Використання генетичних алгоритмів в оперативній діагностиці обладнання ЕЕС
В статті розглянуто приклад використання генетичного алгоритму в формуванні бази даних для навчання нейронної мережі, яка використовується для оптимізації програмного забезпечення мікропроцесорного пристрою діагностики РПН силових трансформаторів. In the article the example of the use of genetic alg...
Saved in:
| Published in: | Математичне та комп'ютерне моделювання. Серія: Фізико-математичні науки |
|---|---|
| Date: | 2008 |
| Main Authors: | , , |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2008
|
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/18683 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Використання генетичних алгоритмів в оперативній діагностиці обладнання ЕЕС / П.Д. Лежнюк, О.Є. Рубаненко, М.І. Пиріжок // Математичне та комп'ютерне моделювання. Серія: Технічні науки: зб. наук. пр. — Кам’янець-Подільський: Кам'янець-Подільськ. нац. ун-т, 2008. — Вип. 1. — С. 119-130. — Бібліогр.: 8 назв. — укр. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859616808892366848 |
|---|---|
| author | Лежнюк, П.Д. Рубаненко, О.Є. Пиріжок, М.І. |
| author_facet | Лежнюк, П.Д. Рубаненко, О.Є. Пиріжок, М.І. |
| citation_txt | Використання генетичних алгоритмів в оперативній діагностиці обладнання ЕЕС / П.Д. Лежнюк, О.Є. Рубаненко, М.І. Пиріжок // Математичне та комп'ютерне моделювання. Серія: Технічні науки: зб. наук. пр. — Кам’янець-Подільський: Кам'янець-Подільськ. нац. ун-т, 2008. — Вип. 1. — С. 119-130. — Бібліогр.: 8 назв. — укр. |
| collection | DSpace DC |
| container_title | Математичне та комп'ютерне моделювання. Серія: Фізико-математичні науки |
| description | В статті розглянуто приклад використання генетичного алгоритму в формуванні бази даних для навчання нейронної мережі, яка використовується для оптимізації програмного забезпечення мікропроцесорного пристрою діагностики РПН силових трансформаторів.
In the article the example of the use of genetic algorithm is considered in forming of database for the studies of neuron network which is used for optimization of microprocessor device of diagnostics of RPN of power transformers software.
|
| first_indexed | 2025-11-28T20:41:50Z |
| format | Article |
| fulltext |
Серія: Технічні науки. Випуск 1
119
8. Кондратюк А. В., Мазурець О. В. Розробка системи адаптивного аналізу
спектральної інформації для оптимізації розпізнавання зашумлених обра-
зів за допомогою нейронних схем // Збірник наукових праць за матеріа-
лами другої всеукраїнської науково-технічної конференції “Актуальні
проблеми комп’ютерних технологій 2008” – Хмельницький – ХНУ, 2008.
– Т.1 – C.127-135.
9. Ковальчук С. С., Рыбак Л. П., Мазурец А. В. Создание системы для рас-
познавания рукописных текстов на базе нейронных схем // Сборник тру-
дов Международной научной конференции “Нейросетевые технологии и
их применение”. – Краматорск, 2004. – С.89-103.
10. Арлазаров В. Л., Троянкер В. В., Котович Н. В. Адаптивное распознава-
ние символов // “Интеллектуальные технологии ввода и обработки ин-
формации”. – М.: Эдиториал УРСС, 1998.
11. Кубик О. О., Мазурець О. В. Технологія декомпозитивного розпізнавання
символьної інформації з креслень на базі нейросхемних алгоритмів // Збі-
рник наукових праць за матеріалами другої всеукраїнської науково-
технічної конференції “Актуальні проблеми комп’ютерних технологій
2008”. – Хмельницький: ХНУ, 2008. – Т.1 – С.151-161.
It is designed new method of decompozitive recognitions of the draw-
ings by way of the phased branch from them and recognitions of its parts.
Described technology of division of the drawing on blocks of graphic and
symbol information with use neural schemes. The organized analysis of
perspective technologies of the artificial intelligence for the reason deter-
minations of the optimum method of the recognition to symbol information
on graphic images.
Key words: recognitions, recognitions of the drawings, artificial intel-
ligence, neural network, neural schemes.
Отримано: 05.06.2008
УДК 621.396.218
П. Д. Лежнюк, О. Є. Рубаненко, М. І. Пиріжок
Вінницький національний технічний університет
ВИКОРИСТАННЯ ГЕНЕТИЧНИХ АЛГОРИТМІВ
В ОПЕРАТИВНІЙ ДІАГНОСТИЦІ ОБЛАДНАННЯ ЕЕС
В статті розглянуто приклад використання генетичного ал-
горитму в формуванні бази даних для навчання нейронної ме-
режі, яка використовується для оптимізації програмного за-
безпечення мікропроцесорного пристрою діагностики РПН
силових трансформаторів.
