ГЛАВА 6. МЕТОДОЛОГИЯ И МЕТОДИКА СИНТЕЗА

И ЭКСПЛУАТАЦИИ АДАПТИВНЫХ АСУ

СЛОЖНЫМИ СИСТЕМАМИ

В данной главе просуммированы основные результаты предыдущих глав и на основе этого получен главный итог теоретической части данной работы: методология синтеза адаптивных АСУ СС. Далее эта методология конкретизирована до уровня методики, алгоритма, а затем и конкретного примера реализации синтеза адаптивной АСУ CC (в качестве СОУ выбрана автономная комбинированная фотоветроэлектроэнергетическая установка – ФВЭУ).

6.1. МЕТОДОЛОГИЯ СИНТЕЗА ААСУ СС

Как было показано выше, объект определяется как сложный, если для построения его аналитической модели недостаточно априорной информации. Очевидно, классификация объекта как сложного относительная, т.е. зависит не только от его объективной сложности, но и от наличия у разработчиков АСУ достаточной информации о нем. Следовательно, для построения аналитической модели сложного объекта управления необходимо изучить (познать) его.

В качестве инструмента для первого этапа изучения (познания) сложных систем, связанного с первичным накоплением и анализом данных об их поведении под влиянием различных факторов, авторами предложено применение обучающихся с учителем адаптивных моделей распознавания образов и принятия решений, основанных на теории информации вообще и на апостериорном подходе в частности.

Подобные модели предлагаются в настоящем исследовании. Необходимо отметить, что их применение в АСУ не является традиционным.

Применение обучающейся с учителем адаптивной модели в реально работающей АСУ позволяет выделить существенные признаки (факторы), а также зависимости между ними и целевыми состояниями объекта управления. Построение на этой основе содержательной аналитической или какой-либо другой статической модели детерминистского типа уже не является большой проблемой.

Таким образом, адаптивные АСУ сложными системами, построенные на основе обучающихся и адаптивных моделей, могут рассматриваться как инструментальные средства для разработки традиционных АСУ.

Основная задача, возникающая при синтезе АСУ, состоит в определении конкретного вида модели, которая представляет собой по существу математическую модель объекта управления. Модель представляет собой некоторое аналитическое выражение (или систему выражений), связывающее входные и выходные параметры объекта управления. Для построения модели используется априорная информация об объекте управления.

В случае сложного объекта управления пути построения модели неочевидны и задача ее построения трансформируется в проблему. Это следует уже непосредственно из самого определения сложной системы.

Само понятие "модели" также требует уточнения для случая СОУ. Выходные параметры связаны с состояниями СОУ сложным, неоднозначным, а часто и просто неизвестным образом, поэтому известных параметров СОУ недостаточно для полного и однозначного определения его состояния. Следовательно, принимать решение об управляющем воздействии на СОУ, зная только его выходные параметры, рискованно. Управление СОУ должно осуществляться не по его параметрам, а по состояниям. Но для этого, как минимум, надо уметь идентифицировать эти состояния. Следовательно, в АСУ СОУ возникает задача вероятностной идентификации состояния сложного объекта управления по его наблюдаемым (известным) параметрам. (Отметим, что для объектов управления, которые полностью описываются своими параметрами, понятие "состояние объекта" эквивалентно понятию "система параметров", поэтому оно в явном виде не вводится, хотя и подразумевается.)

Данная задача должна решаться на основе математической модели СОУ. Для ее построения целесообразно использовать более общие классы моделей, чем аналитические, например, матричные (статистические) и информационные модели, которые относятся к абстрактным моделям.

Подобные модели не могут быть непосредственно применены для управления. Они требуют предварительной конкретизации, которая осуществляется путем учета конкретной информации о фактическом поведении данного СОУ. Предлагается компенсировать недостаток априорной информации о сложном объекте управления апостериорной информацией о нем, т.е. окончательный синтез модели СОУ (его модели) предлагается осуществлять не до начала эксплуатации АСУ, как обычно, а уже непосредственно в процессе ее эксплуатации в адаптивном режиме.

Первая и основная цель всякого АСУ, в том числе и АСУ СОУ, состоит в том, чтобы эффективно перевести объект управления в целевое состояние. Но АСУ СОУ должны обеспечивать также и достижение второй задачи, а именно: формирование конкретной информационной модели СОУ на основе некоторой абстрактной модели и фактической информации о поведении СОУ.

