Науковий вісник НГУ

Формування бази знань для автоматизації диспетчерського керування енергосистемами гірничо-металургійного комплексу

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №4 2021

Останнє оновлення: 27 серпня 2021

Опубліковано: 30 листопада -0001

Перегляди: 3817

Authors:

В. С. Моркун, orcid.org/0000-0003-1506-9759, Криворізький національний університет, м. Кривий Ріг, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

І. А. Котов, orcid.org/0000-0003-2445-6259, Криворізький національний університет, м. Кривий Ріг, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2021, (4): 103 - 109

https://doi.org/10.33271/nvngu/2021-4/103

Abstract:

Мета. Розробка та впровадження методів добування знань про оперативне управління режимами енергосистем в аварійних ситуаціях і побудови інтелектуальних комплексів автоматизації прийняття управлінських рішень, заснованих на інкорпорованих онтологічних базах знань.

Методика. Використано підхід розрахункового планованого експерименту для побудови матриць чутливості контрольованих параметрів режиму енергосистеми в сенсорних точках до керованих факторів і впровадження коефіцієнтів чутливості в базах знань.

Результати. У роботі запропонована методика отримання й побудови бази знань професійних онтологій оперативного управління режимами енергосистем. Розв›язана задача обчислення чутливості контрольованих параметрів до керуючих впливів. За результатами розрахунків аварійного режиму побудовані функції впливу й визначені коефіцієнти матриць чутливості. Побудована база знань інтелектуальної системи для забезпечення підтримки рішень диспетчерського управління режимами енергосистеми в нормальних і аварійних ситуаціях. Отримані набори режимних даних, використовуваних як компоненти бази знань, що дозволяє здійснювати оперативну оцінку складності аварійного режиму, а також його диспетчерську корекцію. Разом із розрахунковими параметрами інтенсивності керуючих впливів базу знань становлять також лінгвістичні концепти, факти та правила інструктивних диспетчерських матеріалів. Побудована база знань на основі підмножини лінгвістичного корпусу концептів професійної області ліквідації аварійних ситуацій в енергосистемі.

Наукова новизна. Уперше запропоновано підхід до інкорпорації в одній базі знань різних лінгвістичних форм знань, представлених єдиною онтологічною моделлю, і чисельних параметрів чутливості режиму енергосистеми до керуючих впливів, що дозволяє будувати ефективні інтелектуальні системи підтримки диспетчерських рішень і впроваджувати їх в інфраструктуру діючої автоматизованої системи диспетчерського керування.

Практична значимість. Полягає в побудові онтологічної бази знань оперативного диспетчерського управління, що дає можливість реалізувати програмний комплекс системи підтримки рішень для автоматизації диспетчерського оперативного керування нормальними та аварійними режимами енергосистеми. Застосування запропонованого підходу до побудови бази знань і її використання при підтримці рішень оперативного диспетчерського персоналу забезпечує підвищення надійності та збільшення гранично допустимого часу безперервної роботи диспетчерського персоналу на 1,5 роки при безумовній ліквідації аварії, що дає значний економічний ефект.

Ключові слова: аварійна ситуація, диспетчер, онтологія, підтримка рішень, тезаурус, енергосистема

References.

1. Sandkuhl, K., & Smirnov, A. (2018). Knowledge Management in Production Networks: Classification of Knowledge Reuse Techniques. SPIIRAS Proceedings, 1(56), 5. https://doi.org/10.15622/sp.56.1.

2. Gavrilova, T. A., Kudryavtsev, D. V., & Kuznetsova, A. V. (2019). Choosing knowledge management methods and tools considering specific domain. Innovation, 8(250), 44-52. https://doi.org/10.26310/2071-3010.2019.250.8.007.

3. Chirapurath, J. (2019). Knowledge mining. The Next Wave of Artificial Intelligence-Led Transformation (1^st ed.). Harvard Business Publishing.

4. Cheng, Y., Chen, K., Sun, H., Zhang, Y., & Tao, F. (2018). Data and knowledge mining with big data towards smart production. Journal Of Industrial Information Integration, 9, 1-13. https://doi.org/10.1016/j.jii.2017.08.001.

5. Massel, L., Vorozhtsova, T., & Pjatkova, N. (2017). Ontology engineering to support strategic decision-making in the energy sector. Ontology of Designing, 7(1), 66-76. https://doi.org/10.18287/2223-9537-2017-7-1-66-76.

6. Zagorulko, G.B. (2016). Development of ontology for intelligent scientific internet resource decision-making support in weakly formalized domains. Ontology of Designing, 22(4), 485-500. https://doi.org/10.18287/2223-9537-2016-6-4-485-500.

7. Massel, L. (2016). Fractal approach to knowledge structuring and examples of its application. Ontology of Designing, 6(2), 149-161 https://doi.org/10.18287/2223-9537-2016-6-2-149-161.

8. Ahmadeeva, I.R. (2018). Application of ontology to automatizing scientific data search in the Internet. Information and mathematical technologies in science and management, 4(12), 42-49. https://doi.org/10.25729/2413-0133-2018-4-12-42-49.

9. Morkun, V., Semerikov, S., Hryshchenko, S., & Slovak, K. (2017). Environmental Geo-information Technologies as a Tool of Pre-service Mining Engineer’s Training for Sustainable Development of Mining Industry. In 13 ^th International Conference on ICT in Education, Research and Industrial Applications. Integration, Harmonization and Knowledge Transfer (ICTERI, 2017), (pp. 303-310). Kyiv, Ukraine; CEUR Workshop Proceedings (CEURWS.org.) Retrieved from http://ceur-ws.org/Vol-1844/10000303.pdf .

10. Morkun, V., & Kotov, I. (2019). Intellectualization of Emergency Control of Power Systems on the Basis of Incorporated Ontologies of Knowledge-Bases. Acta Mechanica Et Automatica, 13(2), 86-94. https://doi.org/10.2478/ama-2019-0012.

11. Golik, V., Komashchenko, V., Morkun, V., Morkun, N., & Hryshchenko, S. (2018). Energy Saving in Mining Production. Science and Innovation, 14(3), 29-39. https://doi.org/10.15407/scine14.03.029.

12. Madrigal, M., Uluski, R., & Mensan Gaba, K. (2017). Practical Guidance for Defining a Smart Grid Modernization Strategy: The Case of Distribution. World Bank Studies;. Washington, DC: World Bank (Revised Edition), 179. https://doi.org/10.1596/978-1-4648-1054-1.

13. Lyubarskiy, Yu. Ya., & Hrennikov, A. Yu. (2019). Computer support of dispatch decisions in electric grids. Library of electric engineers, “Energoprogress”, 8(248), 1-92. eLIBRARY ID:39215583.

14.  DTEK Dniprovski Elektromerezhi (2020). Development plan for the distribution system of Corp. “DTEK Dniprovski Elektromerezhi” for the period 2020–2024. Retrieved from https://www.dtek-dnem.com.ua/ua/file/aCizMwe58AFkg ?inline=1.

15. Kozhikhova, O. (2017). Evaluation of the sensitivity of power flows to the parameters of the steady mode model. In VIII International Youth Scientific and Technical Conference “Electric power industry through the eyes of youth – 2017”, (pp. 137-140). Samara: Samara State Technical University.

• < Попередня
• Наступна >