ФУНКЦИОНАЛЬНАЯ АРХИТЕКТУРА СИСТЕМЫ ПОДДЕРЖКИ РЕШЕНИЙ НА ОБЪЕКТАХ ЭНЕРГОСНАБЖЕНИЯ

АННОТАЦИЯ

При эксплуатации сложных технологических объектов актуально принятие своевременных и правильных решений. Метод рассуждения на основе прецедентов (CBR) позволяет быстро находить необходимые решения. В статье исследуется архитектура CBR-системы поддержки принятия решений на сложном технологическом объекте. Дается описание работы основных модулей системы. Практическое применение результатов связано с задачами разработки интеллектуальных систем поддержки решений.

ABSTRACT

When operating complex technological facilities, it is important to make timely and correct decisions. Case-Based Reasoning (CBR) allows to quickly find the necessary solutions. The article considers the architecture of a CBR decision support system for a complex technological facility. A description of the operation of the main modules of the system is given. The practical application of the results is related to the tasks of developing intelligence decision support systems.

Ключевые слова: прецедент, рассуждение на основе прецедентов, система поддержки принятия решений, СППР, CBR-система, SMART-grid.

Keywords: case, case-based reasoning, decision support, decision support system, DSS, CBR-system, SMART-grid.

Введение. Исправность и стабильность сложных технологических объектов важны не только для протекающих в них процессов, но и для безопасности людей и природы.  Сложные технологические объекты возникают в системах городской обеспечивающей инфраструктуры, показательным примером является современная система энергоснабжения (SMART grid).

Развертывание системы SMART grid подразумевает объединение систем SCADA с системами передачи данных [1], внедрение цифрового двойника [2], который отразит полный цикл работы системы и покажет сроки износа оборудования в зависимости от условий эксплуатации. Основой для функционирования SMART grid становится ряд средств мониторинга и анализа собранных данных. Среди основных:

• удаленный мониторинг с помощью беспилотных летательных аппаратов
• удаленный мониторинг через системы IoT
• искусственный интеллект на основе предиктивной аналитики средствами машинного обучения.

Основная тенденция современных систем SMART grid – это сбор и анализ первичных данных. Их полнота и точность позволяют делать вывод о состоянии объекта мониторинга, об актуальном спросе на электроэнергию. Наряду с развитием цифровизации, системы мониторинга, сбора и анализа данных поддержка принятия решений развита недостаточно.

Встречаются работы, касающиеся методологической поддержки принятия решений для планирования обслуживания элементов системы [3, 4], предложения о применении методов интеллектуального анализа данных и (или) нейросетей для прогнозирования спроса [5, 6], прогнозирования неисправности отдельных элементов [7]. При этом трудоемкость выявления и формализации знаний ограничивают использование этих методов относительно простыми объектами и ситуациями.

Опасные аварийные ситуации на объектах SMART grid, как правило, уникальные и редкие случаи, не ограничивающиеся отдельными элементами. Они могут нести фатальные последствия для человека, природы и инфраструктуры. При эксплуатации таких объектов особенно актуально принятие своевременных и правильных решений в случае возникновения проблемной ситуации.

Само принятие комплексного оперативного решения, особенно в аварийных ситуациях – трудоемкая и ответственная задача, которая усложняется дефицитом времени и множеством участников. Высоки риски неверного решения или вовсе его отсутствия, необходима комплексная поддержка.

Метод рассуждения на основе прецедентов (case-based reasoning - CBR) [8-10] является одним из результативных методов искусственного интеллекта, который позволяет в проблемных ситуациях быстро находить необходимые решения. Это достигается за счет использования готовых вариантов решений, а не разработки их с нуля в случае возникновения аварийной ситуации.

Система поддержки решений, основанная на методе CBR, имеет перспективы эффективного внедрения в системы SMART-grid. Она позволит перейти от уже выполняемых задач мониторинга и анализа данных к задачам поддержки решения в реальном времени.

Целью данной работы является разработка функциональной архитектуры системы поддержки решения на сложном технологическом объекте на основе метода рассуждения на прецедентах (CBR).