Ключові слова: нейронні мережі, автономне адаптивне
діагностування, нейронне моделювання, генетичний алгоритм,
методадаптивної діагностики, РПН, сукупність серії вимірів.
Вступ. Основою електроенергетики країни є Об’єднана енерге-
тична система (ОЕС) України, яка здійснює централізоване електро-
© П. Д. Лежнюк, О. Є. Рубаненко, М. І. Пиріжок, 2008
Математичне та комп’ютерне моделювання
120
забезпечення внутрішніх споживачів, взаємодіє з енергосистемами
суміжних країн, забезпечує експорт, імпорт і транзит електроенергії.
Електроенергетичній галузі притаманні специфічні особливості, зу-
мовлені одномоментністю вироблення і споживання енергії, надзви-
чайно складним технологічним циклом її одержання, необхідністю
централізованого диспетчерського оперативно-технологічного керу-
вання всім комплексом у цілому, забезпечення надійності і безпеки
функціонування обладнання. Усе це можливо лише за умови ефекти-
вного, надійного та якісного контролю силового обладнання такого
як силові трансформатори та їх РПН. Що дозволить виявляти та про-
гнозувати їх технічний стан та його надійність в цілому. В свою чергу
це дозволить не тільки своєчасно виводити обладнання в ремонт, а й
значно ефективніше керувати перетоками потужностей в системі,
враховуючи та прогнозуючи технічний стан РПН силових трансфор-
маторів в кожному вузлі окремо. Особливо актуально це питання по-
стає в умовах неповноти отриманої інформації про РПН трансформа-
тора та його стан. Саме для розв’язання подібних задач найкращим
чином зарекомендували себе алгоритми що базуються на нейронних
мережах та генетичних алгоритмах. Найважливішим моментом при
проектуванні систем, що базуються на алгоритмах нейронних мереж,
є визначення та встановлення параметрів навчання, а також вибір
самої структури нейронної мережі. В останній час поширеним алго-
ритмом навчання нейронних мереж є алгоритм зворотнього поши-
рення помилки, однак в нього є свої недоліки:
– можливість передчасної зупинки із-за попадання в область ло-
кального мінімуму;
– необхідність багаторазового потрапляння всієї навчальної
множини для отримання заданої якості розпізнавання,
– відсутність прийнятних оцінок часу навчання.
Тому на даний час актуальною є задача вдосконалення методів
та засобів діагностування РПН силових трансформаторів, визначення
їх ресурсу мікропроцесорними пристроями в умовах неповноти вихі-
дних даних. Перспективним для рішення цієї задачі є використання
генетичних алгоритмів.
Постановка задачі (автономне адаптивне діагностування).
Генетичний алгоритм є найвідомішим на даний момент представни-
ком еволюційних алгоритмів і за своєю суттю є алгоритмом для зна-
ходження глобального екстремуму багатоекстремумної функції. Він
полягає в паралельній обробці множини альтернативних рішень. При
цьому пошук концентрується на найбільш перспективних з них. Це
свідчить про можливість використання генетичних алгоритмів при
вирішенні будь-яких завдань штучного інтелекту, оптимізації, ухва-
лення рішень.
Серія: Технічні науки. Випуск 1
121
Як відомо, автоматичні і автоматизовані пристрої складаються з
апаратної та програмної частини. Традиційно автоматичні системи
діагностування реалізовували математичні моделі діагностованих об’є-
ктів та враховували специфіку зміни технічного стану цих об’єктів в
конкретних умовах експлуатації та враховували особливості поведінки
діагностованого об’єкту в умовах експлуатації. Останніми роками все
більш широкого поширення набувають системи діагностування, чиї
принципи функціонування відносяться до області роботи з базою знань
– до штучного інтелекту (ШІ). Такі стреми використовують експертні
системи, штучні нейронні мережі, системи з підкріплюючим навчан-
ням, системи на основі нечіткої логіки, і т.п. Також перспективним для
застосування в автоматичних та автоматизованих системах діагносту-
вання є метод автономного адаптивного діагностування (ААД).
