Программные продукты и системы

В энергетике, являющейся частью мировой техногенной культуры, время от времени наблюдаются нештатные ситуации и крупные аварии, в том числе и по вине обслуживающего (оперативного) персонала. В статье [1] проведен анализ техногенной аварийности в РФ, названы основные внутренние и внешние причины аварийности на опасных производственных объектах. Анализ инцидентов с ошибками персонала показывает, что наибольшее количество ошибочных действий совершается в аварийных ситуациях, при пусках, остановах, при производстве плановых переключений и в процессе других воздействий на органы управления оборудованием. Частота ошибочных действий персонала зависит от его обученности навыкам управления оборудованием и готовности к парированию аварийных ситуаций. Причем, если навыкам проведения типовых и штатных переключений с известными ограничениями можно обучиться на реальном работающем оборудовании, то навыки ликвидации нештатных и аварийных ситуаций невозможно приобрести без применения современных тренажеров [2].

Таким образом, профессиональная подготовка персонала объектов электроэнергетики приобретает приоритетное значение в связи с критической ситуацией, складывающейся в Единой энергетиче- ской системе России по обеспечению надежности ее функционирования, вызванной дефицитом энергетических мощностей, износом основных фондов и т.п. Аварийность на опасных производственных объектах (в том числе на электростанциях и сетевых предприятиях) в более чем 70 % случаев обусловлена так называемым человеческим факто- ром [3].

Для повышения надежности человеческого фактора предприятий критической инфраструктуры разрабатываются всевозможные технические средства обучения – от сложных программно-технических комплексов (полномасштабных трена- жеров реального времени, позволяющих обучать оперативный персонал в различных эксплуатационных режимах) до компьютерных тренажеров, моделирующих работу отдельных технологических систем [4–7].

Эксплуатация гидроагрегатов (ГА) сопровождается постоянным контролем, регистрацией и расчетом технологических показателей его работы. Существует ряд параметров, получающихся в результате математической обработки зарегистрированных значений параметров, например, расход воды через ГА, коэффициент полезного действия ГА, время наработки ГА в каждом режиме и зоне работы. Как правило, функции текущего и перио- дического контроля состояния оборудования, в том числе и статистический учет наработки ГА, возлагаются на оперативный персонал.

Авторы данной статьи принимают участие в разработке тренажера для эмуляции технологических процессов (ТП) ГЭС и работы общестанционных вспомогательных систем и оборудования в соответствии с реальными физическими ограничениями. Тренажер должен максимально реалистично воссоздавать ход ТП, включая индикацию, блокировки, логику работы реального оборудования, моделировать потенциально опасные ситуации на реальных объектах. В связи с этим актуальна разработка модели, позволяющей имитировать значения технологических параметров ГА ГЭС и построенного на ее основе программного тренажера.

Процесс работы на тренажере выглядит следующим образом.

1. Преподаватель выбирает сценарий обучения и начинает процесс тестирования, в ходе которого может воздействовать на модель путем изменения входных параметров.

2. Обучаемый осуществляет работы на автоматизированном рабочем месте (АРМ), где развернуты мнемосхемы, аналогичные мнемосхемам верхнего уровня (ВУ) АСУ ТП ГЭС; просматривает на мнемосхемах ход ТП; переключается между мнемосхемами, просматривает параметры, их линии трендов, выполняет управляющие воздействия при помощи элементов мнемосхем.

3. По окончании теста в автоматическом ре- жиме производится оценка испытуемого.

Постановка задачи исследования

Цель работы – создание модели ГА, позволяющей имитировать все режимы его функционирования и изменять значения технологических параметров в интервалах, соответствующих реальным.

Модель ГА характеризуется набором входных и выходных параметров. Формирование выходных параметров модели осуществляется на основе фиксированного набора алгоритмов, которые выполняются с заданной периодичностью имитации (тактом). Для модели должны быть предусмотрены механизм отключения параметра от логики модели и переход на ручное задание параметров. Модель ТП может подключаться к модели системы автоматизированного управления, а при ее отсутствии частично описывать модель системы.

