Специфика региональных систем электроснабжения определена целым  спектром задач. Ключевые из которых: поддержание социальной стабильности и комфортных условий проживания в труднодоступных районах, ориентация на доступные  виды энергоносителей, минимизация логистических затрат [1,2]. Настоящие проблемы и задачи региональных изолированных  электроэнергетических систем характерны для большинства стран, независимо от климата.

Особенное значение для России такой указанной проблемы привело к созданию  Технологической платформы «Малая распределенная энергетика», и к выделению развития распределенной энергетики как одного из направлений «Энергетической стратегии России на период до 2030 года» [1].

В настоящее время малая электроэнергетика России состоит из более 49000 малых электростанций общей мощностью более 17 млн. кВт  (около 8% от всей установленной мощности электростанций России), работающих как в энергосистемах, так и автономно. Общая годовая выработка электроэнергии на этих электростанциях достигает 5% от выработки всех электростанций страны. Средняя установленная мощность малых электростанций составляет примерно 340 кВт. Основной источник электрической энергии малой электростанции – дизельный электрогенератор[2,3] .

Указанные обстоятельства ведут к росту расходования дизельного топлива, что сопровождается появлением экологических, ценовых, логистических и целого спектра других специфических явлений. Достаточно указать на появление регионов с разбросом  стоимости одного кВт*час полученного от ДЭС доходящего до 30 раз  [3].

Выявленные проблемы региональных систем электроснабжения требуют решения целого спектра взаимно увязанных задач [4,5,6,7]:

- создание методик оптимизации размещения малых электростанций;

- разработка малых электростанций адаптированных к местным энергетическим ресурсам;

- создание методик проектирования электротехнических комплексов малой энергетики оптимальных в смысле энергоэффективности;

- создание методик и вычислительных инструментов анализа электротехнических комплексов;

- создание электротехнических комплексов, на базе дизельных электростанций, минимизирующих расход ресурсов при сохранении качества и надежности поставляемой энергии;

- создание многокомпонентных, в смысле видов первичных источников энергии, автономных систем энергоснабжения;

- создание систем повышения квалификации и переподготовки кадров в области МЭ.

Для решения проблемы повышения эффективности управления используются разные подходы, нацеленные, преимущественно, на постоянное получение информации о состоянии системы, её оперативную обработку и выдачу адекватных управляющих воздействий, совершенствование характеристик и структуры системы управления, оптимизация алгоритмов управления и т.п. Использование этих подходов позволяет решить многие проблемы, но не все. Особенно для систем, распределённых в пространстве и обладающих большой инерционностью в отработке управляющих воздействий.  Основная причина этого – в особенностях управления динамичными распределёнными системами.

В современных условиях, в рамках применяемых в настоящее время технологий, основой эффективного управления является своевременное и полное получение информации о состоянии управляемой системы. Полнота и актуальность этой информации обеспечивается наличием в системе управления средств сбора информации о состоянии и их мониторинга.

Мониторинг состояния осуществляется путём периодического считывания установленных оператором параметров управляемой системы, известных (предполагаемых) параметров противодействующих систем  и условий их функционирования с последующим сравнением их с критериальными значениями. Такой подход можно отнести к самой простой и наиболее распространённой форме мониторинга, когда агрегированные текущие параметры периодически сравниваются с критериями и сигнал “не норма” выдаётся при выходе параметра за установленные границы.

Организация программ простого мониторинга, преимущественно используемого в составе программного обеспечения автоматизированных систем управления в настоящее время, не очень сложна и, в первую очередь, требует оперативного агрегирования составляющих контролируемых параметров и наглядного представления их пользователю. Однако, в условиях управления динамичными системами, “простой” мониторинг не всегда обеспечивает  адекватность управления. В ряде случаев может наблюдаться запаздывание сигналов управления, несоответствие мощности управляющих воздействий требованиям достижения цели и т.п.

В целях повышения эффективности управления и формирования запаса времени для принятия решений целесообразно использование принципов опережающего мониторинга, который можно условно назвать “активным мониторингом”. Формально, “активный мониторинг” это тот процесс, который в специализированной литературе иногда называют “пассивным” прогнозированием [1,2]. В рамках такого процесса, по данным текущего мониторинга формируется прогноз изменения параметра на заданный период времени от момента измерения t_изм до прогнозного значения t_изм + ∆t, по которому оценивается вероятность выхода контролируемого параметра за установленные границы (рисунок 1).