Методологія ААД дозволяє створювати адаптивні системи діаг-
ностування для задач, в яких створення точних математичних моделей
об'єкта діагностування ускладнене або неможливе. Система ААД ви-
користовує підсистеми (блок сенсорів, виконавчі органи, систему фор-
мування і розпізнавання образів дефектів, базу знань про можливі ста-
ни об’єкту діагностування, систему моделювання реакцій об’єкту діаг-
ностування на зміни стану, блок ухвалення рішень про реальний стан
об’єкту та можливості його подальшої експлуатації), що входять до її
складу, накопичує емпірично знайдені знання про стан об'єкту діагнос-
тування і знаходить спосіб впливати на подальшу експлуатацію цього
об’єкту (обмеження навантажень трансформаторів, генераторів, обме-
ження кількості спрацювань комутаційних апаратів і т.п.). Підсистеми
організовані у вигляді структури, загальної для всіх систем ААД. Під-
системи можуть бути реалізовані на основі різних підходів, у тому чи-
слі і на основі мереж нейроподібних елементів, розроблених для сис-
тем ААД. В наш час проблеми, пов'язані з останнім варіантом реаліза-
ції систем ААД, є актуальними для подальшого розвитку методу [3].
Однією з основних проблем, пов'язаних з методологією ААД,
була відсутність чітких рекомендацій по синтезу і оптимізації пара-
метрів систем діагностування, що розробляються для конкретних
прикладних завдань. Наявність методики синтезу і оптимізації систем
ААД дозволить отримувати ефективніші системи діагностування.
Системи ААД є новим видом нейроподібних систем діагносту-
вання [7]. Оскільки такого роду системи імітують роботу біологічних
нервових систем, то дослідження в цій області спираються не лише
на знання теорії управління, розпізнавання, статистики і інших необ-
хідних розділів математичних наук, але і на знання основ нейрофізіо-
логії, генетики, біології розвитку. Концепція систем ААД спирається
на уявлення про структуру і функції нервової системи, які логічно
вимушено виходять з тих умов, в яких існують нервові системи. Згід-
но концепції ААД, така система діагностування повинна одночасно
Математичне та комп’ютерне моделювання
122
вирішувати декілька складних задач, а саме: завдання автоматичної
класифікації, розпізнавання дефектів, моделювання можливих реак-
цій на зміну станів, отримання висновку, ухвалення рішень і деякі
інші. До властивостей, які характерні для системи ААД, відносяться:
адаптивність, навчання, діагностування в одному процесі, багатокри-
теріальність визначення технічного стану, універсальність, придат-
ність для адаптивного діагностування різних об'єктів.
Система ААД складається з декількох функціональних підсистем,
відповідальних за виконання кожного з перерахованих вище завдань. А
саме таких підсистем, як: блок сенсорів, система формування і розпі-
знавання образів, база знань і система її формування, система ухвален-
ня рішення про подальшу експлуатацію, блок виконавчих органів.
Всі основні підсистеми можуть бути реалізовані на основі мереж
нейроподібних елементів [7].
Зараз однією з основних проблем в рамках методології ААД є
необхідність розвитку формалізованої методики синтезу систем діаг-
ностування для прикладних завдань. Тому, при синтезі прикладних
систем ААД, використовуються евристичні методи і прості матема-
тичні моделі.
Синтез системи ААД є завданням великої розмірності, вирішити
яке аналітично на даному етапі складно. Для її вирішення потрібно
знати точну модель взаємозв'язків всіх параметрів, які характеризу-
ють систему (РПН трансформатора: параметри контактора, парамет-
ри елементів шафи управління, параметри вибирача і т.п.). З причини
відсутності повної математичної моделі РПН, яка зв'язує всі ці пара-
метри з критеріями якості функціонування, задачу синтезу необхідно
вирішувати методом вибору найбільш інформативних з цих парамет-
рів, або найбільш інформативних серій вимірів цих параметрів.
Завдання синтезу систем ААД можна розглядати як завдання,
яке складається з двох складових:
– завдання підбору оптимальних контрольованих параметрів, які
надходять з блоку сенсорів і блоку виконавчих органів в комплексі;
– завдання підбору оптимальних параметрів підсистем, що вхо-
дять до складу системи ААД.
Одна з задач передбачає оптимізацію кількості даних. Які збері-
гаються в БД. При малій кількості зростає похибка визначення техні-
чного стану через неповноту інформації. При занадто великій базі,
вагові коефіцієнти правил в базі знань можуть бути невиправдано
завищені або занижені, що також призводить до зростання похибки.
Невиправдане зростання інформації в БД призводить до уповільнення
роботи систем ААД та до зростання її вартості. Тому задача оптимі-
зації кількості і якості вимірювань, які заносяться в базу даних і по
яким формується база знань є досить актуальною.
Серія: Технічні науки. Випуск 1
123
Тому задача полягає в розробці автономної адаптивної системи
діагностування РПН трансформатора, яка б дозволяла прогнозувати
залишковий ресурс РПН в умовах неповноти вихідних даних.
