Обеспечение конкурентоспособности предпринимательских структур в сфере электроэнергетики на основе использования искусственных нейронных сетей

Актуальность темы

исследования. Проблемы развития и повышения конкурентоспособности отечественного предпринимательства стали особенно актуальны еще в конце 90-х годов прошлого столетия. Происходившие в это время экономические преобразования привели к падению физических объемов производства во всех, без исключения, отраслях народного хозяйства России. При этом темпы падения значительно превышали ожидаемый спад производства в ходе трансформирования экономики. Как и всякий неуправляемый процесс, падение производства и пассивная реструктуризация экономики, по сравнению с 1990 годом, серьезно деформировали народное хозяйство России [67, с. 18]. В результате, на первый план отечественной экономики вышел топливно-энергетический комплекс.

Топливно-энергетический комплекс (ТЭК) России всегда играл важную роль в экономике страны, а в последнее время его роль еще более возросла. В течение прошедшего десятилетия ТЭК в основном обеспечивал потребности страны в топливе и энергии, сохранив тем самым не только энергетическую, но и экономическую независимость России [4, с. 6- 5, с. 8].

Топливно-энергетический комплекс формирует до 25% ВВП страны, 48% налоговых и таможенных платежей, 68% валютных поступлений от экспорта, 28% общего объема инвестиций в национальную экономику [119, с. 15]. Предпринимательская деятельность в сфере ТЭК является самым быстрорастущим и наиболее успешным видом бизнеса, по сравнению с остальными сферами народного хозяйства России.

Однако данные показатели являются общеотраслевыми, т. е. характеризуют весь ТЭК страны в целом. Далеко не во всех отраслях комплекса предпринимательство является успешным и высокоприбыльным видом деятельности. Особенно это касается электроэнергетической отрасли, которая, до недавнего времени, была почти полностью монополизирована.

После реформирования электроэнергетики в 2008 году, вместо единой энергосистемы были образованны отдельные предпринимательские структуры — энергокомпании, которые стали специализироваться на определенных видах деятельности (генерация, передача электроэнергии, сбыт и ремонт) и контролировать соответствующие производственные активы.

Главным фактором, влияющим на конкурентоспособность новообразованных предпринимательских структур в сфере электроэнергетики, является высокий износ активной части производственных фондов (активов). По состоянию на 2011 год, износ производственных активов составляет более 60 процентов, в том числе в сельских распределительных сетях — свыше 75 процентов. Более 30 процентов линий и трансформаторных подстанций сетей 6−10/0,4 кВ нуждаются в модернизации [4, с. 87- 5, с. 53]. Для тех предпринимательских структур, где основные средства эксплуатируются интенсивно, незапланированный простой оборачивается значительными издержками.

Отечественное оборудование, составляющее техническую основу электроэнергетики, морально устарело, уступает современным требованиям и лучшим мировым изделиям. Поэтому необходимо не только поддержание работоспособности, но и существенное обновление основных производственных активов на базе новой техники и технологий производства и распределения [4, с. 87- 5, с. 54- 139].

Внутренние операции и процессы в новообразованных российских энергокомпаниях по-прежнему плохо налажены. Это негативно отражается на их способности быстро и эффективно осуществлять обновление основных производственных фондов.

Кроме того, в период нестабильности мировой экономики, привлечение сторонних инвестиций в отрасль будет крайне затруднено. Потенциальные инвесторы с опасением относятся к инвестированию в сферу электроэнергетики, особенно в те предпринимательские структуры, где ситуация с износом основных производственных фондов наиболее критична.

Большим минусом в системе управления производственными активами является тот факт, что планирование проведения технического обслуживания, ремонтов и замены продолжает определяться и согласовываться по директивным указаниям вышестоящего руководства, а не в соответствии с научно-техническим анализом состояния производственных активов. В лучшем случае, проведение технического обслуживания производственных активов осуществляется на основе рекомендаций поставщиков и фактического опыта обслуживающего персонала. Такое положение дел приводит к непредвиденным аварийным ситуациям, число которых увеличивается с каждым годом. В результате, качество энергоснабжения продолжает снижаться, в то время как тарифы на электроэнергию продолжают расти.

Для повышения эффективности системы управления производственными активами предпринимательских структур в сфере электроэнергетики и, как следствие, конкурентоспособности, прежде всего, необходимо провести оптимизацию системы планирования проведения технического обслуживания и ремонтов этих активов на протяжении всего срока эксплуатации (эффективность операционных затрат). Для этого необходимо иметь представление о текущей и ожидаемой надежности производственных активов, т. е. необходимо собрать и проанализировать огромное количество данных, содержащих информацию о неисправностях, количестве отказов оборудования, сроках эксплуатации производственных активов и т. д.

Решение данной проблемы представляется возможным путем разработки полноценного, научно-обоснованного механизма, позволяющего осуществлять прогнозирование будущего состояния производственных активов, что в свою очередь позволит осуществлять планирование проведения технического обслуживания и ремонтов оборудования в максимально короткие сроки, с высокой эффективностью, и минимальными издержками. Отсутствие такого механизма в предпринимательских структурах в сфере электроэнергетики с каждым годом ведет к все более тяжелым финансовым потерям.