Материалы и методы. В CBR-системе поддержки принятия решений в базе знаний сохраняются кейсы в виде пар <Ситуация, Решение>, где Ситуация выступает в качестве ключа для поиска Решения. В случае возникновения проблемной ситуации производится перебор базы и извлечение наиболее близкой ситуации с ее решением. Реализация такой CBR-системы требует выполнения ряда задач – формализации представления ситуаций и решений, сравнения и отбора кейсов из базы знаний, адаптации решений, пополнения баз знаний и др. В силу сложности рассматриваемого объекта для этих задач целесообразна интеграция разных подходов искусственного интеллекта – машинного обучения и инженерии знаний, что позволяет говорить о гибридном CBR-методе вывода решений [11]. Реализация такого метода требует соответствующей архитектуры моделей и программных модулей.

Гибридность метода подразумевает интеграцию  нейросетевых, экспертно-логических, эвристических моделей при выводе решений. Это позволяет устранить ограничения раздельного применения систем, основанных на знаниях (требуют трудоемкой работы по выявлению и формализации знаний) и методов машинного обучения (требуют большие объемы обучающих примеров).

При этом мы опираемся на предыдущие исследования [11, 12], где мы предложили сложный технологический объект представлять через множество его разнообразных элементов, а ситуацию на объекте через совокупность состояний его элементов и отношений между ними. Каждому i-му элементу (i Î [1, N]) соответствует свой вектор состояний Si. Формальным представлением комплексной ситуации является набор векторов (конкатенация) Sit = (Si, i =1, 2, … N), который был назван эмбеддингом ситуации.

Весь процесс сравнения ситуаций и отбора из БЗ разбивается на два этапа:

1. Распознавание состояний элементов сложного объекта и формирование эмбеддингов ситуаций;
2. Сравнение ситуаций путем сравнения их эмбеддингов.

Задача отбора кейса из базы знаний формируется как задача выбора по критерию максимального сходства Sim (Sit_act, Sit_z) → max при ограничении Sim (.) > Threshold – порог, задающий граничный уровень схожести ситуаций.

Результаты. На основе ранее предложенной схемы работы системы, представленной в работе [12] была разработана функциональная архитектура системы. Функциональная архитектура с основными блоками представлена на рисунке 1.

Входными данными системы поддержки решения выступает информация, поступающая от элементов объекта SMART-grid. Информация может представляться качественными и количественными табличными данными и нетабличными данными (фото-, видеоряд).

Системы анализирует входные данные и при возникновении нежелательной, аварийной ситуации выдает конечным пользователям решение по устранению опасности.

Рисунок 1. Функциональна архитектура системы поддержки решений

Для объектов SMART-grid определен типовой состав пользователей системы (стейкхолдеров):

• диспетчер
• начальник смены
• начальник объекта
• эксплуатационный персонал
• оперативно-ремонтный персонал
• дежурный персонал
• резервный персонал
• ремонтный персонал
• административно-технический
• служба безопасности

Выделенных стейкхолдеров целесообразно разделить на три типовые группы в зависимости от их потребностей (таблица 1).

Таблица 1.

Типовые стейкхолдеры системы поддержки решений

В зависимости от роли пользователю предоставляется различный функционал системы.

Выходной реакцией системы является аргументированное решение, содержащееся в базе знаний или сгенерированное на основе преобразований прецедентов в базе знаний. Аргументация основывается на аналогии, когда пользователю объясняется: где, когда, кем, в каких условиях применялось (рекомендовалось) аналогичное решение.

Поддерживать связь с пользователями, в том числе, в целях выдачи решений, целесообразно различными каналами, в том числе СМС, мессенджеры, оповещения в личном кабинете, PUSH-уведомления.

Заключение. В данной работе представлена модульная архитектуру системы поддержки принятия решения на объектах SMART-grid с описанием работы основных модулей. Полученные результаты вносят вклад в развитие CBR подхода и обеспечивают возможности для применения гибридных моделей вывода решений, использующих как методы систем, основанных на знаниях, так и методы машинного обучения.