Из вышесказанного следует, что работы по разработке и внедрению АСУ СОУ существенно отличаются от "стандартного варианта". Так, обычно АСУ сначала полностью разрабатываются (включая модель объекта управления и методы выработки управляющего воздействия), а затем внедряются, причем уже на этапе экспериментальной эксплуатации осуществляется реальное управление объектом управления. Этот цикл "разработка–внедрение" может повторяться, в этом случае говорят о разработке и внедрении новых версий АСУ.

В случае же АСУ СОУ конкретизация модели сложного объекта управления и методов выработки управляющих воздействий осуществляется не "за рабочим столом", а лишь на этапе экспериментальной эксплуатации. При этом реальное управление СОУ не осуществляется, а лишь имитируется (моделируется) в целях определения его эффективности и качества. Этап экспериментальной эксплуатации, по сути являющийся адаптацией, заканчивается тогда, когда качество управления достигает практически приемлемого уровня. Только после этого начинается реальная эксплуатация АСУ СОУ в опытно–производственном и производственном режимах.

Существуют два подхода в применении АСУ СОУ:

- эксплуатация в режиме АСУ с фиксированной моделью;

- эксплуатация в адаптивном режиме, когда периодически согласно утвержденному регламента или при наступлении определенного события, например, когда в АСУ накопится информация об определенном количестве циклов управления [13], запускается режим перестройки модели - адаптации.

Следовательно, по своей сущности АСУ СОУ являются адаптивными, но использоваться они могут и как стационарные [13]. Таким образом, вторая цель адаптивных АСУ (адаптация модели) в контексте данного исследования выступает на первый план, так как авторы предлагают использовать адаптивные АСУ СОУ в качестве инструментальных систем для синтеза АСУ, т.е. по сути дела - в качестве систем автоматизации проектирования АСУ (САПР АСУ). Имеется в виду, что абстрактные модели, реализованные в адаптивных АСУ СОУ, достаточно универсальны для того, чтобы путем адаптации (привязки) на основе данных о различных конкретных СОУ обеспечить синтез широкого класса конкретных АСУ.

При проектировании адаптивной АСУ СОУ прежде всего возникает задача выбора определенной абстрактной модели СОУ. К модели предъявляют ряд довольно жестких требований, связанных с тем, что эта модель должна обеспечивать выработку управляющего воздействия в АСУ СОУ. Как минимум, это означает, что данная модель должна обеспечивать решение следующих задач:

- формирование обобщенных образов состояний СОУ на основе обучающей выборки (обучение);

- идентификацию состояния СОУ на основе его выходных параметров (распознавание);

- определение влияния входных параметров на перевод СОУ в различные состояния (обратная задача распознавания);

- прогнозирование поведения СОУ в условиях полного отсутствия управляющих воздействий;

- прогнозирование поведения СОУ при различных вариантах управляющих воздействий.

Чтобы решение этих задач представляло практический интерес, оно должно обеспечиваться в режиме реального времени на реальных размерностях данных и на стандартных компьютерах.

Учитывая эти требования, авторами предложено в качестве абстрактной модели применить модель распознавания образов, которая конкретизируется путем обучения с учителем (экспертом) на основе информации о фактическом поведении СОУ.

Отметим, что с формально-математической точки зрения задачи идентификации и прогнозирования не отличаются, различие состоит лишь в содержании обрабатываемой информации: при идентификации по актуальным признакам надо классифицировать актуальное состояние СОУ, а при прогнозировании по прошлым и актуальным признакам (факторам) - его будущее состояние.

Возникло предположение, что различные методы распознавания в различной степени удовлетворяют вышеперечисленным требованиям. И действительно, аналитический обзор и анализ различных моделей распознавания образов, описанных в специальной литературе, приводит к выводу, что, безусловно, выбор уже разработанной абстрактной модели, удовлетворяющей всем этим требованиям одновременно, представляет собой определенную проблему.