Так, в 2009 году произошла авария на принадлежащей ОАО «РусГидро» крупнейшей в России и одной из крупнейших в мире Саяно-Шушенской ГЭС, унесшая жизни 75 человек. Официальные причины, непосредственно приведшие к катастрофе, до сих пор полностью не установлены, однако уже сейчас абсолютно ясно, что одним из основных факторов, приведших к катастрофе, стало плачевное состояние инфраструктуры ГЭС в целом.

Ситуация на Саяно-Шушенской ГЭС инициировала разработку «Концепции Ситуационно-аналитического центра Минэнерго России» (САЦ Минэнерго), в которой автор принимал непосредственное участие [90- 91].

САЦ Минэнерго, в перспективе, должен стать серьезным подспорьем для предпринимательских структур в сфере электроэнергетики, стремящихся наладить свою систему управления производственными активами и избежать незапланированных аварийных ситуаций.

Однако учитывая масштабы электроэнергетической отрасли, уже сейчас, а не в перспективе, от новообразованных в результате реформы электроэнергетических предпринимательских структур потребуются кардинальные и решительные меры по оптимизации существующей системы управления производственными активами.

Все вышеизложенное определяет актуальность данной темы исследования и позволяет выделить основные направления, нуждающиеся в теоретическом и методологическом обосновании: для обеспечения конкурентоспособности предпринимательских структур в сфере электроэнергетики, прежде всего, необходимо минимизировать издержки путем разработки эффективной системы управления производственными активами. Данная система управления должна основываться на эффективном планировании обновления и поддержания работоспособности производственных активов на протяжении всего срока эксплуатации, а также точно определять потери основной продукции — электроэнергии. Для этого необходимо собрать и проанализировать множество данных, содержащих информацию о технологических нарушениях, количестве отказов оборудования, сроках эксплуатации и т. п.

Автор диссертационной работы предлагает осуществить решение данной проблемы с помощью нетрадиционных и ранее неиспользуемых методик, позволяющих эффективно и качественно осуществлять прогнозирование надежности производственных активов, по результатам которого, в дальнейшем осуществлять вышеуказанное планирование, а также прогнозировать потери электроэнергии в максимально короткие сроки, с высокой эффективностью, и минимальными финансовыми издержками.

Состояние научной разработанности проблемы. Анализ научных исследований и разработанных методик выявил наличие серьезного интереса к имеющимся проблемам в области теории и развития конкурентоспособности предпринимательства, как в нашей стране, так и за рубежом.

Общетеоретические основы исследований конкурентоспособности предпринимательских структур были отражены в трудах таких известных зарубежных экономистов, как Маршал А., Милль Дж. С., Рикардо Д., Кейнс Дж. М., Кирцнер И., Смит А. и другие.

Значительный вклад в развитие теории отечественного предпринимательства и в частности, в области повышения и развития конкурентоспособности, внесли такие видные ученые-экономисты, как Богданов Д. Д., Ильдеменов C.B., Окороков Р. В., Переверзев М. П., Поршнев А. Г., Рубин Ю. Б., Фатхутдинов P.A., Юданов А. Ю. и многие другие.

Исследования в области экономики и управления отечественной электроэнергетикой принадлежат таким видным отечественным ученым-экономистам, как Волкова И. О., Гительман Л. Д., Дьяков А. Ф., Макаров A.A., Некрасов A.C., Потребич A.A., Рогалев Н. Д., Салтанов Г. А., Терешко O.A., Яркин Е.В.

Однако по-прежнему остается множество нерешенных проблем, связанных с вопросами формирования эффективной системы управления производственными активами для обеспечения конкурентоспособности предпринимательских структур в сфере электроэнергетики. В частности, необходима качественная система планирования обновления и поддержания работоспособности производственных активов.

Учитывая, что реформа, направленная на демонополизацию электроэнергетики была осуществлена лишь в 2008 году, эффективных и недорогих отечественных решений, способных обеспечить конкурентоспособность новообразованных предпринимательских структур, еще не создано. Те решения, которые уже разработаны, либо не отвечают всем необходимым требованиям, либо обходятся слишком дорого.

Анализ научных исследований показал, что для обеспечения конкурентоспособности предпринимательских структур в сфере электроэнергетики нейронные сети не нашли своего применения. Предпочтение отдавалось методам и решениям, основанным на использовании регламентирующих документов и нормативов.

Что касается решений, созданных за рубежом, то здесь следует отдельно выделить специально разработанные информационные системы, используемые для обеспечения конкурентоспособности зарубежных энергокомпаний. Примером таких систем является технология ERP (Enterprise Resource Planning — Управление ресурсами предприятия).

Однако ERP-системы (в том числе отечественные) являются достаточно дорогостоящим программным обеспечением и на его успешное внедрение необходимо затратить значительные денежные средства. Кроме того, производители ERP-систем могут взимать средства за ежегодное продление срока действия лицензии, независимо от размера предприятия, его деятельности и прибыли. В условиях, когда энергокомпании стремятся минимизировать свои расходы, внедрение подобных решений сопряжено со значительной долей риска.

Исходя из вышесказанного, можно заключить, что обеспечение конкурентоспособности предпринимательских структур в сфере электроэнергетике представляет собой актуальную научную проблему, имеющую существенное практическое и теоретическое значение для развития конкурентоспособности отечественного предпринимательства.

Цели и задачи исследования. Цель данной диссертационной работы состоит в комплексном исследовании возможности использования искусственных нейронных сетей для обеспечения конкурентоспособности предпринимательских структур в сфере электроэнергетики.