Основные требования к “активному мониторингу”: получение прогнозных оценок, сбалансированных по показателям оперативности между требованиями обеспечения динамического управления системой и достаточной для принятия решений точности прогноза. Эти требования определяют выбор методов прогнозирования, которые могут быть использованы в данном процессе. В настоящее время на практике используется довольно широкий спектр методов прогнозирования. Среди них принято выделять две основные группы методов получения прогнозных оценок: интуитивные, имеющие дело с субъективными суждениями и формальные методы, использующие расчётные методики и математические модели (рисунок 2). Данные методы реализуются через применение различного математического аппарата: от методов экспертных оценок для интуитивных методов до сложных математических моделей, реализуемых в фактографических подходах [3,4,5,6].

Задача активного мониторинга, как показывает анализ содержания данной проблемы, может решаться только с применением аппарата математического моделирования. Для реализации процесса активного мониторинга могут быть использованы преимущественно фактографические типы моделей [1], которые подразделяются на модели [5]:

- на основе моделей временных рядов;

- с применением моделей предметной области.

Модели временных рядов — математические модели прогнозирования, которые обеспечиваю поиск зависимости будущих значений параметров от истории  развития самого процесса и по этой зависимости построить прогноз. Эти модели универсальны для различных предметных областей, то есть их общий вид не меняется в зависимости от природы временного ряда.

Модели предметной области — такие математические модели прогнозирования, для построения которых используют законы предметной области. В этих моделях используются зависимости, свойственные конкретной предметной области. Такого рода моделям свойственен индивидуальный подход в разработке математического аппарата и детальный учёт всех значимых параметров системы и среды её функционирования.

Каждая из описанных групп моделей обладает набором свойств, определяющим их пригодность или непригодность к применению в тех или иных областях. Активный мониторинг выдвигает свои требования к используемым моделям, в основе которых оперативность получения прогноза и наличие в составе исходной информации больших массивов динамично меняющихся данных. В таких условиях применение моделей предметной области, большинство из которых требуют временных затрат на моделирование и ввода большого количества исходных данных, даже не смотря на их высокую точность, представляется проблематичным. В то же время, модели временных рядов, обладающие несколько меньшей точностью, но менее требовательные к вводу исходных данных и более оперативные, в большинстве случаев оказываются предпочтительнее. Хотя их достоинства, как это часто бывает, являются продолжением их недостатков.  В первую очередь к таким недостаткам относится слабый учёт изменения внешних условий функционирования управляемой системы. В перспективе, с развитием методов автоматического сбора и ввода данных в модели и модели предметной области могут достойно поучаствовать в разрешении перманентного противоречия между точностью и оперативностью прогноза. Но в настоящее время основная область их применения: гносеологическая, а в прогнозной сфере – в основном прогнозирование последствий принимаемых решений при планировании.

Таким образом, анализ состава исходных данных и требований по оперативности прогноза позволяет сделать вывод о целесообразности применения для активного мониторинга в существующих условиях именно моделей на основе временных рядов. К  математическим методам, реализующим подобные модели, можно отнести:

-  методы экстраполяции тенденций (метод наименьших квадратов, метод экспоненциального сглаживания, метод сплайнов, модель прогнозирования авторегрессии проинтегрированного скользящего среднего с учетом внешнего фактора auto regression integrated moving average extended – ARIMAX и т.п.);

- методы обработки данных DataMining (методики автоматического поиска типовых сценариев SmartData, методы построения системы рассуждений на аналогиях case based reasoning – CBR и т.п.).

Отметим, что предметная область активного мониторинга до настоящее времени была  недостаточно развита и слабо реализована в практике управления. Данная ситуация определяется как организационными, так и технологическими причинами. Организационно – долгое время просто не было существенной необходимости в высокой оперативности управления: большинство управляемых распределённых систем были низкодинамичными и позволяли обойтись методами обычного мониторинга. Технологические причины порождались недостаточными возможностями применяемых в практике управления информационных технологий.