Метод оптимізації БД системи АДД РПН. Пропонуємо вико-
ристовувати метод генетичного алгоритму з метою оптимізації БД
системи ААД РПН трансформаторів. Одним з показників технічного
стану РПН є залишковий ресурс. Під час управління режимом ЕЕС
диспетчер енергосистеми враховує стан РПН трансформаторів, але
визначає його по результатам постійного моніторингу та по результа-
тах попередніх вимірювань, наприклад під час ремонту. За таких
умов значення параметрів, які в даний момент не вимірювались фак-
тично є прогнозованими. Тому і залишковий ресурс РПН, на момент
прийняття диспетчером рішень по підтриманню параметрів режиму
ЕЕС, є прогнозованим.
Похибка прогнозування ресурсу РПН трансформатора повинна
бути мінімальною. Використання генетичного алгоритму направлене
на мінімізацію цієї похибки.
Для цього формуємо популяція серій вимірів, які є базою почат-
кових даних параметрів (CO, CO2, C2H4, C2H6, C2H2, tgδ, I, W, R, Kf),
де CO, CO2, C2H4, C2H6, C2H2 – гази, які містяться в баку вибирача
РПН, R – опір обмоток, tgδ – тангенс кута діелектричних втрат масла
в баку трансформатора, I – струм споживання привода РПН, W –
вміст вологи в маслі.
База початкових даних створюється за результатами попередніх
періодичних вимірювань, випробовувань, контролю під час різних
видів ремонтів РПН. По ним навчається початкова нейрона мережа.
Результати навчання корегуються шляхом врахування думки спеціа-
лістів – експертів, які займаються ремонтами, обслуговуванням та
експлуатацією РПН. Такі моделі будуються для РПН однотипних
трансформаторів, які створюють популяцію РПН. Під час експлуата-
ції в контролер РПН будуть надходити нові дані від сенсорів, які ха-
рактеризують стан РПН.
Для кожної такої серії вимірів (з популяції РПН) обчислюється
функція пристосованості для використання цієї серії в новій базі да-
них та в перенавчанні мережі. Це необхідно для того щоб забезпечи-
ти доповнення існуючої бази даних лише такими результатами, які не
погіршують похибку навчання.
В подальшому ця база даних використовується в перенавчанні
нейроної мережі з метою адаптації нейромоделі до реальних умов
експлуатації. За допомогою функції пристосованості проводиться
відбір серій вимірювань, які мають найкращі властивості, для визна-
чення наступного покоління подібних серій вимірювань на основі
операцій схрещування і мутації, які описуються нижче.
Інформація надходить в мікропроцесорний контролер від сенсо-
рів, які встановлені на РПН. Під “правдивістю” розуміємо узгодже-
Математичне та комп’ютерне моделювання
124
ність (з заздалегідь прийнятою похибкою) отриманих в результаті
моделювання значень коефіцієнта залишкового ресурсу трансформа-
тора зі значеннями цього ж коефіцієнта з бази даних.
Значення функції пристосованості даної серії вимірів для її засто-
сування в перенавчанні нейронної мережі обчислюється шляхом інтег-
рування функції похибки навчання мережі по кількості серій вимірів в
новій базі даних. Нова БД була створена шляхом додавання до існую-
чої БД нової серії вимірів. Якщо значення функція пристосованості
зростає, то нова БД відкидається і залишається передостання БД.
Зона інтегрування визначається інтервалом від 0 до N + 1, де N –
кількість серій вимірів в передостанній БД.
Для реалізації запропонованого методу в зону інтеграції пері-
одично надходять значення кожної наступної серії вимірів. Ці дані
отримують від сенсорів в режимі ON-Line під час експлуатації РПН.
Для кожного випадку надходження значень параметрів нової се-
рії вимірів в БД, обчислюється значення штрафної функції, яка хара-
ктеризує середньоквадратичну похибку навчання мережі.
Така процедура надходження нових серій вимірів і підрахунку
значень штрафної функції проводиться багато (N) раз, наприклад
N = 100 (100 серій в одній сукупності тобто для одного РПН).
Далі розраховується значення функції пристосованості нової су-
купності серій вимірів до існуючої БД за виразом:
[ ] MSENdiiMSEF
N
×≈−= ∫
0
)(1 , (1)
де N – кількість серій вимірів в новій сукупності, i – поточний номер
серії вимірів в новій сукупності серій вимірів, MSE – середньоквад-
ратична похибка навчання мережі за умови додавання до існуючої БД
поточної серії вимірів із сукупності серій, яка розраховується шляхом
порівняння результатів моделювання з результатами в БД.
MSE для кожної серії вимірів розраховується за формулою:
( )
N
PP
N
j
j∑
=
−
= 1
2
σ . (2)
Наступні 100 вимірів розраховуються так само.