Описание метода решения задачи исследования

Каждому режиму работы ГА или возможной аварийной ситуации (пуск/останов ГА, повышение температуры обмотки статора генератора, действие электрической защиты трансформатора на останов ГА, незатормаживание ГА при аварийном останове и т.п.) соответствует сценарий обучения тренажера, содержащий перечень имитируемых параметров, допустимые интервалы их изменения, события, привязанные ко времени.

Например, для сценария «Пуск ГА» имитируемыми параметрами будут следующие:

-     скорость турбины;

-     частота вращения турбины;

-     давление воды в спиральной камере;

-     давление воды на уплотнителе вала турбины;

-     давление дисциллята на входе в обмотку статора;

-     датчик положения направляющего аппарата;

-     расход через уплотнение вала;

-     расход дисциллята на обмотку статора.

Общую закономерность изменения ряда данных можно представить в виде линии трендов. На рисунке 1 приведены линии трендов значений технологических параметров ГА, на основании которых разрабатывается сценарий «Пуск ГА». Авторы предлагают рассматривать построение имитационной модели ГА как задачу восстановления регрессии.

Пусть заданы пространство объектов X и множество возможных ответов Y. Существует целевая зависимость y* : X ® Y, значения которой известны только на объектах обучающей выборки , yi = y*(xi). Требуется построить алгоритм a (функцию регрессии): X → Y, аппроксимирующий целевую зависимость y* [8].

При решении таких задач выделяют два этапа. На этапе обучения метод μ по выборке Xℓ строит алгоритм a = μ(Xℓ). На этапе применения алгоритм a для новых объектов x выдает ответы y = a(x). Метод обучения должен допускать эффективную программную реализацию.

Самым перспективным подходом к анализу больших данных считается применение методов машинного обучения, с помощью которых компьютер может находить в массивах данных изначально неизвестные взаимосвязи и закономерности [8].

При выборе метода построения модели необходимо учитывать следующие факторы:

-     задача моделирования значений параметров ГА ГЭС требует анализа естественной информации большого объема: сотни параметров, изменения которых регистрируются с точностью до миллисекунд;

-     технологические параметры ГА связаны между собой сложными функциональными зависимостями;

-     со временем происходят износ оборудования ГА и естественное изменение его параметров.

В данной работе в качестве способа решения задачи восстановления регрессии выбран механизм искусственных нейронных сетей (ИНС). Это обусловлено следующими факторами:

-     ИНС способны смоделировать сложный вид связей между технологическими параметрами ГА;

-     ИНС позволят определять будущие значения технологических параметров ГА с большой точностью;

-     в процессе использования такая модель реагирует на изменения, происходящие с ГА, и автоматически корректирует параметры;

-     в настоящее время разработаны и реализованы эффективные алгоритмы обучения ИНС в виде программных библиотек.

Прикладная интерпретация и иллюстрация полученных результатов исследования

Программной реализацией имитационной модели ГА является модуль работы с нейронными сетями [9]. В этом модуле для группы из n выбранных для сценария входных параметров строятся n трехслойных нейронных сетей с прямой передачей сигнала, то есть моделируется зависимость каждого из n параметров от остальных (n – 1) параметров.

Набор обучающих данных для ИНС формируется по историческим трендам системы автоматизированного управления ГА ГЭС. Выбор параметров для определенного сценария осуществляется с использованием корреляционного анализа: параметры, коэффициент корреляции которых больше установленного порогового значения, включаются в один сценарий.

Для обучения ИНС используется метод обратного распространения ошибки. Критерием остановки процесса обучения нейросети является достижение функционала качества установленного минимального значения. Погрешность имитации параметра ГА на временном интервале T выражается квадратичной функцией потерь L(a, x) = = (a(x) – y*(x))2, где a – такое решение, при котором отклонение функции имитируемого параметра от функции y = y*(x) минимально. Функционал качества является суммой функций потерь на обучающей выборке объектов [8].

Разработанный программный модуль поддерживает выполнение следующих функций:

-     чтение исторических значений моделируемых технологических параметров из файлов;

-     подготовка обучающей выборки для ИНС;

-     обучение нейросетей;

-     построение модели для имитации значений технологических параметров ГА;

-     анализ результатов работы системы моделирования (расчет погрешности моделируемых параметров);

-     построение линий трендов исходных значений параметров и значений, рассчитанных ИНС;

-     сохранение и загрузка нейросетей в систему.