Поэтому авторами было признано целесообразным разработать модель распознавания с учетом требований, предъявляемых в адаптивных АСУ сложными объектами. Такая модель была разработана [318, 327, 329] на основе теории информации и апостериорного подхода А.А.Харкевича [373], который предложил семантическую меру целесообразности информации. В соответствии с этим подходом количество информации измеряется изменением степени целесообразности поведения системы (в нашем случае СОУ).

Рассмотрим подробнее применение данной модели в адаптивных АСУ сложными объектами.

Как уже отмечалось выше, цель применения АСУ обычно можно представить в виде некоторой суперпозиции трех подцелей:

1. Стабилизация состояния объекта управления в динамичной или агрессивной внешней среде.

2. Перевод объекта в некоторое конечное (целевое) состояние, в котором он приобретает определенные заранее заданные свойства.

3. Повышение качества функционирования АСУ (адаптация).

Эти цели имеют различные приоритеты в различных типах АСУ. В данном исследовании на первый план выступает вторая цель, являющаяся более общей.

В классическом варианте АСУ рассматривается как система, состоящая из двух основных подсистем: управляющей и управляемой, т.е. из субъекта и объекта управления (см. рис. 2.1). Причем АСУ действует в определенной окружающей среде, которая является общей и для субъекта, и для объекта. Граница между тем, что считается окружающей средой, и тем, что считается объектом управления относительна и определяется возможностью подсистемы управления оказывать на них воздействие: на объект управления управляющее воздействие может быть оказано, а на среду нет.

Как было указано выше, управляющая система (см. рис. 2.2) состоит из следующих подсистем:

А. Подсистема идентификации состояний окружающей среды и объекта управления.

Б. Подсистема выработки управляющих воздействий.

В. Подсистема реализации управляющих воздействий (исполнительный орган).

Некоторые авторы [241] объединяют первые две подсистемы в одну, которую называют управляющим органом.

А. Подсистема идентификации (мониторинга) по сути дела решает задачу измерения, т.е. по определенным внешним признакам, на основе модели, она принимает решения о принадлежности текущих состояний среды и объекта управления к определенным классификационным категориям, т.е. к тем или иным градациям измерительных шкал.

Б. Подсистема выработки управляющих воздействий анализирует влияние среды на объект управления и вырабатывает такие управляющие воздействия, которые, действуя с учетом прогнозируемого влияния среды, позволяют в определенном смысле "наилучшим образом" достичь цели управления.

В. Подсистема реализации управляющих воздействий, т.е. исполнительный орган, непосредственно осуществляет управляющее воздействие на управляемый объект. Управляющие воздействия имеют различную природу, соответствующую типу объекта управления.

Рассмотрим применение системы распознавания в подсистемах идентификации и выработки управляющих воздействий адаптивных АСУ СОУ. Как видно из рис. 2.2, система распознавания образов входит как в подсистему идентификации состояния объекта управления (мониторинга), так и в подсистему выработки управляющих воздействий.

Однако применяется она в этих подсистемах по–разному.

В подсистеме идентификации система распознавания образов применяется для того, чтобы классифицировать состояние сложного объекта управления, т.е. дать ему обобщающую (т.е. макро–) оценку, не сводящуюся к совокупности значений его выходных параметров. Поэтому в подсистеме идентификации основным является режим распознавания.

В подсистеме выработки управляющих воздействий по заданным целевым состояниям СОУ определяют:

- предпосылки, т.е. не зависящие от человека факторы (включающие предысторию СОУ, его актуальное состояние и факторы среды), необходимые для достижения этого состояния;

- управляющие воздействия, которые могут перевести (т.е. ранее переводили) сложную систему в данном актуальном состоянии, с данной предысторией и находящуюся в данной окружающей среде в заданное целевое состояние.

Обе эти задачи относятся к обратным задачам декодирования теории информации. Для предложенной авторами модели распознавания образов они являются стандартными и реализуются в типологическом анализе при выводе информационного портрета класса распознавания с фильтрацией по уровню признаков.

После выработки управляющих воздействий прогнозируется результат их применения. Для этого применяется режим распознавания.

Итак, в подсистеме выработки управляющих воздействий основным является режим вывода информационных портретов (решения обратной задачи декодирования), а режим распознавания - вспомогательным.

