Розроблення математичних моделей для підтримки прийняття рішень щодо функціонування критичної інфраструктури в галузі енергопостачання

Автор(и)

  • Олександр Миколайович Терентьєв Інститут телекомунікацій і глобального інформаційного простору Національної академії наук України, Україна https://orcid.org/0000-0002-4288-1753
  • Тетяна Іванівна Просянкіна-Жарова Інститут телекомунікацій і глобального інформаційного простору Національної академії наук України, Україна https://orcid.org/0000-0002-9623-8771
  • Валерій Миколайович Дякон Інститут телекомунікацій і глобального інформаційного простору Національної академії наук України, Україна https://orcid.org/0009-0000-2314-8188
  • Роман Іванович Мануйленко Інститут прикладної математики і механіки Національної академії наук України, Україна https://orcid.org/0000-0003-1083-9697

DOI:

https://doi.org/10.15587/2706-5448.2023.293205

Ключові слова:

критична інфраструктура, математичні моделі, система підтримки прийняття рішень, загрози, критична ситуація

Анотація

Об’єктом дослідження є енергопостачальні компанії та процеси генерації та постачання електричної енергії. В роботі розглянуті проблеми побудови математичних моделей для прогнозування функціонування об’єкта критичної інфраструктури в умовах мінливого безпекового середовища, що характеризується непередбачуваністю, наявністю невизначеностей різних типів, появою нових загроз, їх комбінацій, зміною форм, тривалості, характеру їх впливу. У роботі приділено основну увагу дослідженню функціонування критичної інфраструктури в галузі енергопостачання. На основі дослідження функціонування системи енергетичної компанії, представлені методи боротьби з невизначеностями на етапі підготовки даних до аналізу та під час попередньої побудови моделей, зокрема, статистичні та ймовірнісні підходи, моделювання досліджуваних процесів, альтернативні методи оцінювання параметрів моделей, тощо. Складність підготовки вхідного набору даних пов’язана з тим, що необхідно забезпечити репрезентативність та варіабельність наборів даних, враховуючи те, що значна кількість факторів повинна бути включена в модель згідно вимог нормативних документів, що може призвести до мультиколінеарності вхідних змінних. У роботі запропоновано аналітичний інструментарій, заснований на використанні математичних моделей та їх комбінацій, призначений до використання у спеціалізованих системах підтримки прийняття рішень. В ході дослідження було проведено ряд чисельних експериментів, в яких опрацьовано запропоновану методику на матеріалах підприємства – об’єкта критичної інфраструктури енергетичного сектору. Для побудови моделей використано програмне забезпечення SAS Energy Forecasting. Кращі результати прогнозування отримані за використання узагальнених лінійних моделей (GLM), зокрема моделі GLM у вигляді ARIMAX (модель авторегресії із ковзним середнім, що включає інтегровану складову-тренд та зовнішні регресори). Пропозиції, представлені в роботі, дозволять підвищити ефективність функціонування енергетичного сектору, в тому числі, щодо визначення цілей, завдань та орієнтирів його функціонування в штатному режимі на певні часові періоди, а також у сфері розробки універсальних і спеціальних механізмів забезпечення стійкості у режимі реагування на загрози та критичні ситуації.

Біографії авторів

Олександр Миколайович Терентьєв, Інститут телекомунікацій і глобального інформаційного простору Національної академії наук України

Доктор технічних наук

Відділ прикладної інформатики

Тетяна Іванівна Просянкіна-Жарова, Інститут телекомунікацій і глобального інформаційного простору Національної академії наук України

Кандидат економічних наук

Відділ прикладної інформатики

Валерій Миколайович Дякон, Інститут телекомунікацій і глобального інформаційного простору Національної академії наук України

Кандидат фізико-математичних наук

Відділ прикладної інформатики

Роман Іванович Мануйленко, Інститут прикладної математики і механіки Національної академії наук України