ПО разрабатывается в среде Microsoft Visual Studio на языке программирования С# с использо- ванием фреймворка .NET Accord, реализующего модели машинного обучения и методы оценки их качества. ПО запускается автоматически при включении сервера в виде веб-приложения под управлением сервера IIS.

Пользовательский интерфейс (рис. 2) разработан с использованием следующих библиотек и инструментов:

-     d3.js – библиотека JavaScript для управления документами на основе данных, используется для обработки и визуализации данных;

-     amCharts – библиотека JavaScript для визуализации данных, используется для работы с трендами, графиками, диаграммами;

-     bootstrap – инструментарий с открытым исходным кодом для разработки с помощью HTML, CSS и JS, используется для построения пользовательского интерфейса с версткой под любые размеры экранов.

Приведем сценарии, реализуемые програм- мным модулем.

Просмотр созданных нейросетей:

-     в левой части формы в списке перечислены названия нейронных сетей;

-     если выбрать одну из них, то в правой части экрана появляется информация: имя сети и перечень входных значений параметров;

-     после изменения одного из входных значений параметров происходит вычисление значения параметра при помощи нейронной сети.

Создание новых нейросетей:

-     пользователь загружает n файлов (по количеству параметров), содержащих метки времени и соответствующие значения параметра;

-     система создает n нейронных сетей.

Просмотр линий трендов параметров:

-     пользователь загружает файлы с исходными данными;

-     пользователь выбирает набор ранее созданных нейронных сетей;

-     пользователь выбирает временной интервал для построения трендов;

-     для каждой нейронной сети строится набор трендов следующим образом: открывается файл; выбираются метки времени, удовлетворяющие временному интервалу; для каждой метки времени вычисляются значения параметра при помощи нейронной сети (в качестве входных данных используются данные из файла);

-     для каждой нейронной сети доступны опции построения оригинального тренда и расчета минимального, максимального и среднего отклонений вычисленного значения от эталонного.

Заключение

Разработанная авторами модель имитации значений технологических параметров ГА и модуль работы с нейронными сетями, входящий в состав тренажера оперативного персонала, реализованный на ее основе, позволят для каждого конкретного ГА ГЭС строить модель, отражающую изменения его параметров, и проводить обучение оперативного персонала на основе этой модели.

Литература

1.     Магид С.И., Архипова Е.Н., Куличихин В.В. Актуальные вопросы развития тренажеростроения современной электроэнергетики // Надежность и безопасность энергетики. 2015. № 2. С. 28–41.

2.     Тренажеростроение в России и за рубежом. URL: https://testenergo.ru/simulator-making-in-russia-and-abroad/ (дата обращения: 10.12.2017).

3.     Тренажерная подготовка. Актуальность // Тренажеры для обучения оперативного персонала электростанций и сетевых организаций. URL: https://testenergo.ru/tren-podgotovka/ (дата обращения: 10.12.2017).

4.     Строганов И.Л. Применение автоматизированных компьютерных обучающих систем для предприятий критической инфраструктуры // Изв. ПГУПС. 2008. № 1. С. 297–310.

5.     Южаков А.Ю. Тренажеры для оперативного персонала АЭС // Российской атомное сообщество. URL: http://www. atomic-energy.ru/technology/33812 (дата обращения: 10.12.2017).

6.     Тренажеры // ИТЦ «ДЖЭТ». 1991–2014. URL: http:// www.get-simulator.ru/index.php/ru/deyatelnost/trenazhery (дата обращения: 10.12.2017).

7.     БЬЕФ. Модель гидроагрегата // Промавтоматика. URL: http://pa.ru/ru/katalog/gidro/agregatnyj-uroven/BEF (дата обращения: 10.12.2017).

8.     Воронцов К.В. Математические методы обучения по прецедентам. URL: http://www.machinelearning.ru/wiki/images/6/6d/Voron-ML-1.pdf (дата обращения: 10.12.2017).

9.     Никулина А.В., Трешников П.В., Хвостов А.И., Зелен- ко Л.С. Разработка имитационной модели гидроагрегата ГЭС для тренажера оперативного персонала // Перспективные информационные технологии (ПИТ-2017): сб. науч. тр. Междунар. науч.-технич. конф. Самара: Изд-во СамНЦ РАН, 2017. С. 805–808.