Вопросы оценки рисков нарушения управляемости АСДУ в сложных электроэнергетических системах

Page 1
background image

Page 2
background image

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

 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

-


Page 3
background image

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


Page 4
background image

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

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

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

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


Page 5
background image

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


Page 6
background image

50

В

 

аналитическом

 

виде

 

такая

 

функция

 

описывается

 

выражени

-

ем

 

вида

:

 0, 

если

 

x

 

 

a

,

 

x

 – 

a

 

 

x

 

 

b,

 

b

 – 

a

 f

(

x

a

b

c

) = 

                          

   ,(1)

 

c

 – 

x

 

 

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


Page 7
background image

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