Після обробки одночасно отриманих (для різних РПН з популя-
ції) серій вимірів вони ранжуються за зростанням значення функції
пристосованості.
Використання методу генетичних алгоритмів. Метод генети-
чних алгоритмів передбачає наступні етапи: формування батьківсь-
ких пар, схрещування, мутація, селекція.
Серія: Технічні науки. Випуск 1
125
Розглянемо перший етап – формування батьківських пар. Відбір
сукупностей серій вимірів в батьківські пари відбувається у відповід-
ності зі значеннями функції пристосовуваності. Розраховується сере-
днє значення функції пристосованості всієї популяції F . Для кожної
сукупності серії вимірів (ССВ) визначаємо параметр pi розр, який дорі-
внює відношенню функції пристосованості ССВ до сумарної присто-
сованості всієї популяції (складається з ССВ різних РПН). Для тих
ССВ, в яких значення функції пристосованості iF < F ймовірність
вибору приймаємо такою, яка дорівнює 0,1pi розр. Підраховуємо кіль-
кість М1 таких ССВ і паралельно розраховуємо суму
∑
−
=
− =
1
1
1 9.0~
МM
i
розрiMМi pp , (3)
де М – кількість ССВ (а значить і контрольованих РПН). Для тих
ССВ в яких функція пристосованості iF ≥ F ймовірність вибору
приймаємо такою, яка дорівнює
i
розрiММi MM
рpp
−
+=−
~
1 , (4)
де через M позначена чисельність всієї популяції. Після цього відпо-
відно до значення “вирогідності вибору” формуються батьківські
пари. Кожна пара складається з двох різних ССВ з найбільшими су-
марними значеннями вірогідності вибору. Допускається входження
однієї і тієї ж серії в декілька батьківських пар [8].
Якщо чисельність популяції дорівнює M, то формується M – 1
батьківська пара. Кожна батьківська пара утворює одного нащадка.
Серія вимірів з якнайкращими значенням функції пристосованості
додається до наступного покоління автоматично.
Таким чином, при переході від покоління до покоління чисель-
ність популяції M (кількість РПН) не змінюється.
Розглянемо другий етап генетичного алгоритму – схрещування.
Як тільки батьківські пари вибрані, до них застосовується оператор
схрещування. Існує багато різних версій цього оператора [5], серед
яких простим, є однорідний оператор. По результатах вимірів, які
містяться в ССВi та ССВj (одного – i та іншого – j батьків) він будує
рішення ССВij нащадка, надаючи кожному параметру цього вектора
(ССВij) з вірогідністю 0,5 відповідне значення одного з батьків. Якщо
вектора параметрів ССВi та ССВj співпадали скажемо по першій серії
вимірів, то вектор параметрів ССВij “успадкує” це значення. Геомет-
рично, оператор схрещування вибирає в гіперкубі вершину ССВij, яка
належить мінімальній грані, що містить вершини ССВi та ССВj. Опе-
ратор схрещування вибирає нове рішення ССВij між ССВi та ССВj.
Математичне та комп’ютерне моделювання
126
Таким рішенням ССВij буде оптимальне рішення початкової задачі на
відповідній грані гіперкуба.
Результатом схрещування ССВi та ССВj буде сукупність параме-
трів ССВij, яка містить в собі параметри серій вимірів ССВi та ССВj.
Де ССВi та ССВj сукупність параметрів серії вимірів РПНі та РПНj
відповідно. Допускається входження однієї і тієї ж серії в декілька
батьківських пар.
Параметри ССВj дописуються до існуючої БД по кожній серії
вимірів окремо. Потім мережа перенавчається. Якщо похибка на-
вчання зростає порівняно з похибкою попереднього навчання, то така
серія вимірів з ССВij відкидається.
Розглянемо третій етап генетичного алгоритму – мутацію.
Кожна ССВi,j з популяції з вірогідністю pmut може піддатися мутації.
В результаті мутації утворюється ССВм, якій надаються нові значен-
ня серій вимірів, змінені випадковим чином з області допустимих
значень. Нові параметри серії вимірів, які піддалися мутації, вибира-
ються, виходячи з нормального закону розподілу N (µ, σ2), у якого µ
рівно початковому значенню параметра в серії вимірів, а σ2 = 2p, де p
– відстань між значеннями параметрів серії вимірів, що піддалися
мутації, і серії вимірів з покоління “батьків” з якнайкращими значен-
ням функції пристосованості.
Якщо нові значення визначальних параметрів не потрапляють в
область допустимих значень, то операція випадкового вибору нових
параметрів проводиться знову. Створення ССВм припиняється, коли
кількість серій вимірів в ній дорівнюватиме кількості серій вимірів в
інших ССВ. Параметри з ССВм дописуються в БД за раніше запропо-
нованим алгоритмом.
