Systems. Methods. Technologies 3(35) 2017

Systems Methods Technologies. D.K. Eltyshev . To the question of developing … 2017 № 3 (35) p. 57-63 60 Задача нечеткой кластеризации в общем виде опре - деляется функционалом : ∑∑ = = с p K k A b k jp D f 1 1 2 ) µ ( =) , , ( VUX , (2) где V = ( v 1 , v 2 ,…, v N ) — координаты центров кластеров , полученные по трендам диагностических параметров ЭО ; v j = ( v j 1 , v j 2 ,…, v j с ) — центры кластеров для j - го контролируемого параметра ; c — число кластеров ; U = ( u 1 , u 2 ,…, u N ) — матрица нечеткого разбиения дан - ных ; u j = [ k jp µ ] — матрица степеней принадлежности ]1,0[ µ ∈ k ip к p - му кластеру k - го измерения j - го парамет - ра из выборки данных X ( k ) = ( x 1 k , x 2 k , …, x N k ), k = 1: K ; ∑ = = n i i n N 1 — общее число ключевых контролируемых диагностических параметров ЭО ; b — экспоненциаль - ный вес ; D 2 A — норма расчета расстояния ( метрики ). Для оценки качества кластеризации могут быть ис - пользованы единичные и комплексные критерии [7]. Для выбора числа кластеров c и параметров нечеткого разбиения целесообразно учитывать критерий точности работы ( классификации ) модели оценки ТС ЭО . Для упрощения расчетов по результатам кластери - зации строятся типовые ФП ( Гауссова , колоколообраз - ная и др .) для каждого терма входных переменных . В соответствии с исследованиями , проведенными в [8], для повышения прозрачности разрабатываемой модели полученные ФП модифицируются путем приведения к единице степеней принадлежности точек , расположен - ных левее крайнего левого и правее крайнего правого центров максимумов , на всем интервале изменения переменной ( диагностического параметра ЭО ). На втором этапе для настройки параметров полу - ченной нечеткой модели решается задача многопара - метрической оптимизации с использованием классиче - ских или эвристических методов [16]. Переменными в задаче являются веса правил базы знаний ( блок № 4). В качестве критерия оптимизации принимается нахожде - ние минимума целевой функции , представленной как среднеквадратическое отклонение результата модели - рования от данных эксперимента ( реальных ), взвешен - ное в зависимости от наличия ( отсутствия ) ошибки классификации [10]: ∑ ∑ = =       ⋅ + ⋅Ω ∆ K k l t k k P K 1 1 2 )( ]1 ) , ( [ 1 σ X , (3) где ) , ( µ ) ( µ )( )( Ω − = k s k s t t Y X σ — невязка данных мо - делирования и эксперимента ; ) ( µ ) ( k s Y t и ) , ( µ ) ( Ω k s t X — степени принадлежности значения выходной пере - менной Y в k - й строке обучающей выборки и результата нечеткой классификации при параметрах модели Ω и значениях входных переменных X ( k ) к классу s t ; ∆ k ( X ( k ) , Ω ) — наличие ошибки классификации состоя - ния ( ноль или единица ); ] ,0[ ∞∈ P — коэффициент взвешивания для увеличения приоритета ошибочно распознанных состояний . Полученная нечеткая модель используется для оп - ределения фактического и прогнозного [17, 18] ТС ЭО Y * по результатам мониторинга значений ключевых параметров X * ( подсистема III), передаваемых в ЭДС . Итоги оценки ТС ЭО обрабатываются подсистемой принятия решений ( блок IV) и являются основанием для формирования рекомендаций G в части проведения ремонтно - эксплуатационных мероприятий ( изменение регламента мониторинга ( диагностики ), профилактиче - ский ремонт и т . д .), которые используются инженерно - техническим персоналом на этапе планирования ТОиР . Методика работы интеллектуальной экспертно - диагностической системы . Предлагаемая методика функционирования ЭДС как инструмента интеллектуа - лизации деятельности персонала предполагает взаимо - действие на уровне систем контроля ( мониторинга , диагностики ) состояния электросетевых объектов и уровне формирования стратегии проведения ТОиР по фактическому ТС оборудования [6, 8, 9]. Мониторинг состояния оборудования ( блок № 6) может произво - диться как периодически , так и в штатном режиме ( on- line ). Преимущество отдается методам и технологиям неразрушающего контроля , позволяющим производить обследование объекта без отключения от питающей сети . Ключевым аспектом работы системы является возможность формирования единой информационной среды , позволяющей накапливать данные по работе ЭО и использовать их для повышения достоверности ре - зультатов оценки ТС и принятия решений , направлен - ных на оптимизацию эксплуатационных затрат ( блоки № 10, 11). Последовательность основных этапов формирова - ния и функционирования ЭДС для оценки ТС ЭО в контексте интеллектуальной поддержки принятия управленческих решений персоналом , обслуживающим электросетевые объекты , приведена на рис . 2. Методика применима к различным видам , типам и группам ЭО и требует построения ( настройки ) нечет - ких диагностических моделей ( уровни I и II, рис . 1; блоки № 1–5, рис . 2) применительно к выбранному объекту исследования [19–21]. Интерпретация резуль - татов ( блок № 9), полученных при помощи нечеткой модели , и формирование рекомендаций ЭДС выполня - ется с учетом условий функционирования ЭО , требова - ний нормативно - технической документации и опыта специалистов в рассматриваемой предметной области . При этом механизм работы ЭДС предполагает возмож - ность выработки рекомендаций как по отдельным эле - ментам ЭО , включая анализ и устранение типовых де - фектов , так и в соответствии с интегральной оценкой ТС , включая определение стратегии дальнейшей экс - плуатации отдельных единиц ЭО и всего парка обору - дования электросетевого объекта . Исследование методики работы интеллектуаль - ной экспертно - диагностической системы . Рассмот - рим практические возможности использования методи - ки функционирования ЭДС на примере экспресс - оценки ТС высоковольтных выключателей , входящих в состав электросетевой инфраструктуры , обеспечиваю - щей электроснабжение распределенных промышлен - ных объектов ( нефте - и газодобыча ), расположенных на территории Пермского края .