В соответствии с этой целью поставлены следующие задачи:

— Выявить особенности конкурентных условий функционирования электроэнергетической отрасли российской экономики в процессе ее демонополизации.

— Определить ключевые факторы деятельности предпринимательских структур в сфере электроэнергетики, оказывающие влияние на уровень конкурентоспособности.

— Исследовать степень приемлемости нейронных сетей как инструмента прогнозирования динамики ключевых факторов конкурентоспособности предпринимательских структур в сфере электроэнергетики.

Разработать методику для прогнозирования надежности производственных активов как фактора конкурентоспособности предпринимательских структур в сфере электроэнергетики на основе использования искусственных нейронных сетей.

— Разработать методику для прогнозирования технических потерь электроэнергии в линиях электропередачи как фактора конкурентоспособности предпринимательских структур в сфере электроэнергетики на основе использования искусственных нейронных сетей.

— Разработать способ оценки влияния эффекта от внедрения методик на конкурентоспособность предпринимательских структур в сфере электроэнергетики.

Объект исследования. Объектом исследования является процесс развития и обеспечения конкурентоспособности предпринимательских структур в сфере электроэнергетики, переживающей трансформацию от монополии к конкуренции.

Предмет исследования. Предмет исследования — применение искусственных нейронных сетей для обеспечения конкурентоспособности предпринимательских структур в сфере электроэнергетики.

Методологическая и теоретическая основы исследования. В качестве теоретических основ исследования использованы фундаментальные труды современников экономической науки в области предпринимательства, экономики и управления производственными активами электроэнергетических предприятий.

В качестве методологической базы используются методы, основанные на применении искусственных нейронных сетей, методы системного, структурного, сопоставительного, экспертного анализа, методы исследования причинно-следственных связей, методы выдвижения и проверки гипотез, методы расчета экономической эффективности системы управления производственными активами, а так же методы, применяемые при формировании ведомственных укрупненных или единичных пооперационных расценок.

Научная новизна результатов исследования. Научная новизна состоит в разработке методик прогнозирования и обеспечения динамики ключевых факторов конкурентоспособности предпринимательских структур в сфере электроэнергетики на основе использования искусственных нейронных сетей. Наиболее существенные научные результаты, содержащие научную новизну, состоят в следующем:

— Выявлены особенности конкурентных условий функционирования электроэнергетической отрасли:

• каждая предпринимательская структура в сфере электроэнергетики обладает собственной системой учета состояния производственных активов. При этом, созданная в СССР единая автоматизированная система информации.

ЕАСИ), осуществлявшая учет состояния производственных активов на большинстве предприятий, более не поддерживается;

• преобладание в системе управления предпринимательских структур в сфере электроэнергетики, в том числе в системе управления производственными активами данных структур, подходов, не ориентированных на качество конечных результатов деятельности и степень удовлетворенности потребителей качеством оказываемых услуг;

• искусственное поддержание деловых коммуникаций между участниками рынка, сформированных ранее, вне зависимости от степени эффективности деятельности данных участников;

• отсутствие критериев учета отношений между конкурентами на отраслевом рынке, а так же механизмов защиты прав потребителей и сформулированной политики государства по защите и развитию отраслевой конкуренции.

— Определены ключевые факторы деятельности предпринимательских структур в сфере электроэнергетики, оказывающие влияние на уровень конкурентоспособности. При переходе отрасли от монопольного состояния к конкурентному уровень конкурентоспособности предпринимательских структур в сфере электроэнергетики опирается на следующие ключевые факторы деятельности: надежность производственных активов, надежность энергоснабжения, точность определения потерь электроэнергии.

— Доказано, что нейронные сети являются наиболее приемлемым инструментом прогнозирования динамики ключевых факторов конкурентоспособности предпринимательских структур в сфере электроэнергетики. Во-первых, программная реализация нейронных сетей не требует больших финансовых затрат, что является существенным фактором оптимизации ресурсов. Во-вторых, нейронные сети обладают свойством адаптивности и могут быть легко модифицированы сообразно динамике состояния производственных активов предпринимательских структур.

— Разработана методика прогнозирования надежности производственных активов как фактора конкурентоспособности предпринимательских структур в сфере электроэнергетики на основе использования искусственных нейронных сетей. По сравнению с другими методами и решениями, методика на основе нейронных сетей способна обрабатывать большие объемы плохо структурированных данных за малый промежуток времени, что позволяет учесть практически все производственные активы, принадлежащие предпринимательским структурам в сфере электроэнергетики, независимо от их размера.

— Разработана методика для прогнозирования технических потерь электроэнергии в линиях электропередачи как фактора конкурентоспособности предпринимательских структур в сфере электроэнергетики на основе использования искусственных нейронных сетей. В отличие от методик прямого расчета потерь, данная методика способна прогнозировать потери на будущее и позволяет производить расчеты в условиях недостаточности данных.

— Разработан способ оценки влияния эффекта от внедрения методик на конкурентоспособность. Способ заключается в оценке методик использования нейронных сетей для прогнозирования надежности производственных активов и технических потерь электроэнергии в качестве нематериальных активов предпринимательских структур в сфере электроэнергетики.

Наиболее существенные научные результаты исследования соответствуют п. 8.10 «Методология, теория обеспечения конкурентоспособности предпринимательских структур. Формы современной конкуренции и их влияние на содержание предпринимательской деятельности» Паспорта специальности 08.00.05 «Экономика и управление народным хозяйством. Предпринимательство».

