CC BY
0
Кобенко Вадим Юрьевич, д-р техн. наук, профессор, Россия, Омск, Омский государственный технический университет,
Андреева Елена Григорьевна, д-р техн. наук, профессор, Россия, Омск, Омский государственный технический университет
FORECASTING ELECTRICITY CONSUMPTION USING CONFIDENCE INTERVALS
A.Y. Gorshenin, A.S. Gritsai, V.Y. Kobenko, E.G. Andreeva
The article considers the issues offorming a confidence interval in short-term forecasting of electricity consumption. The study uses the bootstrap iteration method to construct confidence intervals, which helps to take into account random variations in the data and improves the assessment of the degree of confidence offorecasts. The results of constructing a graph with a confidence interval are presented.
Key words: electricity consumption, confidence interval, bootstrap iteration, forecasting, machine learning, resource management.
Gorshenin Aleksey Yurievich, postgraduate, augomgtu@gmail. com, Russia, Omsk, Omsk State Technical University,
Gritsay Alexander Sergeevich, candidate of technical science, docent, Russia, Omsk, Omsk State Technical
University,
Kobenko Vadim Yurievich, doctor of technical science, professor, Russia, Omsk, Omsk State Technical University,
Andreeva Elena Grigorievna, doctor of technical science, professor, Russia, Omsk, Omsk State Technical
University
УДК 004.62
DOI: 10.24412/2071-6168-2024-10-252-253
АЛГОРИТМ И МЕТОД ОБРАБОТКИ СЛАБОСТРУКТУРИРОВАННОЙ ИНФОРМАЦИИ О ТЕХНОЛОГИЧЕСКИХ НАРУШЕНИЯХ В ЭЛЕКТРИЧЕСКИХ СЕТЯХ НАПРЯЖЕНИЕМ 0,4... 10 КВ С ПРИМЕНЕНИЕМ РЕГУЛЯРНЫХ ВЫРАЖЕНИЙ
А.С. Сабельников, Н.А. Серебряков, С.О. Хомутов, Е.Г. Андреева, А.М. Парамонов, В.Ю. Кобенко, А.П. Науменко
Представлены результаты исследования по разработке алгоритма извлечения полезной информации из слабоструктурированных данных, содержащихся в электронных таблицах с непоследовательным форматированием. Предложен алгоритм извлечения слабоструктурированных данных, сущность которого заключается в предварительном анализе данных для установления позиционирования полезных данных и выявления закономерностей в их расположении. Составлены регулярные выражения для извлечения полезных данных. Реализован алгоритм и метод извлечения информации о технологических нарушениях в объектах электросетевого хозяйства с помочью инструментов генеративного искусственного интеллекта, а также его программная реализация. Полученные данные имеют практическое значение при планировании технического обслуживания и капительного ремонта.
Ключевые слова: технологические нарушения, извлечение данных, слабоструктурированные данные, регулярные выражения, передача электрической энергии.
Электроэнергетика — ключевая отрасль топливо-энергетического комплекса (ТЭК), составляющего основу экономики и жизнеобеспечения. В 2023 году доля ТЭК в ВВП России составила 20%, из которых 2,3% (8,6 трлн рублей) приходится на электроэнергетику, обеспечивающую 1,6 млн рабочих мест. Продукция отрасли занимает первое место в цепочке создания добавленной стоимости, что усиливает её мультипликативный эффект на экономику. Цифровизация и повышение эффективности электроэнергетики оказывают прямое и косвенное влияние на рост конкурентоспособности других отраслей [1].
Цифровизация и автоматизация энергетических систем обладает рядом значительных преимуществ. Среди них - снижение текущих и капитальных затрат на реконструкцию и развитие систем, уменьшение расходов на техническое обслуживание и ремонт, продление срока службы оборудования, повышение производительности труда персонала, а также множество других положительных эффектов [1].
Объективная необходимость цифровизации энергетических систем усиливается по мере их усложнения, снижения способности к самоадаптации и устойчивости перед внутренними и внешними дестабилизирующими факторами. Это особенно характерно для электроэнергетических систем, которые в большей степени подвержены таким воздействиям [1].
Одним из направлений электроэнергетики является передача электрической энергии (ЭЭ). В промышленности вопросы автоматизации зачастую касаются организации и управлением технологическим процессом. В передаче электрической энергии производственные процессы представляют собой, в частности, организацию технического обслуживания и ремонта объектов электросетевого хозяйства, другими словами, эксплуатацию. Для эффек-
252
тивного осуществления эксплуатации необходимо обладать как можно большим количеством данных о событиях происходящими с объектами электросетевого хозяйства (ЭСХ). Таким образом встает необходимость в организации автоматического сбора и обработки информации об объектах ЭСХ.