Возможности практического применения полученных результатов связаны с задачами разработки интеллектуальных систем поддержки принятия решений при эксплуатации сложных технологических объектов. В качестве языка программирования целесообразно использовать Python в виду наличия и возможности подключения библиотек, необходимых для реализации всех модулей, в том числе нейросетевых.

Библиотека Python Flask позволит выполнить систему поддержки решения в виде web-приложения, что позволит создать масштабируемую фреймворк-платформу, понятную для конечного пользователя, не имеющего опыта взаимодействия с кодом.

Благодарность

Исследование выполнено при финансовой поддержке РФФИ и Тюменской области в рамках научного проекта № 20-47-720004.

Список литературы:

1. Sayed K, Gabbar H. SCADA and smart energy grid control automation // Smart Energy Grid Engineering, Pp. 481-514. DOI: 10.1016/B978-0-12-805343-0.00018-8
2. Jiang Z, Lv H, Li Y, Guo Y. A novel application architecture of digital twin in smart grid // Journal of Ambient Intelligence and Humanized Computing. 2021. DOI: 10.1007/s12652-021-03329-z
3. Barriquello C, Garcia V, Schmitz M, Bernardon D, Fonini J. A Decision Support System for Planning and Operation of Maintenance and Customer Services in Electric Power Distribution Systems // System Reliability. DOI: 10.5772/intechopen.69721
4. Chelaru E, Grigoras G. 2020 Decision Support System to Determine the Replacement Ranking of the Aged Transformers in Electric Distribution Networks  //  2020 12th International Conference on Electronics, Computers and Artificial Intelligence (ECAI). DOI: 10.1109/ECAI50035.2020.9223122
5. Сорокоумова Т.В., Будошкина К.А., Казарян Р.А., Купка Ю.О., Улямаев А.С. Выявление основных принципов для формирования концепции «умного города» // Инженерный вестник Дона, 2018, №3. URL: ivdon.ru/ru/magazine/archive/n3y2018/5077
6. Kulkarni S, Shingare P. Decision Support System for Smart Grid Using Demand Forecasting Models // Smart Network Inspired Paradigm and Approaches in IoT Applications. Singapore: Springer; 2021. DOI: 10.1007/978-981-13-8614-5_4
7. Nina D, da Fonseca Neto J, Ferreira E, Miranda dos Santos A. Hybrid Support System for Decision Making Based on MLP-ANN, IED and SCADA for Disturbances Analysis of Electrical Power Distribution Transformers //  2013 UKSim 15th International Conference on Computer Modelling and Simulation. 2013. DOI: 10.1109/UKSim.2013.147
8. Eremeev, A.; Varshavskiy, P.; Alekhin, R. Case-Based Reasoning Module for Intelligent Decision Support Systems // Proceedings of the First International Scientific Conference “Intelligent Information Technologies for Industry” (IITI’16) Vol. 1. Part III. Pp. 207-216. DOI: 10.1007/978-3-319-33609-1_18
9. Huang, K.; Nie, W.; Luo, N. Scenario-based marine oil spill emergency response using hybrid deep reinforcement learning and case-based reasoning // Applied Science, 2020, v. 10(15), 5269. DOI: 10.3390/app10155269
10. Jiang, X.; Wang, S.; Wang, J.; Lyu, S.; Skitmore, M. A Decision Method for Construction Safety Risk Management Based on Ontology and Improved CBR: Example of a Subway Project // International Journal of Environmental Research and Public Health, 2020, v.17, 3928. DOI: 10.3390/ijerph17113928
11. Глухих И.Н., Глухих Д.И. Метод Case Based Reasoning при управлении сложными технологическими объектами городской инфраструктуры // Инженерный вестник Дона, 2021, №7. URL: ivdon.ru/ru/magazine/archive/n7y2021/7074
12. Glukhikh D, Shchinnikov I, Glukhikh I. Hybrid-CBR using for intelligence monitoring and decision-making systems on SMART grid  // Intelligent Decision Technologies, v.2, pp. 1-8. DOI: 10.3233/IDT-210239