Кандидат технічних наук

Відділ теорії керуючих систем

Посилання

  1. Pro krytychnu infrastrukturu (2021). Zakon Ukrainy No. 1882-IX. 16.11.2021. Available at: https://zakon.rada.gov.ua/laws/show/1882-20#Text
  2. Na Zakarpatti zapustyly Sytuatsiino-analitychnyi tsentr (2022). Available at: https://carpathia.gov.ua/news/na-zakarpatti-zapustili-situacijno-analitichnij-centr
  3. Sait Ministerstva tsyfrovoi transformatsii Ukrainy. Available at: https://thedigital.gov.ua
  4. Informatsiino-analitychna systema «SOTA». Available at: https://www.rnbo.gov.ua/ua/COTA.html
  5. United Nations Office for Disaster Risk Reduction (UNDRR). Available at: https://www.undrr.org/#
  6. Centrefor Research on the Epidemiology of Disasters (CRED). Available at: https://www.cred.be
  7. The International Disasters Database (EM-DAT). Available at: https://www.emdat.be
  8. «Ievropeiskyi dosvid rozbudovy systemy zakhystu krytychnoi infrastruktury: uroky dlia Ukrainy». Analitychna zapyska (2013). Available at: https://niss.gov.ua/doslidzhennya/nacionalna-bezpeka/evropeyskiy-dosvid-rozbudovi-sistemi-zakhistu-kritichnoi
  9. Stiikist zdiisnennia zhyttievo vazhlyvykh funktsii: uzahalnennia dosvidu reahuvannia Ukrainy na ruinuvannia enerhetychnoi infrastruktury (2023). Available at: https://niss.gov.ua/doslidzhennya/natsionalna-bezpeka/stiykist-zdiysnennya-zhyttyevo-vazhlyvykh-funktsiy-uzahalnennya
  10. Pederson, P., Dudenhoeffer, D., Hartley, S., Permann, M. (2006). Critical In frastructure Interdependency Modeling (CIMS). National Laboratory Idaho Falls. Idaho, 126. Available at: http://cip.management.dal.ca/publications/Critical%20Infrastructure%20Interdependency%20Modeling.pdf
  11. High-level Advisory Bodyon Artificial Intelligence. United Nations. Available at: https://www.un.org/en/ai-advisory-body
  12. Shevchenko, A. I., Kondratenko, Yu. P., Bilokobylskyi, O. V., Lande, D. V., Vakulenko, M. O., Mintser, O. P. et al. (2022). Stratehiia rozvytku shtuchnoho intelektu v Ukraini na 2022–2030 rr. Artificial Intelligence, 1, 75–157. Available at: https://www.slyusar.kiev.ua/AI_2022-1-1_ua.pdf
  13. SAS EnergyForecasting. Available at: https://www.sas.com/en_us/software/energy-forecasting.html
  14. Kaptein, M., Vanden, H. E. (2022). Statistics fo rData Scientists. Cham: Springer, 321. doi: https://doi.org/10.1007/978-3-030-10531-0
  15. Fomby, T. (2008). The Unobservable Components Model. Southern Methodist University Dallas, 42. Available at: https://s2.smu.edu/tfomby/eco5375/data/Unobservable%20Components%20Models/The%20Unobservable%20Components%20Model.pdf
  16. Blaine, B. (2023). Introductory Applied Statistics. Cham: Springer, 190. doi: https://doi.org/10.1007/978-3-031-27741-2
  17. Kokonendji, C. C., Bonat, W. H., Abid, R. (2020). Tweedie regression models and its geometric sums for (semi-) continuous data. WIREs Computational Statistics, 13 (1). doi: https://doi.org/10.1002/wics.1496
  18. Terentiev, O. M. (2021). Modeli, metody ta informatsiini tekhnolohii prohnozuvannia neliniinykh nestatsionarnykh protsesiv v umovakh nevyznachenosti. Kyiv, 469. Available at: https://itgip.org/wp-content/uploads/2021/04/dis.pdf
  19. Hernández, L., Baladrón, C., Aguiar, J., Calavia, L., Carro, B., Sánchez-Esguevillas, A. et al. (2014). Artificial Neural Network for Short-Term Load Forecasting in Distribution Systems. Energies, 7 (3), 1576–1598. doi: https://doi.org/10.3390/en7031576
  20. Borra, S., Dey, N., Bhattacharyya, S., Bouhlel, M. S. (Eds.) (2019). Intelligent decision support systems. Berlin, Boston: DeGruyter, 183. doi: https://doi.org/10.1515/9783110621105
Development of mathematical models to support decision-making regarding the functioning of critical infrastructure in the industry of energy supply

##submission.downloads##

Опубліковано

2023-12-15

Як цитувати

Терентьєв, О. М., Просянкіна-Жарова, Т. І., Дякон, В. М., & Мануйленко, Р. І. (2023). Розроблення математичних моделей для підтримки прийняття рішень щодо функціонування критичної інфраструктури в галузі енергопостачання. Technology Audit and Production Reserves, 6(2(74), 44–49. https://doi.org/10.15587/2706-5448.2023.293205

Номер

Розділ

Системи та процеси керування