Теоретическая значимость. Теоретическая значимость исследования заключается в том, что основные выводы и рекомендации, содержащиеся в работе, могут найти применение в научных исследованиях, посвященных развитию и обеспечению конкурентоспособности предпринимательских структур, в частности, предприятий электроэнергетической отрасли в условиях демонополизации данной отрасли.

Практическая значимость. Основные положения диссертационного исследования могут быть использованы для обеспечения конкурентоспособности предпринимательских структур в сфере электроэнергетики. Разработанная методика прогнозирования надежности на основе использования искусственных нейронных сетей может быть использована при планировании и осуществлении конкурентных действий предпринимательскими структурами в условиях неопределенного состояния производственных активов.

Кроме того, разработанная автором диссертационного исследования методика является в значительной мере универсальной, то есть, не привязанной к конкретному типу производственного актива, что позволяет использовать ее в предпринимательских структурах различной специфики и направленности материального производства. Это кардинальным образом отличает ее от методов, основанных на математическом моделировании отдельных технических объектов (например, трансформатора определенного типа). В этой связи разработанная методика применима не только в электросетевых, но и в генерирующих, сбытовых, сервисных предпринимательских структурах в сфере электроэнергетики.

Практическая значимость подтверждается конкретными результатами, полученными в ходе исследований, где в качестве частного примера были рассмотрены предпринимательские структуры электросетевого хозяйства.

Апробация работы. Основные результаты работы докладывались и обсуждались: на Шестой научно-технической конференции «Состояние электрических сетей облэнерго и основные направления повышения их эффективности. Новый этап в развитии электрических сетей Украины» (21−25 сентября 2009 г. в пгт Кореиз, АР Крым ДО «Воронцово») — на Пятом Международном научном конгрессе «Роль бизнеса в трансформации российского общества — 2010» (12−16 апреля 2010 г., Москва, МФПА) — на.

Восьмой научно-технической конференции «Состояние электрических сетей облэнерго и основные направления повышения их эффективности. Технические и правовые аспекты рационального размещения электрических сетей и других объектов на местности» (19−23 сентября 2011 г., пгт Кореиз, АР Крым).

Выводы.

Как можно заметить, математическое представление даже простейшего нейрона требует, по меньшей мере, знаний высшей математики. Будет не трудно представить, какова сложность математического представления собственно нейронных сетей, состоящих из целого множества простых нейронов и имеющих самую различную архитектуру.

Методика, предложенная автором, для эффективного и понятного использования в ней нейронных сетей, подразумевает выполнение определенного ряда операций (этапов). Суть этих операций состоит в том, чтобы продемонстрировать, как именно используются и решают поставленные задачи искусственные нейронные сети в предложенной автором методике, при этом избегая сложных математических вычислений и выкладок.

2.3. Использование нейронных сетей для обеспечения конкурентоспособности предпринимательских структур в сфере электроэнергетики.

Как было указано выше (стр. 94), нейронная сеть способна решать самые разнообразные типы задач, начиная от простейших математических итерационных вычислений и заканчивая распознаванием звуков и образов. Поэтому, прежде чем начинать работу с нейронными сетями, необходимо определить к каким именно задачам будет находится решение.

Выполняемые нейронными сетями задачи можно условно разделить на несколько основных групп: аппроксимация и интерполяцияраспознавание и классификация образовпрогнозированиеидентификацияуправлениеассоциации.

Следует отметить, что с точки зрения нейронных сетей, представленные в диссертационной работе задачи будут рассмотрены в плоскости двух основных видов: задачи классификации и задачи нелинейной регрессии. В данном случае, нелинейная регрессия заменяет собой задачи интерполяции и аппроксимации.

Формирование базы данных (этап № 1).

Для решения поставленной задачи, в нейронную сеть должны быть заложены знания о соответствующей окружающей среде. При этом данные, которые предполагается использовать для обучения должны содержать как положительные, так и отрицательные примеры. Как правило, информация, используемая для обучения нейронной сети подразделяется на два типа: априорную и опытную [14- 19, с. 42 — 108, с. 59]. a) Априорная. Известное состояние внешней среды, представленное в виде достоверных фактов. b) Опытная. Информация получена с помощью измерений. Измерения производятся различными способами, для конкретных условий, в которых должна функционировать нейронная сеть. Полученные таким образом информация предоставляет примеры, которые используются для обучения нейронной сети.

Хотя вопрос, связанный с представлением знаний, является достаточно сложным, можно выделить четыре общих правила [108, с. 60- 126].

1) Сходные входные сигналы от схожих классов должны формировать единое представление в нейронной сети. Исходя из этого, они должны быть классифицированы как принадлежащие к одной категории.

2) Элементы, отнесенные к различным классам, должны иметь в сети как можно более отличные представления (данное правило имеет прямо противоположный смысл первому правилу).

3) Если некоторое свойство имеет ключевое значение, то для его представления в сети необходимо использовать как можно большее число нейронов.

4) В нейронной сети должна быть заложена априорная и инвариантная информация, так как это упрощает ее архитектуру и облегчает процесс обучения.

Наличие баз данных является неотъемлемой частью предложенной автором методики. Чем представительней будут данные, тем эффективней нейронная сеть будет справляться с поставленной задачей.

Выбор архитектуры нейронной сети (этап № 2).

Выбор нейросетевой архитектуры представляет собой достаточно сложный и творческий процесс. На сегодняшний день не существует четкого формализованного подхода по выбору архитектуры нейронной сети. Однако существуют некоторые общие рекомендации.