Одним из видов такой информации являются технологические нарушения на объектах ЭСХ и их причины. Во всех без исключений сетевых организациях ведется фиксация первичной информации и ТН и их причинах. Зачастую часть данных сведений представлены в неструктурированном или слабоструктурированном виде. Для составления статистики и проведения ее анализа необходимо как-то извлекать такие данные и приводить в структурированный вид.
Цель исследования заключается в разработке алгоритма извлечения полезных данных из слабоструктурированных источников с применением метода регулярных выражений.
Слабоструктурированные данные — это тип данных, которые имеют некоторую внутреннюю структуру, но эта структура не является строго определенной или жестко формализованной. В отличие от структурированных данных, которые хранятся в строгих форматах, таких как реляционные базы данных с четко определенными схемами, слабоструктурированные данные могут содержать вариативные и гибкие форматы [2-5].
Электронные таблицы с непоследовательным форматированием, где данные могут быть расположены в разных ячейках и листах без единой схемы являются слабоструктурированными данными.
С практически точки зрения, извлечение данных из слабоструктурированных источников позволит существенно производительность труда, а также улучшить качество эксплуатации объектов ЭСХ.
Для построения алгоритма проведем анализ слабоструктурированных данных об технологических нарушениях на примере ООО «Заринская сетевая компания» (ООО «ЗСК»).
ООО «ЗСК» является территориальная сетевой организацией, оказывающая услуги по передачи электрической энергии и технологическому присоединению. В ООО «ЗСК» сложилась практика ведения «Ежедневного рапорта», внутреннего первичного документа, отражающего наиболее значимые события в электрических сетях. Кроме всего прочего, эта форма отражает информацию о технологических нарушениях (ТН).
Данный рапорт заполняется всеми структурными подразделениями, в чем ведении находятся затронутые ТН объекты ЭСХ. Суточный рапорт ведётся с 2012 года по настоящее время и представляет собой с технической стороны форму в формате электронной таблицы Excel за отчетный месяц, где события за каждый день содержаться в отдельных листах книги. Кроме того, книга содержит множество другой информации. Сведенья о ТН могут находится на листе конкретного дня, в случае если они случались и об этом была сделана запись. В случае отсутствия ТН записи не вносились, соответственно лист не содержит полезной информации. Обратим особое внимание на то, что первичный источник информации обладает наиболее полными и достоверными данными, что очень важно для достоверности результатов последующего анализа.
Полезная информация включает в себя дату и время начала и завершения ТН, диспетчерское наименование объекта, а также причину ТН. Информация о ТН содержится в двух блоках, об отключениях в сетях 0,4 кВ и отключения в сетях 10 кВ. При этом запись диспетчерского наименования приведена в свободной форме, как и описание причины ТН.
Проведённый анализ суточных рапортов показывает, что информация о ТН занесена в слабоструктурированном виде, начитывает по меньшей мере 4000 листов. Ее обработка чревата огромными трудозатратами. Для целей обработки данных суточного рапорта разработан алгоритм извлечения полезной информации из слабоструктурированных данных. Данный алгоритм в последствии будет использован для разработки программного обеспечения по извлечению слабоструктурированных данных, аналогичного алгоритму, представленному в [6].
Блок-схема алгоритма извлечения слабоструктурированных данных из электронных таблиц с непоследовательным форматированием приведена на рисунке 1. Описание алгоритма по извлечению слабоструктурированных данных:
Начало.
Шаг 1: Определение позиционирования блоков;
Шаг 2: Извлечение строк данных из блоков;
Шаг 3: Извлечении полей из строк данных;
Шаг 4: Проверка на дублирование
Шаг 5: Внесение извлеченной информации в основные поля мастер-таблицы;
Шаг 6: Извлечение кодовых обозначений из наименования электроустановок;
Шаг 7: Внесение извлечённых кодовых обозначений в дополнительные поля мастер-таблицы;
Шаг 8: Вычисление расчетных показателей;
Шаг 9: Вывод данных;
Конец
Для шага 1 осуществляется определение позиционирования блоков. Алгоритм обрабатывает каждый лист Excel-файла последовательно, сканируя строки сверху вниз для определения начала и конца интересующих блоков.
Определение начала блока происходит следующим образом. Блок 1 определятся по наличию строки, содержащей текст «1. Отключения в сетях 10 кВ». Блок 2 определяется по наличию строки, содержащей текст "2. Отключения в сетях 0,4 кВ". При обнаружении соответствующей строки алгоритм устанавливает текущий активный блок и переходит к следующей строке для начала извлечения данных.