Розглянемо четвертий етап генетичного алгоритму – селекцію
(відбір). Одним з найважливіших еволюційних чинників є природний
відбір. Він діє, перш за все, в межах кожної популяції, залишаючи
(або знищуючи) ті або інші генотипи.
У генетичному алгоритмі відбір виконує три важливі функції:
1) виключення з популяції некоректних (неможливих) індивідів,
які могли з’явитися в результаті застосування операторів схрещуван-
ня і мутації;
2) видалення з популяції однакових індивідів, що дозволяє уни-
кнути ситуації, коли нащадки одного індивіда з кращою пристосова-
ністю заповнюють популяцію, зменшуючи, таким чином, різноманіт-
ність генетичного матеріалу;
3) обмеження розміру популяції, у випадку якщо заданий її мак-
симальний розмір (а це доводиться часто робити, враховуючи апара-
тні та програмні обмеження систем діагностики та контролю РПН). В
цьому випадку з популяції виключаються індивіди з найменшим зна-
ченням цільової функції.
Серія: Технічні науки. Випуск 1
127
Оператор відбору, вживаний до популяції Крес і, записуватимемо як:
( )maxmax ,,,: relabsi EEMaxSizeKinSelection , (5)
де MaxSize – максимальний розмір популяції, max
absE , max
relE – макси-
мальні абсолютні і відносні похибки правила.
Запропонований генетичний алгоритм пропонуємо реалізувати
за наступною структурою:
1. Створення початкової бази даних для кожного РПН з популяції.
2. Вибір декількох пар індивідів, призначених для схрещування
(ССВ різних РПН).
3. Відбір в поточній ССВi – видалення найменш пристосованих
серій вимірів (СВ).
4. Схрещування вибраних пар.
5. Дописування в БД кожного РПН ССВсхр,i отриманих в резуль-
таті схрещування.
6. Мутації ССВi,j.
7. Дописування в БД кожного РПН ССВмут,і отриманих в резуль-
таті мутації.
Цей алгоритм застосовувався при розв’язанні задачі оптимізації
баз даних різних РПН, що містять значення параметрів, які надходять
від сенсорів, розташованих на РПН трансформаторів. Значення цих
величин характеризують ресурс РПН. Данні про стан РПН надходили
з чотирьох підстанцій 330 кВ, Вінницької, Хмельницької, Кам’янець-
Подільської та Тернопільської.
Формування БД системи ААД одного окремого РПН потребує
великого проміжку часу для набирання потрібної кількості статисти-
чних даних. Генетичні алгоритми в загальному випадку добре підда-
ються розпаралелюванню. Створення адаптованої (для кожного РПН)
БД здійснювалось на комп’ютері кожної підстанції де встановлено
контрольований РПН. Це дозволило значно скоротити витрати часу,
організувавши процес паралельних обчислень на всіх підстанціях.
Тільки після цього дані надходять на центральний сервер на якому і
ведуться подальші розрахунки.
При розпаралелюванні обчислень використовувалася так звана
“острівна модель” генетичних алгоритмів. Острівна модель характе-
ризується тим, що вся популяція РПН ділиться на декілька підпопу-
ляцій, які характеризую РПН кожного трансформатора. Кожна ССВ
розраховується на своєму процесорі. Процесори виконують генетичні
операції, а результатами обмінюються за допомогою міграції (пере-
дачі) даних через центральний сервер. На кожному острові даних
підпопуляція піддається в точності таким же генетичним операціям на
такому ж генотипі, що і в послідовному алгоритмі, і, в результаті, зна-
ходиться кращий ССВ з урахуванням особливостей всієї популяції [5].
Відповідно, можна виділити дві групи операцій:
Математичне та комп’ютерне моделювання
128
• локальні операції, що виконуються на кожному процесорі не-
залежно, які включають обчислення значень функцій пристосованос-
ті для кожного РПН трансформатора, вибір індивідуумів, операцію
схрещування, мутацію і формування батьківських пар;
• обмін серіями вимірів між процесорами, що припускає комуні-
кацію і синхронізацію.
Початкова популяція ССВ ділиться по можливості на однакові
частини і в процесі розрахунків в кожній ітерації циклу проводився
обмін серією вимірів кожної ССВ для покращення властивостей ССВ
кожного РПН та покращення роботи систем ААД всієї популяції РПН.
Процес розрахунків на кожній з підстанцій зводився до ранжу-
вання кожної ССВ по функціям пристосованості. Серія вимірів з
найменшим значенням функції пристосованості відкидається. Далі
розраховується середнє значення функції пристосованості для кожної
ССВ. Під популяції, в яких сума середніх значень функцій пристосо-
ваності найбільша, формують батьківські пари. Після проведення
розрахунків функції пристосованості склали:
F1 = 16.15, F2 = 8.935, F3 = 9.408, F4 = 10.518.