Выбор осуществляется в соответствии с особенностями и сложностью задачи. Для решения отдельных типов задач уже существуют известные архитектуры нейронных сетей. Если же задача не может быть сведена ни к одному из известных типов архитектур, что случается довольно часто, приходится решать сложную проблему создания новой конфигурации. При этом сам разработчик нейронной сети становится центральным элементом в данном процессе.

В [43, с. 57] даются следующие рекомендации при разработке собственной архитектуры:

— возможности сети возрастают с увеличением числа нейронов сети, плотности связей между ними и числом слоевпри решении нестационарных задач, введение обратных связей наряду с увеличением возможностей сети поднимает вопрос о динамической устойчивости сети;

— сложность алгоритмов функционирования сети, введение нескольких типов синапсов способствует усилению мощности нейронной сети.

Самыми распространенными и широко используемыми на сегодняшний день для решения широкого спектра задач, являются нейронные сети прямого распространения [57, с. 82- 69, с. 46]. В результате тщательного отбора, автор диссертации избрал несколько архитектур, которые в наибольшей степени могут быть использованы для решения поставленных целей — многослойный персептрон и сети на основе радиальных базисных функций.

Многослойный персептрон. Многослойные персептроны успешно применяются для решения самых разнообразных и сложных задач. Обучение с учителем в такой сети осуществляется с помощью так называемого алгоритма обратного распространения ошибки (далее алгоритм обратного распространения) [69, с. 51- 88, с. 33- 108, с. 225]. В основе данного алгоритма лежит, упомянутый ранее, метод коррекции ошибки. Представление алгоритма в математическом виде весьма громоздкое и сложное для восприятия, поэтому ограничимся исключительно описательной частью.

Процесс обучения, в соответствии с данным алгоритмом, предполагает наличие двух основных потоков сигнала: прямое распространение функционального сигнала (входного вектора) и обратное распространение сигнала ошибки [69, с. 34- 88, с. 34- 108, с. 225].

Архитектура многослойного персептрона представлена на рисунке 14.

Входной Первый скрытый Второй скрытый Выходной слой слой слой слой.

Рисунок 14 — Многослойный персептрон (полносвязный).

Как видно из рисунка 14, сеть является полносвязной, а входной сигнал распространяется исключительно в прямом направлении, слева на право. Каждый нейрон сети, через который проходит сигнал, вычисляет некоторую функцию, с учетом весовых коэффициентов. Поэтому часто входной сигнал носит название функциональный [108, с. 223].

На рисунке 15 проиллюстрирован фрагмент многослойного персептрона, на который, помимо входного вектора, наложен сигнал ошибки.

Р' — Функциональный сигнал.

Сигнал ошибки.

Рисунок 15 — Фрагмент многослойного персептрона.

Сигнал ошибки протекает в противоположном направлении, начиная свой путь на выходе сети. Свое название сигнал получил благодаря тому, что вычисляется каждым нейроном сети с помощь функции ошибки, которая может быть представлена в различных вариантах [108, с. 223- 133].

Немаловажным будет отметить, что в процессе обучения многослойный персептрон, как и любая другая сеть, обрабатывает предопределенное множество маркированных примеров. Один полный цикл предъявления полного набора примеров обучения называют эпохой [108, с. 238].

Таким образом, процесс обучения повторяется от эпохи к эпохе, до тех пор, пока корректировка синаптических весов не будет завершена, а среднеквадратическая ошибка не будет сведена к минимуму.

RBF-cemu. Сеть, основанная на радиальных базисных функциях (далее RBF-сеть) впервые была описана в 1988 году Д. Брумхедом и Д. Лове в [127], продемонстрировавших их аппроксимационные свойства в задачах интерполяции и нелинейного моделирования. Данная сеть служит альтернативой рассмотренному выше многослойному персептрону.

Как и многослойный персептрон, RBF-сеть относится к сетям прямого распространения и предназначена для решения задач классификации и нелинейной регрессии. В рамках данного метода, построение нейронной сети рассматривается как задача аппроксимации кривой по точкам в пространстве высокой размерности, что в корне отличается от алгоритма обратного распространения, который рассматривается как задача стохастической аппроксимации [44, с. 95- 108, с. 341].

Обучение RBF-сети эквивалентно нахождению некой гиперповерхности в многомерном пространстве, которая наиболее точно будет соответствовать обучающим данным. И, следовательно, данная поверхность будет использована для интерполяции данных тестирования. Такой подход лежит в основе метода радиальных базисных функций, состоящего в традиционной интерполяции в многомерном пространстве [44, с. 95- 108, с. 341]. С точки зрения нейронных сетей, скрытые нейроны реализуют набор «функций», являющихся произвольным «базисом» для разложения входных векторов. Соответствующие преобразования носят название радиальные базисные функции (RBF) [108, с. 341]. В настоящее время радиальные базисные функции получили широкое распространение в области численного анализа, и часто используются для решений задач, связанных с прогнозированием. Архитектура RBF-сети в общем виде представлена на рисунке 16.

Входной Скрытый слой Выходной слой СЛОЙ.

Рисунок 16 — Архитектура RBF-сети.