Следовательно, в подсистемах идентификации (мониторинга) и выработки управляющих воздействий практически может быть применена одна и та же система распознавания образов. Однако в этих подсистемах система распознавания используется по–разному и в ней обрабатывается различная информация:

- в системе идентификации используется режим распознавания;

- в подсистеме выработки управляющих воздействий - режим вывода информационных портретов (обратная задача распознавания).

В обеих подсистемах используются режимы обучения с учителем (экспертом) и верификации решающих правил. Без обучения основные режимы вообще не работают, а без верификации работают, но неизвестно как.

6.2. АЛГОРИТМ СИНТЕЗА ААСУ СС

Рассмотрим подробнее предлагаемый авторами алгоритм синтеза адаптивных АСУ сложными объектами с применением модели распознавания образов.

Основная идея предлагаемого алгоритма состоит в том, что применение обучающейся с учителем (экспертом) адаптивной модели позволяет выявить информационные зависимости между факторами и целевыми состояниями объекта управления, т.е. фактически конкретизировать абстрактную модель СОУ, построить его модель и осуществить синтез АСУ (рис. 6.1).

Рис. 6. 1. Алгоритм синтеза

адаптивной АСУ сложными системами

Шаг 1–й (формальная постановка задачи): для начала работы по конкретизации модели СОУ разрабатывают описательные и классификационные шкалы, необходимые для формализованного описания предметной области. Описательные шкалы описывают признаки прошлых и актуальных состояний среды и объекта управления, а классификационные – все возможные, в том числе целевые, будущие состояния СОУ.

Шаг 2–й (формирование обучающей выборки): информация о состоянии среды и объекта управления, а также вариантах управляющих воздействий поступает на вход подсистемы обучения с учителем. Работа по преобразованию информации о вариантах управляющего воздействия в формализованный вид (кодирование) осуществляется оператором, обслуживающим систему. При этом используются описательные шкалы, позволяющие описать в формализованном виде варианты управляющих воздействий, а также состояния среды и сложного объекта управления. Кроме того, экспертами (дополнительно) с использованием классификационных шкал сообщается системе, к каким результатам на практике приводят те или иные управляющие воздействия на объект управления, находящийся в определенном актуальном состоянии и в данной окружающей среде.

Вся эта информация представляется в виде специальных кодированных бланков, используемых также для ввода информации в компьютер. В результате ее ввода в базы данных получается так называемая "обучающая выборка".

Шаг 3–й (обучение): обучающая выборка обрабатывается обучающим алгоритмом, на основе чего им формируются решающие правила (обобщенные образы состояний СОУ, отражающие весь спектр будущих возможных состояний объекта управления), а также определяется ценность факторов для решения задач подсистемы идентификации, мониторинга и прогнозирования.

Шаг 4–й (оптимизация): факторы, не имеющие особой прогностической ценности, корректным способом удаляются из системы. Данный процесс осуществляется с помощью итерационных алгоритмов, при этом обеспечивается выполнение ряда ограничений, таких как результирующая размерность пространства факторов, его информационная избыточность и т.п.

Шаг 5–й (подготовка данных для типологического анализа): формирование решающих правил не является единственным результатом работы подсистемы обучения. Эта система готовит также исходные данные для типологического анализа, который включает: информационные портреты, кластерно–конструктивный анализ, семантические сети, а также когнитивные диаграммы состояний СОУ и факторов [196].

Шаг 6–й (адаптация модели). В подсистеме идентификации предусмотрен режим дозаписи распознаваемой выборки к обучающей, чтобы в последующем, когда станет известна степень адекватности прогноза результатов управления, этой верифицированной (т.е. достоверной) оценочной информацией дополнить обучающую выборку и переформировать решающие правила (обучающая обратная связь). При адаптации могут быть легко изменены и описательные, и классификационные (оценочные) шкалы, что позволяет плавно расширить или изменить сферу функционирования адаптивной АСУ СОУ.

Шаг 7–й (верификация модели): если решающие правила построены (на шаге 3) и оптимизированы (на шаге 4), но качество их работы неизвестно, то пользоваться ими для принятия решений было бы опрометчиво. Верификация решающих правил основана на использовании внутреннего критерия качества алгоритма распознавания и может быть выполнена в любой момент, например по требованию экспертов, но в обязательном порядке - после каждой адаптации. Для выполнения данной функции обучающая выборка копируется в распознаваемую, осуществляется ее автоматическая классификация (в режиме распознавания), результаты автоматической классификации сравниваются с независимой экспертной классификацией. На основе этого рассчитывается так называемая внутренняя дифференциальная и интегральная валидность, которая является, соответственно, детализированной и обобщающей характеристиками качества решающих правил (все эти работы полностью автоматизированы).