Но ситуация меняется. С повышением динамичности управляемых систем, развитием скоростных компьютерных сетей и методов работы с большими массивами информации Big Data [5,7], подобные модели обязательно будут востребованы в составе программного обеспечения автоматизированных систем управления. Исходя из этого, необходимо обеспечить развитие теоретических положений и практических методов реализации технологий “активного мониторинга” состояния распределённых систем. А для запуска этого процесса необходимо, сначала, признать наличие и классифицировать указанную проблему, начало чему и положено в данной статье.

Обеспечение управления бизнес-процессами, решение задач проектирования и исследования технических, экономических, организационных и прочих разновидностей систем в современности невозможно без привлечения математического моделирования в качестве системной категории. Одним из актуальнейших направлений является имитационное моделирование с использованием компьютерных технологий.

В рамках этой статьи создадим имитационную модель системы массового обслуживания с общей очередью и несколькими каналами обслуживания. В качестве предметной области был выбран процесс выдачи книг по запросам читателей библиотеки. Для моделирования воспользуемся программным комплексом AnyLogic. Данный продукт способен составлять модели с использованием основных парадигм имитационного моделирования, таких как дискретно-событийное моделирование, системная динамика и агентное моделирование. Прибегнем к использованию агента в системе, который будет играть роль каждого посетителя библиотеки, вводить их в очередь и затем выводить после обслуживания на одном из каналов.

Пусть количество каналов будет равно трём, в понятиях предметной области это будет значит, что читателей будет обслуживать три библиотекаря. Сам процесс обслуживания меняться от числа каналов не будет, изменения будут претерпевать количество условий перехода на конкретный канал обслуживания, что можно заметить по приведённой ниже блок-схеме.

Рисунок 1 – Блок-схема обслуживания посетителей

Теперь перейдём к непосредственному моделированию системы массового обслуживания. Для этого достаточно будет стандартных блоков программы. Ниже представлено изображение созданной модели.

Рисунок 2 – Моделирование деятельности библиотеки

Для незнакомых с инструментарием AnyLogic приведём описание каждого блока системы. Индекс n обозначает номер канала обслуживания.

Таблица 1 – Описание блоков системы AnyLogic

Также немаловажными являются дополнительные параметры агента, используемые для определения поведения читателя библиотеки. Приведём их в отдельной таблице.

Таблица 2 – Параметры агента

Стоит упомянуть, что в AnyLogic допускается использование языка Java для описания событий, их обработчиков и прочего. Например, упомянутое в таблице выше событие event подсчитывает время бездействия каждого библиотекаря, активируясь каждую единицу модельного времени:

System.out.println(“—–”);

if (this.busy1==false) {this.free1++;} else {this.free1=0;} System.out.println(free1);

if (this.busy2==false) {this.free2++;} else {this.free2=0;} System.out.println(free2);

if (this.busy3==false) {this.free3++;} else {this.free3=0;} System.out.println(free3);

System.out.println(“—–”);

В некоторых блоках модели также используется Java-код, продемонстрируем её в ещё одной таблице.

Таблица 3 – Использование Java-кодов в модели

Таким образом, модель воплотила первоначальную задумку и стала полностью функциональной. Будет нелишним собрать некоторую статистику с созданной модели, чему могут поспособствовать элементы AnyLogic из палитры Презентация. На скриншоте ниже показана статистика, собираемая во время работы системы с пятью каналами.

Рисунок 3 – Сбор статистики в окне симуляции

Модель также возможно представить в трёх измерениях, отдельно разметив точки размещения агентов при прохождении определённых блоков системы. Примером такого отображения модели показан ниже.

Рисунок 4 – Трёхмерная анимация модели с пятью библиотекарями

Подведём итог: моделирование уже давно является одним из важнейших аспектов, принимаемых в расчёт в процессе принятия решений, при использовании автоматизированных программных пакетов и имитационного моделирования, на основе которого и реализуется такое ПО, полезность моделирования как такового повышается за счёт возможности увидеть воочию, как будет вести себя имитируемый процесс и насколько эффективны будут его показатели.

Как и любые другие технологии, технологии «дополненной реальности» имеют границы применимости. Как правило, эти границы определяются возможностью по их применению в конкретных условиях и необходимостью такого применения.