Сеть предполагает наличие трех слоев, каждый из который выполняет свою собственную функцию. Входной слой состоит из сенсорных элементов, которые связывают сеть с внешней средой. Второй слой сети является скрытым. Он выполняет нелинейное преобразование входного пространства в скрытое. Каждый нейрон скрытого слоя рассчитывает значение одномерной функции F (x) (например функцию Гаусса), которая выглядит следующим образом [69, с. 132- 108, с. 367]:

F (x) = ехр (- —^у (|х — xi ||)2), (4) г где x? — центр функции или опорная точка обучающей последовательностист. — ее ширина. Из формулы следует: выход i-ro нейрона скрытого слоя тем больше, чем ближе текущий вход х к центру x?.

Третий слой является выходным и выполняет линейное преобразование скрытого пространства в выходное [69, с. 132−133- 108, с. 342]. То есть, функция выходного слоя сводится к взвешенному суммированию сигналов, идущих от скрытых нейронов.

Сравнение сетей RBF и многослойных персептронов. Сети на основе радиальных базисных функций и многослойные персептроны имеют между собой много общего. Обе архитектуры являются нелинейными многослойными сетями прямого распространения. И те и другие являются универсальными аппроксиматорами. Поэтому можно смело утверждать, что всегда существует многослойный персептрон, способный имитировать сеть RBF (справедливо и обратное утверждение). Можно сделать вывод, что и RBF-сети и многослойный персептрон могут быть использованы в предложенной автором методике.

После выбора нейросетевой топологии следует самый важный и ключевой этап — обучение выбранной нейронной сети. В целях разработки авторской методики, моделирование, обучение и тестирование нейронной сети будет осуществляться с помощью программного приложения NeuroSolutions 5.0 и языка С++.

Обучение нейронной сети. Общие рекомендации (этап № 3).

Как уже было сказано, самым важным свойством нейронных сетей является их способность обучаться на основе поступающих в нее данных. Процесс обучения предполагает следующую последовательность событий [108, с. 89]:

1. в нейронную сеть поступают данные из внешней среды;

2. в результате этого изменяются свободные параметры нейронной сети;

3. после того, как свободные параметры были скорректированы, нейронная сеть начинает отвечать на возбуждающие сигналы уже по другому.

Данная последовательность правил решения проблемы обучения носит название алгоритма обучения [108, с. 90]. Универсального алгоритма обучения, подходящего для всего множества нейронных сетей не существует. Каждый алгоритм имеет свои достоинства и недостатки. Основным отличием алгоритмов обучения друг от друга является способ настройки синаптических весов (свободных параметров).

Помимо алгоритмов, для обучения нейронная сеть должна иметь определенную связь с внешней средой. Метод, с помощь которого нейронная сеть контактирует и взаимодействует с внешней средой носит название парадигмы обучения [108, с. 90].

Существуют две фундаментальных парадигмы обучения: обучение с учителем и обучение без учителя (так же носит название обучение на основе самоорганизаций) [108, с .107].

1) Обучение с учителем.

Для наглядности описания, на рисунке 17 представлена блок-схема, на которой изображен процесс обучения с учителем. среды Сигнал ошибки.

Рисунок 17 — Блок-схема обучения с учителем.

Роль учителя в процессе обучения заключается в том, что обладая набором знаний о внешней среде, он формирует и передает обучаемой нейронной сети желаемый результат, соответствующий данному входному сигналу [57, с. 82−83- 108, с. 108]. Под желаемым результатом понимается оптимальные действия, которые должна выполнить нейронная сеть. В результате свободные параметры сети корректируются, с учетом сигнала ошибки и сигнала обучения. Из блок-схемы изображенной на рисунке 17 видно, что сигнал ошибки представляет собой разность между желаемым сигналом, исходящим от учителя и текущим выходом обучаемой нейронной сети. Математически сигнал ошибки определяется по формуле (5): ek{n) = dk{n)-yk{n), (5) где ук{п)~ выходной сигнал нейрона кг, dk (n) — желаемый выходной сигналп — номер шага итерационного процесса.

С каждой новой итерацией обучаемая система стремится сымитировать выходной сигнал идущий от учителя, вплоть до полного совпадения. Стоит отметить, что данная форма обучения (алгоритм) является ничем иным, как обучения на основе коррекции ошибок.

2) обучение без учителя.

Обучение без учителя, самим своим названием подразумевает отсутствие корректора процесса настройки свободных параметров нейронной сети. В случае использования данной парадигмы обучения у сети не будет возможности использовать маркированные примеры, по которым проводится обучение с учителем [108, с. 108−109].

В данном случае, подбор весовых коэффициентов проводится на основании либо конкуренции нейронов между собой (в соответствии с принципом «победитель забирает все»), либо на основе обучения Хебба [108, с. 110].

Тестирование нейронной сети (этап № 4).

После того как сеть прошла процесс обучения, необходимо провести проверку на ее работоспособность [31, с. 28]. В процессе обучения сеть могла достаточно легко адаптироваться к решению поставленной задачи. Все показатели процесса обучения также могли свидетельствовать об его успешности. Однако в ряде случаев даже хорошо обученная нейронная сеть показывала результаты, которые были далеки от ожидаемых.

Для предупреждения брака нейронной сети необходимо произвести ее тестирование, то есть проверить способность сети к обобщению. Данный процесс не представляет из себя особой сложности. Чтобы протестировать сеть необходимо подать на ее вход ряд примеров, ранее ей неизвестных (то есть не использующихся при обучении) [31, с. 28]. При этом тестируемое множество должно иметь аналогичную природу с обучающей выборкой, но при этом быть достаточно разнообразным.