Если результаты верификации конкретной модели СОУ удовлетворяют разработчиков адаптивной АСУ и заказчиков, то АСУ переводится из пилотного режима, при котором управляющие решения генерировались, но не исполнялись, в режим опытно–производственной эксплуатации, когда они реально начинают использоваться для управления. Если же модель признана недостаточно адекватной, то необходимо расширять перечень факторов (так как значимые факторы могли быть упущены из анализа), увеличивать объем обучающей выборки, исключать артефакты, пересматривать экспертные оценки и переформировывать коллектив экспертов, а также предпринимать другие действия для улучшения качества модели (повторять шаги 1 – 7).

Необходимо отметить, что когда конкретная информационная модель СОУ построена и оптимизирована, то разработать на ее основе содержательную аналитическую или другую статическую модель детерминистского типа, например, регрессионную, уже достаточно просто.

Таким образом, предложены методология и конкретный алгоритм применения системы распознавания образов и принятия решений, основанных на теории информации, для синтеза адаптивных АСУ СОУ, обеспечивающих решение следующих задач:

- формирование обобщенных образов состояний СОУ на основе обучающей выборки (обучение);

- идентификация состояния СОУ на основе его выходных параметров (распознавание);

- определение влияния входных параметров на перевод СОУ в различные состояния (обратная задача распознавания);

- прогнозирование поведения СОУ в условиях полного отсутствия управляющих воздействий;

- прогнозирование поведения СОУ при различных вариантах управляющих воздействий.

Выявленные в результате работы адаптивных АСУ зависимости входных и выходных параметров сложных объектов управления позволяют, при условии статичности этих закономерностей, построить АСУ с постоянной моделью.

6.3. МЕТОДИКА СИНТЕЗА ААСУ СС.

ПРИМЕР СИНТЕЗА АДАПТИВНОЙ САУ

ФОТОВЕТРОЭЛЕКТРОЭНЕРГЕТИЧЕСКОЙ УСТАНОВКОЙ

Рассмотрим применение предложенной методологии для синтеза операционного уровня систем автоматического управления (САУ) автономными комбинированными фотоветроэлектроэнергетическими установками (ФВЭУ), представляющими собой типичный пример сложной технической системы.

В соответствии с приведенным выше общим алгоритмом синтеза ААСУ СС и основываясь на результатах работы [316] рассмотрим численный пример синтеза САУ ФВЭУ с применением предложенных в данной работе математической модели и алгоритма.

Шаг 1-й: сконструируем классификационные и описательные шкалы (табл. 6.1 и 6.2):

Таблица 6. 1

КЛАССИФИКАЦИОННАЯ ШКАЛА
(РЕЖИМЫ ЭНЕРГОРАСПРЕДЕЛЕНИЯ)

№ п/п	Наименование градации
1	Режим– 1: все группы потребителей откл. Заряд накопителя
2	Режим– 2: 2–4 группы потребителей откл. Заряд накопителя
3	Режим– 3: 3–4 группы потребителей откл. Заряд накопителя
4	Режим– 4: 4 группа потребителей откл. Заряд накопителя
5	Режим– 5: 3 группа потребителей откл. Заряд накопителя
6	Режим– 6: все группы потребителей ПОДКЛ. Заряд накопителя
7	Режим– 7: 2–4 группы потребителей откл. Разряд накопителя
8	Режим– 8: 3–4 группы потребителей откл. Разряд накопителя
9	Режим– 9: 4 группа потребителей откл. Разряд накопителя
10	Режим–10: 3 группа потребителей откл. Разряд накопителя
11	Режим–11: все группы потребителей ПОДКЛ. Разряд накопителя

Таблица 6. 2

ОПИСАТЕЛЬНЫЕ ШКАЛЫ (ФАКТОРЫ)

