesh. Fuzzy Neural Networks. Vol. 8, No. 5,
2017, pp. 700–704.
24. Nikam S.R., Nikumbh P.J., Kulkarni S.P. Fuzzy logic and
neuro-fuzzy modeling. Journal of Arti
fi
cial Intelligence,
Vol. 3, Issue 2, 2012, pp. 74–84.
25. Thi-Xuan Tran Huy-Khoi Do, Van-Nui Nguyen. ANFIS:
a method for training a fuzzy constraint network. Interna-
tional Journal of Science and Research (IJSR), Volume 6,
Issue 12, December 2017.
26. Ajith Abraham, Baikunth Nath. Designing optimal neuro-
fuzzy architectures for intelligent control, 2015. URL:
https://www.researchgate.net/publication/2516419_De-
signing_Optimal_Neuro-Fuzzy_Architectures_for_Intelli-
gent_Control.
27. Andriyevskaya N.V., Reznikov A.S., Cheranev A.A. Fea-
tures of neuro-fuzzy models application for automatic
control systems synthesis problems.
Fundamentalnyye
issledovaniya
[Fundamental research], 2014, no. 11-7,
pp. 1445–1449. (in Russian)
28. Kuksa P.P.
Analiz neyrosetevykh-nechetkikh modeley
(Analysis of neural-fuzzy models). Available at: http://pkuk-
sa.org/~pkuksa/publications/nfm-analysis-c-0-sept-03.pdf
(accessed November 18, 2018).
29. Grishelenok D.A., Kovel A.A. Application of the results of
mathematical experiment planning when creating neuron
network training sample.
Izvestiya vuzov. Priborostroyeni-
ye
[Journal of Instrument Engineering], 2011, vol. 54, no. 4,
pp. 51–54. (in Russian)
30. Guseva M.V.
Metody i algoritmy prinyatiya resheniy na os-
nove sistem nechetkogo vyvoda, multimnozhestv i teorii
geneticheskikh algoritmov
[Decision-making methods and
algorithms based on fuzzy logic systems, multisets and
genetic algorithms theory] Cand. Diss. Abstract. Ryazan,
2007. 21 p.
31. Raskatova M.I. Methods of presenting fuzzy source data
based on expert assessments when solving economic prob-
lems.
Vestnik YUUrGU. Seriya: Ekonomika i menedzhment
[Bulletin of South Ural State University, Series "Economics
and Management"], 2013, no. 4, pp. 203. (in Russian)
32. Buldakova T. I., Mikov D. A. Information risks assessment
in automated systems using neuro-fuzzy model.
Nauka
i obrazovaniye
[SCIENCE & EDUCATION], 2013, no. 11.
(in Russian)
33. Khaitan, Siddhartha Kumar, McCalley, James D., Liu, Chen
Ching (Eds.) Cyber Physical Systems Approach to Smart
Electric Power Grid, 2015, 385 p.
34. Gvozdev D.B. Informational assessment of the dispatch
control system.
Elektricheskie stantsii
[Power Plants],
2006, no.6, pp. 47-51. (In Russian)
35. Gvozdev D.B. Development of a criterion for optimal in-
formation load of the dispatcher of the grid control center.
Vestnik MEI
[MPEI news], 2013, no. 2, pp. 55-58. (in Rus-
sian)
36. Yudin A.Yu., Pirogov G.V.
Analiz i otsenka normativnykh
dokumentov, primenyayemykh pri obespechenii informat-
sionnoy bezopasnosti Smart Grid system
(Analysis and
assessment of regulatory documents used for ensuring
information security of Smart Grid systems). Available at:
https://docplayer.ru/50761859-Analiz-i-ocenka-norma-
tivnyh-dokumentov-primenyaemyh-dlya-obespecheniya.
html (accessed November 18, 2018)
№
6 (51) 2018
Оригинал статьи: Вопросы оценки рисков нарушения управляемости АСДУ в сложных электроэнергетических системах
В настоящей статье предложены методические подходы к оценке рисков сложных ЭЭС. В предложенной методике в качестве входных данных могут использоваться как статистические (количественные) показатели, так и качественные (экспертные) оценки; в качестве математического аппарата предложено использовать нейро-нечеткие сети (ННС). Для решения проблемы создания обучающей выборки для ННС предложено использовать концепцию полунатурного моделирования с использованием цифрового симулятора RTDS.