Следует отметить, что этап тестирования, по своей сути, является фактическим продолжением этапа обучения нейронной сети. Между этими двумя этапами присутствует своего рода обратная связь. В том случае, если сеть в результате тестирования оказалась неработоспособной, этап обучения нейронной сети нужно пройти повторно, внеся определенные изменения, затем снова произвести тестирование. Как правило, данный процесс может занять достаточно много времени в силу итерационного характера протекания. При этом важно помнить, что по ряду причин, получить идеальную нейронную сеть, без каких либо погрешностей, в принципе не возможно, и поэтому, имеет смысл остановиться на наиболее приемлемом варианте.

Обученная и протестированная нейронная сеть еще не является завершающим этапом предложенной автором методики. Нейронная сеть была смоделирована и обучена с помощью программного приложения ЫеигоБокаюш. Однако для многократного и специфического использования нейронной сети применение данного программного продукта на местах дорого и не практично.

Таким образом, следующим этапом методики является создание собственного, удобного для использования программного приложения и его дальнейшее использование в организации.

Представление нейронной сети на языке программирования (этап № 5).

Создание нейронной сети на языке программирования — задача сложная, даже для умелого программиста. При этом необходимо знать все математические преобразования, связанные с теорией нейронных сетей. Например, нейроны скрытого и выходного слоя прошедшего обучение многослойного персептрона имеют функцию активации гиперболического тангенса, в то время как у ИБР-сети нейроны скрытого слоя, в отличии от выходного, имеют функцию Гаусса. В качестве языка программирования будет задействован язык С++.

В процессе моделирования, программа NeuroSolutions позволила получить оптимальную архитектуру нейронной сети, а так же предоставила файл, содержащий соответствующие весовые коэффициенты. Следовательно, при создании аналогичной сети на языке С++ нам не потребуется закладывать функцию обучения, для настройки весов, что существенно облегчает поставленную задачу. Учитывая то, что на большинстве ПВЭМ в нашей стране установлена систем Microsoft Windows, то программа будет создана для работы именно под данную операционную систему.

Созданная автором диссертационной работы программа представляет собой своего рода оболочку, которая, подобно простому калькулятору, рассчитывает выходные значения по имеющимся входным данным. Пробный вариант диалогового меню программы выглядит, как показано на рисунке 18.

Нажмите кнопку для запуске нейронной с?

Получить результаты расчета.

Сохранить результат.

Рисунок 18 — диалоговое окно программы.

При нажатии на вкладку «Получить результаты расчета», программа выдаст результаты расчетов, осуществленных нейронной сетью. В качестве исходных данных, для упрощения создания программы, можно использовать данные для обучения. Чтобы поменять исходные данные, в папке с программой нужно просто заменить файл, содержащий данные для обучения на аналогичный, который будет содержать данные для обработки. В дальнейшем можно прописать путь к файлу с входными данными в самой программе.

Таким образом, можно выделить ряд ключевых особенностей представления нейронной сети в виде отдельной мини-программы:

— Все необходимые вычисления осуществляются с помощью мини-программ, которые могут быть установлены на каждом энергообъекте. При этом установка нейросетевого программного продукта, (№иго8о1и1-юп8, №игоРго, МайаЬ и др.) моделирующего нейронные сети, требуется только в одном месте (например головной офис энергокомпании).

— Установка на энергообъектах подобных мини-программ не требует огромных финансовых затрат, так как сами эти программы являются, по сути, бесплатными и все, что требуется для эффективного использования — это наличие ПЭВМ с установленной операционной системой.

— Отсутствие необходимости в централизованном управлении. Данная мини-программа функционирует автономно и не требует постоянной связи с центральным сервером, где установлен нейросетевой программный продукт.

— Простейший интерфейс мини-программы позволяет использовать ее практически любому работнику энергообъекта, будь это главный инженер или рядовой сотрудник. Что, в свою очередь, не требует от энергокомпании дополнительных финансовых вложений для обучения сотрудников пользоваться данной мини-программой.

Финальным этапом (этап № 6) является практическое использование разработанной методики в организации. Поскольку этап носит экспериментальный характер, его рассмотрение в данном разделе не актуально. Подробный эксперимент, связанный с задачей прогнозирования ключевых факторов конкурентоспособности рассмотрен непосредственно в главе 3.

Глава 3. Методики использования нейронных сетей для прогнозирования и обеспечения динамики факторов конкурентоспособности предпринимательских структур в сфере электроэнергетики.

3.1. Методика прогнозирования надежности производственных активов на основе использования нейронных сетей. Оценка экономического эффекта.

В предложенной автором методике прогнозирование будущего состояния производственных активов осуществляется в два этапа: на первом этапе происходит обучение нейронной сети, на втором — непосредственно прогнозирование. Для того, чтобы смоделировать реальную ситуацию и проверить эффективность методики, используется массив данных за три года (2008;2010). При этом на этапе обучение используются данные за 2008;2009 года, на этапе проверки (тестирования) — за 2009;2010 года.

На этапе обучения данные по отказам за 2008 год являются входными данными для нейронной сети, по которым происходит ее обучение. Цель данного этапа — предсказать события 2009 год (под событием подразумевается необходимость ремонта, вытекающая из фактов отказов продолжительностью не меньше заданной, и/или числа таких отказов), которые, в свою очередь, являются выходными данными (целевыми значениями).