Кодирование			Наименования шкал градаций
Шкала 1: "Текущий баланс энергосистемы"
X	1	1	> 0 для 1–й, 2–й, 3–й, 4–й групп нагрузок
	2	2	> 0 только для 1–й, 2–й, 3–й групп нагрузок
	3	3	> 0 только для 1–й, 2–й групп нагрузок
	4	4	> 0 только для 1–й группы нагрузок
	5	5	< 0 для 1–й группы нагрузок
Шкала 2: "Состояние заряженности аккумуляторной батареи"
Y	1	6	Накопитель полностью заряжен 95% <= Q <= 100%
	2	7	Накопитель хорошо заряжен 75% <= Q < 95%
	3	8	Накопитель слабо заряжен 30% <= Q < 75%
	4	9	Накопитель полностью разряжен 0% <= Q <= 30%
Шкала 3: "Прогноз поступления возобновляемой энергии"
Z	1	10	Прогнозируемый интегральный баланс положителен
	2	11	Прогнозируемый интегральный баланс отрицателен

Шаг 2-й: с использованием приведенных выше шкал представим экспертные оценки целесообразности выбора различных режимов энергораспределения из работы [316] в форме, соответствующей требованиям обработки информации в автоматизированных системах [196] (табл. 6.3):

Таблица 6. 3

ОБУЧАЮЩАЯ ВЫБОРКА

№ п/п	Факторы			Режимы энергораспределения								№ п/п	Факторы			Режимы энергораспределения
	X	Y	Z										X	Y	Z
1	1	6	10	11								21	1	6	11	6
2	1	7	10	10	11							22	1	7	11	5	6
3	1	8	10	9	10	11						23	1	8	11	4	5	6
4	1	9	10	8	9	10	11					24	1	9	11	3	4	5	6
5	2	6	10	10	11							25	2	6	11	5	6
6	2	7	10	9	10	11						26	2	7	11	4	5	6
7	2	8	10	8	9	10	11					27	2	8	11	3	4	5	6
8	2	9	10	7	8	9	10	11				28	2	9	11	2	3	4	5	6
9	3	6	10	9	10	11						29	3	6	11	4	5	6
10	3	7	10	8	9	10	11					30	3	7	11	3	4	5	6
11	3	8	10	7	8	9	10	11				31	3	8	11	2	3	4	5	6
12	3	9	10	1	7	8	9	10	11			32	3	9	11	1	2	3	4	5	6
13	4	6	10	8	9	10	11					33	4	6	11	3	4	5	6
14	4	7	10	7	8	9	10	11				34	4	7	11	2	3	4	5	6
15	4	8	10	1	7	8	9	10	11			35	4	8	11	1	2	3	4	5	6
16	4	9	10	1	1	7	8	9				36	4	9	11	1	1	2	3	4
17	5	6	10	7	8	9	10	11				37	5	6	11	2	3	4	5	6
18	5	7	10	1	7	8	9	10	11			38	5	7	11	1	2	3	4	5	6
19	5	8	10	1	1	7	8	9	10	11		39	5	8	11	1	1	2	3	4	5	6
20	5	9	10	1	1	1	7	8	9	10	11	40	5	9	11	1	1	1	2	3	4	5	6

Шаг 3-й: на основе математической модели, предложенной в [316], и представленных выше исходных данных получим матрицу информативностей (табл. 6.4), которая показывает, какое количество информации о целесообразности выбора того или иного режима энергораспределения получает САУ, если установлено действие некоторого фактора.

Данная матрица информативностей и представляет собой конкретную информационную модель ФВЭУ, на основе которой САУ может принимать решения о выборе наиболее целесообразного режима энергораспределения. Выбирается тот режим, о котором в системе факторов {X, Y, Z} содержится максимальное количество информации (табл. 6.5):