Середнє значення функції пристосованості всієї популяції:
F = 11,252.
Сумарне значення функцій пристосованості всієї популяції:
∑ = 011.45F .
Далі розраховується параметр Ріроз для кожної популяції
Ріроз = ∑ F
Fi , (6)
Р1роз = 0,358; Р2роз = 0,198; Р3роз = 0,209; Р4роз = 0,233;
Далі розраховується М1, для Fі< F .
М1 = 0.1× Ріроз.
М1 = 0.1× 0.198 = 0.0198;
М1 = 0.1× 0.209 = 0.0209;
М1 = 0.1× 0.233 = 0.0233.
Далі за формулами (2) і (3) розраховуємо ймовірність вибору:
∑
−
=
− =
1
1
1 9.0~
МM
i
розрiMМi pp , (7)
=2
~p 0.018; =3
~p 0.019; =4
~p 0.021.
Для ССВ, де функція пристосованості F i ≥ F ймовірність ви-
бору
i
розрiММi MM
рpp
−
+=−
~
1 , (8)
Серія: Технічні науки. Випуск 1
129
=1
~p 0.038.
Тобто батьківські пари формуються із значень, які найбільш аде-
кватно описують ресурс контролюємого РПН. В нашому випадку
батьківські пари сформували 1
~p та 4
~p БД з хмельницької та терно-
пільської підстанцій. Їх сумарні значення вірогідності вибору склали
для тернопільської = 0,76 та хмельницької = 0,81.
Далі застосовується оператор схрещування. До бази ССВтернопіль
(ССВi) додається по черзі кожна строка (серія вимірів) ССВхмельницький
(ССВj),
(ССВi,j)= (ССВi(k,n)) + (ССВi(1,n)), (9)
де k – серія вимірів, n – параметри що вимірюються.
Після чого проводиться перенавчання мережі. Якщо похибка
мережі зростає, така серія вимірів відкидається, якщо ж похибка зме-
ншується, проводиться наступна ітерація схрещування, тобто дода-
ється наступна серія вимірів.
Перевірка ефективності використання генетичного алгори-
тму в діагностуванні РПН трансформатора. Перевірка алгоритму
здійснювалась шляхом порівняння результатів визначення залишко-
вого ресурсу РПН трансформаторів ПЗЕС. Порівнювались результати
визначення ресурсу мікропроцесорними пристроями діагностування
(які використовували та не використовували генетичний алгоритм) з
оцінками залишкового ресурсу під час виведення трансформаторів в
ремонт. Розбіжність в оцінках ресурсу РПН кваліфікованими спеціалі-
стами зі значеннями наданими пристроями діагностування на 6% мен-
ше у випадку використання генетичного алгоритму і становить 8%.
Висновки. Використання генетичного алгоритму дозволяє зме-
ншити похибку у визначені залишкового ресурсу РПН, формувати
базу даних з урахуванням найбільш інформативних серій вимірів,
більш ефективно використовувати засоби зберігання результатів ви-
мірів, шляхом відкидання мало впливових на визначення ресурсу,
результатів вимірів.
Список використаних джерел:
1. Жданов А. А. Метод автономного адаптивного управления // Известия
Академии Наук. Теория и системы управления. – 1999. – № 5. – С.127-134.
2. Жданов А. А., Крыжановский М. В., Преображенский Н. Б. Бионическая
интеллектуальная автономная адаптивная система управления мобильным
роботом // Мехатроника. – 2004. – №1. – С.21-30; №2. – С.17-22 (часть 2).
3. http://www.ispras.ru/groups/ctt/ispran.html
4. Victor Ivannikov, Serguei Gaissaryan, Arutyun Avetisyan, Vartan Padaryan.
Improving properties of a parallel program in ParJava Environment // The 10th
EuroPVM/MPI conference. LNCS 2840. – Sept. 2003, Venice. – P. 491-494.
5. Rajkumar Buyya. High Performance Cluster Computing // Prentice Hall PTR.
– Vol. 2. – P. 331-349.
http://www.ispras.ru/groups/ctt/ispran.html
Математичне та комп’ютерне моделювання
130
6. Лежнюк П. Д., Рубаненко О. Є., Пиріжок М. І. Прогнозування якості фун-
кціонування РПН трансформаторів в умовах нечітких результатів випро-
бувань. – Вінниця: ВНТУ.
7. Саймон Хайкин. Нейронные сети: полный курс. – Издательский дом “Ви-
льямс”, 2006. – 1104 с.