Затем осуществляется определение конца блока. Если встречается строка, содержащая "3. Плановые работы", алгоритм понимает, что текущий блок завершен. Также блок считается завершенным при обнаружении полностью пустой строки, что означает отсутствие дальнейших данных в блоке.
После определения активного блока алгоритм приступает к шагу 2 по извлечению строк с данными. Строки, содержащие заголовки полей, игнорируются. Пустые строки внутри блока также пропускаются, чтобы избежать обработки неинформативных данных.
Затем осуществляется обработка строк данных в соответствии с шагом 3. Для каждой строки данных внутри активного блока выполняются извлечение основных полей:
1. Наименование электроустановок. Объединение содержимого первых двух ячеек (A-B) для формирования полного наименования.
2. Время отключений и включения. Извлечение строковых значений из соответствующих ячеек (С и D), последующее преобразование их в объекты даты и времени для расчета продолжительности отключения.
3. Причина отключения и принятые меры. Конкатенация содержимого ячеек (Е-0 в единый текстовый
блок.
Для проведения последующего анализа извлеченных сведений важно отсутствие дублированных данных, которые могут возникнуть вследствие ошибочных действий оператора. В шаге 5 полученные данные проверяются на дублирование, выявленные дубли удаляются. Прошедшая проверку информация заносится в основные поля мастер-таблицы в шаге 6.
Рис 1. Блок-схема алгоритма извлечения слабоструктурированных данных из электронных таблиц
с непоследовательным форматированием
В соответствии с шагом 7 происходит извлечение кодовых обозначений из наименования электроустановок. Так как, данные о диспетчерском наименовании заносились в суточный рапорт в свободной форме, их можно отнести к слабоструктурированным данным. Для их извлечения был применен метод регулярных выражений.
Суть метода регулярных выражений в данном случае заключается в следующем. Извлекаются данные о кодовом обозначении трансформаторных подстанций (ТП) и данные о кодовом обозначении номера фидера (ЛЭП-0,4). В дальнейшем подсчет одноименных записей по этим данным позволит подсчитать количество отключений на той или иной электроустановке.
Рис. 2. Блок-схема алгоритма по захвату кодового наименования трансформаторной подстанции с помощью
регулярных выражений
Данных о ТП имеет буквенное и кодовое обозначение. Для целей исследования необходимо записать только кодовое обозначение. Буквенные обозначения в суточном рапорте могут быть «ТП», «КТП», «МТП». Кодовое обозначение могут быть в виде «х-х-х» или «х», где «х» это число, которое идет строго после буквенного обозначения. Кодовое обозначение соединяется с буквенным либо пробелом, либо знаком «-», либо стоит вплотную, а также может соединятся через «№» в комбинации с пробелами или без них. В искомой строке может находится несколько записей о ТП, тогда необходимо записать кодовое обозначения всех найденных ТП через разделитель, например, точку с запятой.
Проведя анализ структуры данных о ТП был разработан алгоритм по захвату кодового наименования трансформаторной подстанции с использованием регулярных выражений, который представлен на рисунке 2. Данных о ЛЭП-0,4 имеют схожую структуру, поэтому разработка регулярных выражений была осуществлена по алгоритму для ТП.
На шаге 8 программа обладает полнотой первичной информации, все интересующие данные извлечены, поэтому начинается вычисление расчетных величин, таких как продолжительность отключения конкретного ТН, количества отключений объекта ЭСХ за все время, а также суммарная продолжительность отключения объекта ЭСХ.
На шаге 9 оператору предоставляются извлеченные и расчетные данные для последующего анализа и принятия решений.
В настоящее время большой популярностью при решении практических задач пользуются алгоритмы генеративного искусственного интеллекта (ГИИ) [7-9]. В связи с этим, в рамках данного исследования для программной реализации алгоритмов, приведенных на рис. 1-2 использованы инструменты ГИИ.
В целях настоящего исследования наиболее интересным является свойство GPT преобразовывать человеческих язык в язык программирования [8]. Эмпирическим путем было выяснено, что при применении моделей GPT возможно получить исполнительный кода, который при компиляции обратится в готовый программный продукт, выполняющий требующийся функции за 3-4 итерации.
В качестве платформы для создания программного обеспечения использована языковая модель искусственного интеллекта, разработанную компанией OpenAI на основе архитектуры GPT-4 (Generative Pre-trained Transformer 4), версию ChatGPT 4o. Зададим запрос в ChatGPT 4o на основании разработанного алгоритма с использованием метода регулярных выражений.