Относительно процесса поддержки принятия решений по управлению системами и процессами, границы применимости определяются характером процесса управления: характеристиками динамичности управляемой системы, её масштабами, уровнем автоматизации процесса управления и т.п.

Например, при управлении крупными пространственно-распределёнными системами, в применении технологий «дополненной реальности» чаще всего нет особого смысла. Управление такими системами осуществляется дистанционно. Анализ и контроль их состояния производится не визуально, а с использованием технических средств управления на основе формализованных схем или электронных карт. Эти средства отображают виртуальную картину формализованного описания реального состояния управляемой системы и условий её функционирования. В условиях и без того предельно формализованного процесса автоматизированного управления, дополнять средствами «виртуальной реальности» там просто нечего [4,5].

При управлении небольшими системами, напротив, чаще всего нет технической возможности применения подобных технологий. Управление, как правило, ведётся человеком напрямую, с минимальной автоматизацией процесса. И технологию «дополненной реальности» просто некуда встроить, по крайней мере, на современном уровне развития технологий

Но существуют области управления, в которых применение «дополненной реальности» и возможно, и необходимо. Пример такой области: управление боевыми действиями на тактическом уровне.

Тут человек принимает решения максимально быстро, а для получения информации использует не только формализованную карту, но и наблюдение за полем боя с использованием технических средств усиления зрения: электронных биноклей, дальномеров, приборов ночного видения. Сочетание этих факторов порождает возможность и необходимость включения в контур управления компонентов «дополненной реальности».

Компонентами «дополненной реальности» может обеспечиваться на фоне реальной обстановки: подсветка наиболее опасных и, наоборот, дружественных объектов; отображение радиусов досягаемости оружия, оптимальных маршрутов и других пространственных элементов; направление и скорость движения наблюдаемых объектов и т.п.

Использование для этих целей технологий «виртуальной реальности»  обещает получение ряда существенных преимуществ:

Во-первых, существенно повысить обоснованность принимаемых решений за счёт повышение информационной осведомлённости и достоверности получаемой информации.

Во-вторых, существенно повысить оперативность принятия решений за счёт перекладывания части функций по обработке больших объемов исходной информации на технические средства.

И первое, и второе, очень важно в рассматриваемой области управления, где очень высока динамичность процесса и ответственность за ошибки при принятии решения.

Справедливости ради следует отметить, что некоторые современные приборы и сейчас «дополняют» поле видимости. Лазерные дальномеры помечают цель и выдают на внутренний экран параметры дальности и углов. Электронные прицелы, совмещённые с системой опознавания объектов DCID-TALON (Dismounted Combat ID with Target Location&Navigation) могут автоматически выводить в поле обзора метки «свой-чужой» [6,7]. Но, по определению, это не системы автоматизированного управления группировками и воинскими формированиями, а только лишь комплексы управления оружием. И главное что отличает эти комплексы от автоматизированных систем управления с компонентами  «дополненной реальности» – отсутствие комплексного подхода к формированию обстановки и встроенных технологий её анализа. То есть именно те качества, которые определяют функции информационной поддержки принятия решений [8,9,10]. Развитие этих функций с применением технологий «виртуальной реальности» можно считать одним из перспективных направлений развитие систем поддержки принятия решений – от простых автоматизированных информационно-расчётных управляющих систем, к интеллектуальным системам [11,12].

Разумеется, применение любой человеко-машинной системы для решения слабоформализованных задач имеет и недостатки [13]:

Первое, пользователь системы, привыкая к наличию постоянной подсказки, теряет ряд собственных навыков: глазомера, реакции и т.п. И при выходе из строя технических средств управления он может резко снизить качество или просто не справиться с управлением.

Второе, опираясь при принятии решения на результаты работы программно-технических средств, не имея времени их даже толком проанализировать, лицо, принимающее решение, полностью полагается на адекватность и надёжность заложенных в них алгоритмов. А применимость любых алгоритмов всегда ограничена набором условностей и допущений, обеспечивающих их точность в определённых границах применения [14,15,16].

Но, в любом случае, ожидаемые преимущества использования технологий «виртуальной реальности» в контуре автоматизированной поддержки принятия решений намного превосходят возможные недостатки. Да и технический прогресс не остановить, лучше его использовать…