Архив статей журнала
Предлагается структура системы управления синхронизацией сети идентичных агентов в условиях нестационарности и параметрической неопределенности моделей агентов. При синхронизации требуется обеспечить согласован-ное во времени поведение однотипных агентов сети с учетом действующих на каждый агент внешних возмущений. В подсистемах осуществляется слежение за скалярным выходом ведущего агенталидера, агенты зависимы. Измерению доступны скалярные входы и выходы агентов. Для решения поставленной сетевой задачи в каждом агенте строятся законы управления на основе метода вспомогательного контура, в основе которого лежит принцип динамической компенсации. Предварительно формируются сигналы, несущие информацию, негативно влияющую на регулирование подсистемы, а затем осуществляется их компенсация. В каждом агенте требуется информация о производных промежуточных сигналов, для чего используются наблюдатели Халила. Для иллюстрации работоспособности предложенной системы син-хронизации рассмотрен числовой пример управления сетевым объектом, состоящим из четырех агентов, каждый из которых подвержен действию внешних, различных по амплитуде, возмущений. Проведено моделирование в MATLAB Simulink. Результаты моделирования подтвердили теоретические выводы и показали хорошую работоспособность системы синхронизации в условиях неопределенности и нестационарности моделей агентов сети.
Потребление электроэнергии является ключевым фактором устойчивого развития в энергетической отрасли, и точное прогнозирование его изменений имеет важное значение для эффективного управления большими электро-энергетическими системами и ресурсами. Целью данного исследования является разработка математической (регрессионной) модели для прогнозирования поведения электропотребления на каждый час следующих суток для энергосбытовых компаний современными методами машинного обучения и искусственного интеллекта. Рассматриваются различные методы искус-ственного интеллекта, применяемые для моделирования и прогнозирования потребления электроэнергии. К этим методам относятся: линейная модель, случайный лес и две реализации градиентного бустинга над решающими деревьями. Научный подход, основанный на технологии искусственного интеллекта Boosting, позволяет максимально снизить ошибку прогнозирования электропотребления в крупных энергетических компаниях. Авторами разработана новая, полезная и качественная регрессионная модель, адекватно описывающая экспериментальные данные по потреблению электроэнергии за каждый час суток. Выполнено тестирование разработанной регрессионной моде-ли на реальных производственных данных энергетической компании. Проведенное исследование и полученные результаты позволяют авторам сделать вывод о том, что разработанная математическая модель методом машин-ного обучения LightGBM может быть использована энергосбытовыми компаниями для почасового планирования электропотребления при подаче заявок на оптовый рынок электроэнергии и мощности (ОРЭМ) на несколько дней вперед. Исследование было выполнено на языке программирования Python.