На этапе проверки данные за 2009 год являются уже входными данными, по которым производится прогнозирование событий 2010 года. Затем прогноз сравнивается с фактическими (реальными) данным за 2010 год. Таким образом, гарантируется полная независимость проверки, то есть, полностью исключена ситуация, в которой модель проверяется по тем же данным, по которым она обучается («порочный круг»).

Предварительный анализ данных по производственным активам.

Прежде чем непосредственно приступить к моделированию нейронной сети, необходимо провести анализ и сформировать базу данных по производственным активам, имеющихся на исследуемом предприятии магистральных электрических сетей (ПМЭС) Оренбургской области.

При анализе данных исследовались такие аспекты, как: причина и возникновение неполадки, частота отказов в зависимости от типа и срока эксплуатации компонента, влияние технического обслуживания, а также затраты, вызванные неисправностями компонентов и их статистическим распределением. На практике, можно взять любое сочетание полей данных и проанализировать его на наличие возможных корреляций. В контексте нейронных сетей корреляция данных имеет решающее значение, поскольку ее отсутствие между данными поступающими на вход сети и ее выходами делает данную сеть бесполезной для эффективного прогнозирования состояния производственных активов.

На исследуемом ПМЭС большая часть производственных активов была введена в эксплуатацию до 1991 года. Часть этого оборудования уже прошла капитальный ремонт и нуждается в самом серьезном контроле. Для данного оборудования должны быть учтены все возможные данные, чтобы максимально точно определить его текущее и самое главное, будущее состояние. Наибольшую ценность представляют данные по технологическим нарушениям. В таблице 2 представлена часть данных по производственным активам за 2008 год. Расширенная база данных представлена в таблице 3 (Приложение 2).

Заключение

.

Проблемы обеспечения конкурентоспособности предпринимательских структур в сфере электроэнергетики с каждым годом обращают на себя все больше внимания со стороны всех заинтересованных сторон, начиная от руководителей предприятий и заканчивая рядовыми потребителями. Особенно остро стоит задача обновления и поддержания надежности производственных активов, как основного фактора конкурентоспособности предпринимательских структур в сфере электроэнергетики.

Использование нейросетевых технологий дало возможность по-новому взглянуть на пути решения данной проблемы. Быстрая, а главное, качественная обработка больших объемов информации и ее дальнейшее использование для прогнозирования надежности производственных активов позволяет обеспечить высокую эффективность системы управления производственными активами, в том числе, в области планирования обновления и поддержания работоспособности производственных активов.

Разработанные методики были апробирован на одном из предприятий Оренбургских МЭС (магистральных электрических сетях). В течение длительного периода управление небольшой частью производственных активов осуществлялось с использованием данных методик. Полученные результаты свидетельствуют о значительном повышении точности определения потерь электроэнергии и улучшение процесса управления производственными активами.

Представленные автором диссертационного исследования методики состоят из следующих основных этапов:

1) Постановка задачи.

2) Сбор, анализ и составление базы данных по имеющимся производственным активам, включающей в себя все необходимые показатели и характеристики. Приведение базы данных в удобный для обработки нейронной сетью вид.

3) Выбор наиболее подходящей архитектуры нейронной сети.

4) Обучение нейронной сети.

5) Тестирование нейронной сети на ранее не известном ей множестве данных по производственным активам.

6) Разработка специального программного продукта на языке программирования С++, представляющего собой аналогичную нейронную сеть, смоделированной на предыдущем этапе.

7) Внедрение и использование программного продукта для прогнозирования будущего состояния производственных активов, и планирование проведения ТОиР, замены и обновления производственных активов на основе полученных результатов прогнозирования их будущего состояния.

Разработанная автором диссертационного исследования методика по прогнозированию надежности производственных активов имеет два основных преимущества перед существующими решениями:

1. По сравнению с методами, основанными на использовании для принятия решения норм и расчетов, опирающихся на статистические данные по типам производственных активов, предложенная методика существенно использует данные по фактическому состоянию производственных активов, что позволяет достичь значительно более высокой эффективности по сравнению например, с «нормативным методом».

2. По сравнению с методами, предназначенными для моделирования поведения отдельных активов (математическое моделирование технических объектов), авторская методика обладает несравнимо большей общностью, а также существенно большей простотой в использовании. Методы математического моделирования применимы исключительно к тем объектам, для которых удалось создать более-менее адекватную математическую модель и не могут быть применены к даже не слишком отличающимся объектамв то время как разработанная автором методика может быть адаптирована к любым видам производственных активов, для которых имеется достаточно обширные накопленные данные по отказам и ремонтам.

3. По сравнению с простым расчетом технических потерь электроэнергии, предложенная автором методика позволяет не только рассчитать текущие потери, но и спрогнозировать их на будущее.

Практическая значимость авторских методик также подкрепляется универсальностью и простотой их применения. Разработанные методики пригодны к применению на предприятиях различной направленности, как материального производства (прогнозирование надежности), так и при производстве услуг (прогнозирование потерь электроэнергии).

Использование специально разработанной мини-программы позволяет использовать предложенные методики практически на любом энергообъекте, избегая при этом проблем, связанных с ее установкой и обучением персонала.

Внедрение предложенных автором методик в предпринимательских структурах в сфере электроэнергетики повысит достоверность получаемой информации по производственным активам, позволит добиться более высокого качества управления и оптимизации издержек на поддержание производственных активов в оптимальном состоянии и, как следствие, повысит конкурентоспособность этих структур.