Таблица 6. 4

МАТРИЦА ИНФОРМАТИВНОСТЕЙ

№ п/п		Режимы энергораспределения ФВЭУ											Дифф. мощность
		1	2	3	4	5	6	7	8	9	10	11
Факторы	1	–––	–––	–––	0,05	0,21	0,34	–––	–––	0,05	0,24	0,47	0,165
	2	–––	–––	–––	0,10	0,20	0,17	–––	–––	0,10	0,23	0,17	0,092
	3	–0,39	0,03	0,04	0,08	0,02	–0,01	0,03	0,04	0,08	0,05	–0,01	0,131
	4	0,13	0,17	0,12	–––	–0,07	–0,09	0,17	0,12	–––	–0,19	–0,25	0,146
	5	0,39	0,21	–––	–0,12	–0,18	–0,21	0,21	–––	–0,12	–0,15	–0,21	0,203
	6	–––	–––	–0,04	0,06	0,16	0,25	–––	–0,04	0,06	0,19	0,25	0,112
	7	–0,45	–0,03	–0,02	0,02	0,08	0,06	–0,03	–0,02	0,02	0,11	0,06	0,151
	8	0,03	0,07	0,02	0,02	–0,04	–0,07	0,07	0,02	0,02	–0,01	–0,07	0,048
	9	0,32	0,14	0,05	–0,07	–0,13	–0,16	0,14	0,05	–0,07	–0,22	–0,16	0,165
	10	–––	–––	–––	–––	–––	–––	0,42	0,39	0,38	0,38	0,38	0,203
	11	–0,01	0,41	0,39	0,37	0,37	0,37	–––	–––	–––	–––	–––	0,201
Детерминированность		0,25	0,13	0,12	0,13	0,17	0,20	0,13	0,12	0,13	0,20	0,24	0,165

Таблица 6. 5

ВЫБОР РЕЖИМА ФВЭУ (ПРИ X=1, Y=1, Z=1)

Код	Наименование режима	%	Гистограмма
11	Режим–11: все гр.потр.ПОДКЛ. Разряд АБ	80	
10	Режим–10: 3 гр.потр. откл. Разряд АБ	67	
9	Режим– 9: 4 гр.потр. откл. Разряд АБ	56	
6	Режим– 6: все гр.потр.ПОДКЛ. Заряд АБ	43	
8	Режим– 8: 3–4 гр.потр. откл. Разряд АБ	33	
5	Режим– 5: 3 гр.потр. откл. Заряд АБ	24	
7	Режим– 7: 2–4 гр.потр. откл. Разряд АБ	22	
1	Режим– 1: все гр.потр. откл. Заряд АБ	–1
4	Режим– 4: 4 гр.потр. откл. Заряд АБ	–5	
3	Режим– 3: 3–4 гр.потр. откл. Заряд АБ	–33	
2	Режим– 2: 2–4 гр.потр. откл. Заряд АБ	–42	

Сравнение табл. 6.5, полученной с применением предложенной математической модели, методологии, алгоритма и методики с табл. 4.8 (с. 119), полученной на основе меры Шеннона, показывает, что они обладают очень высоким уровнем сходства. Имеющиеся различия обусловлены преимуществами предложенного подхода.

6.4. ВЫВОДЫ

1. Предложена методология синтеза адаптивных АСУ сложными системами, основанная на применении методов распознавания образов в подсистемах АСУ. В подсистемах идентификации (мониторинга) и выработки управляющих воздействий практически может быть применена одна и та же система распознавания образов. Однако в этих подсистемах система распознавания используется по-разному и в ней обрабатывается различная информация:

- в подсистеме идентификации используется режим распознавания;

- в подсистеме выработки управляющих воздействий применяется режим вывода информационных портретов системы распознавания, т.е. принятие решения о выборе управляющих воздействий осуществляется путем решения обратной задачи распознавания.

В обеих подсистемах используются режимы обучения с учителем (экспертом) и верификации решающих правил.

2. Предложен конкретный алгоритм применения системы распознавания образов и принятия решений, основанных на теории информации, для синтеза адаптивных АСУ СОУ, обеспечивающих решение ряда задач:

- формирование обобщенных образов состояний СОУ на основе обучающей выборки (обучение);

- идентификация состояний СОУ на основе его выходных параметров (распознавание);

- определение влияния входных параметров на перевод СОУ в различные состояния (обратная задача распознавания);

- прогнозирование поведения СОУ в условиях полного отсутствия управляющих воздействий;

- прогнозирование поведения СОУ при различных вариантах управляющих воздействий.

3. Сравнение результатов решения задачи выбора наиболее рационального режима энергораспределения ФВЭУ на основе предложенной математической модели, методологии, алгоритма и методики с результатами, полученными на основе меры Шеннона, показывает, что они обладают очень высоким сходством. Имеющиеся различия обусловлены преимуществами предложенного подхода.