8. Дьяконов В. П., Круглов В. В. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink
5/6. Инструменты искусственного интеллекта и биоинформатики //
СОЛОН-ПРЕСС. – 2006. – 456 с.
In the article the example of the use of genetic algorithm is considered
in forming of database for the studies of neuron network which is used for
optimization of microprocessor device of diagnostics of RPN of power
transformers software.
Key words: neuron networks, autonomous adaptive diagnosticating,
neuron design, genetic algorithm, metodadaptivnoy diagnostics, RPN, ag-
gregate of series of measurings.
Отримано: 27.06.2008
УДК 621.372.06
С. Н. Одокиенко
Академия пожарной безопасности имени Героев Чернобыля,
г. Черкассы
ОСОБЕННОСТИ МЕТОДОВ РЕШЕНИЯ ИНТЕГРАЛЬНЫХ
УРАВНЕНИЙ ВОЛЬТЕРРА I РОДА
В роботі розглядаються особливості методів розв’язання
інтегральних рівнянь Вольтерра першого роду. Відмітна особ-
ливість даного класу задач полягає в необхідності досліджень
на стику традиційних чисельних методів і методів розв’язання
некоректних задач.
Ключові слова: чисельні методи, методи регуляризації,
інтегральні рівняння Вольтерра І роду.
Введение и постановка проблемы. Применение интегральных
уравнений представляет собой самостоятельный метод математиче-
ского моделирования как совокупность способов определения соот-
ношений между известными исходными данными и определяемыми
характеристиками изучаемого явления, а также приемов эквивалент-
ных преобразований полученных интегральных уравнений и точного
или приближенного их решения. При этом численные алгоритмы
решения интегральных уравнений своеобразны и чаще всего не име-
ют аналогов среди алгоритмов решения других, эквивалентных по
своей математической постановке, видов уравнений.
© С. Н. Одокиенко, 2008
|
| id | nasplib_isofts_kiev_ua-123456789-18683 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | XXXX-0060 |
| language | Ukrainian |
| last_indexed | 2025-11-28T20:41:50Z |
| publishDate | 2008 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Лежнюк, П.Д. Рубаненко, О.Є. Пиріжок, М.І. 2011-04-07T19:03:12Z 2011-04-07T19:03:12Z 2008 Використання генетичних алгоритмів в оперативній діагностиці обладнання ЕЕС / П.Д. Лежнюк, О.Є. Рубаненко, М.І. Пиріжок // Математичне та комп'ютерне моделювання. Серія: Технічні науки: зб. наук. пр. — Кам’янець-Подільський: Кам'янець-Подільськ. нац. ун-т, 2008. — Вип. 1. — С. 119-130. — Бібліогр.: 8 назв. — укр. XXXX-0060 https://nasplib.isofts.kiev.ua/handle/123456789/18683 621.396.218 В статті розглянуто приклад використання генетичного алгоритму в формуванні бази даних для навчання нейронної мережі, яка використовується для оптимізації програмного забезпечення мікропроцесорного пристрою діагностики РПН силових трансформаторів. In the article the example of the use of genetic algorithm is considered in forming of database for the studies of neuron network which is used for optimization of microprocessor device of diagnostics of RPN of power transformers software. uk Інститут кібернетики ім. В.М. Глушкова НАН України Математичне та комп'ютерне моделювання. Серія: Фізико-математичні науки Використання генетичних алгоритмів в оперативній діагностиці обладнання ЕЕС Article published earlier |
| spellingShingle | Використання генетичних алгоритмів в оперативній діагностиці обладнання ЕЕС Лежнюк, П.Д. Рубаненко, О.Є. Пиріжок, М.І. |
| title | Використання генетичних алгоритмів в оперативній діагностиці обладнання ЕЕС |
| title_full | Використання генетичних алгоритмів в оперативній діагностиці обладнання ЕЕС |
| title_fullStr | Використання генетичних алгоритмів в оперативній діагностиці обладнання ЕЕС |
| title_full_unstemmed | Використання генетичних алгоритмів в оперативній діагностиці обладнання ЕЕС |
| title_short | Використання генетичних алгоритмів в оперативній діагностиці обладнання ЕЕС |
| title_sort | використання генетичних алгоритмів в оперативній діагностиці обладнання еес |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/18683 |
| work_keys_str_mv | AT ležnûkpd vikoristannâgenetičnihalgoritmívvoperativníidíagnosticíobladnannâees AT rubanenkooê vikoristannâgenetičnihalgoritmívvoperativníidíagnosticíobladnannâees AT pirížokmí vikoristannâgenetičnihalgoritmívvoperativníidíagnosticíobladnannâees |