В результате на основе предложенного алгоритма было разработано программное обеспечение по извлечению полезных данных о ТН с применением метода регулярных выражений написанное на языке программирования Python 3. Пользовательский интерфейс программы и результат ее работы приведены на рисунках 3 и 4.
Я Мастер-таблица аварийных ситуаций
Выбрать папку Импорт данных Экспорт в Excel
Данные Рейтинг
407 Наименование электроустанов ЮП 6-11-9(0-2 ок Время отключение 23.10,22 9:18:00 {ремя в ключе 10:55:00 ни: 1ия, принятые меры, объекты, остави выбит АВ, ПВ успешно ие Уровень напряжения 0,4 Время отключе -1076494,18 кия ТП 6-11-9 ЛЭП-0,4 кВ 2
115 ВЛ 0,4 кВ Ф-1 ЮТ1 50-15-23 21:34:00 23:30:00 Обрыв провода в пролеткоп,1-2, с.. 0,4 1,93 50-15-23 1
69 ЮП 70-5-69 Ф-2 ¿024-10-0722:28:00 2024-10-07... Выбит АВ, схлёстул, Чайковкого ,., 0,4 0,78 70-5-69 2
371 ЮП 52-4-7 Ф-2 Николаева 2024-09-28 07:55:00 2024-09-25... Выбит АВ 0,4 2,17 32-4-7 2
Рис. 3. Пользовательский интерфейс программы с обработанными данными
.■ Мастер-таблица аварийным ситуаций — !_| X
Выбрать папку Импорт данныл Экспорт в Еусе|
Фильтр: |
Данные Рейтинг
Наименование ТП л Кол-во ТН, шт Часов откл. ТП, ч Л
1 71-5-19 14 2.86
г 6-3-21 13 11.64
3 6-3-12 11 112.06
4 36-3-2 11 16.08
Рис. 4. Пользовательский интерфейс с простейшим анализом обработанной информации о ТН
Для оценки эффективности работы разработанного программного обеспечения по предложенному алгоритму рассчитаны метрики среднего времени обработки одной строки, используемой программой памяти и количества действий алгоритма. Полученные данные сведены в таблицу 1. Тестирование проводилась на 12 файлах электронных таблиц, то есть по 12 месяце или одному полному году. За пять тестов были обработаны данные наколенные в течение 5 лет.
Таблица 1
Результаты расчётов метрик при тестировании эффективности алгоритма_
Тест № Средне время обработки одной строки, с Используемая память, МБ Действий алгоритма, ед.
1 0,41 630 31342
2 0,42 633 30035
3 0,25 555 28793
4 0,62 556 27484
5 0,4 615 27456
В среднем: 0,42 597 29021,8
Оценка полноты извлечения данных из слабоструктурированной электронной таблицы произведена на основании следующего выражения [10]:
Уизвл = ТР » 100%. (1)
извл. (ТР+Б^ 4 '
где Уизвл. - полнота извлечения, %; ТР - Количество релевантных успешно извлечённых данных; РИ - Количество релевантных неизвлеченных данных.
Тестирование проводилось на пяти случайно отобранных файлах из разных годов, затем из них подготавливалась контрольная выборка, то есть все релевантные данных, которые можно было извлечь из тестовых данных. После чего осуществлялось подсчёт правильно извлечённых релевантных строк и неизлеченных релевантных строк, которые было необходимо извлечь.
Результат расчётов эффективности полноты извлечения данных
Таблица 2
Тест № Извлеченные строки, TP Не извлеченные строки, FN Полнота извлечения, VH3RTT
1 66 7 90,41
2 22 2 91,67
3 22 1 95,65
4 81 6 93,10
5 73 0 100,00
В среднем: 94,17
В ходе анализа результатов теста из таблицы 2 видно, что в среднем показатель полноты извлекаемых релевантных данных составляет 94,17%. Отклонение в 5,83 % может быть вызвано сущностью слабоструктурированных данных. При проведении более тщательного анализа структуры исходных данных прогнозируется рост показателя полноты извлечения.
Заключение. В ходе проведенного исследования был разработан алгоритм по извлечению релевантной информации из слабоструктурированных данных. Сущность алгоритма заключается в предварительном анализе слабоструктурированных данных для установления позиционирования полезных данных и выявления закономерностей расположения полезной информации. Было предложено для извлечения шифров диспетчерского наименования подстанций и номеров фидеров использовать метод регулярных выражений. Представлен пример регулярных выражений.
На основании разработанного алгоритма и предложенного метода регулярных выражений с использованием генеративного искусственного интеллекта ChatGPT 4o было разработано ПО, выполняющие функции по извлечению на 94,17% релевантной информации из исходных слабоструктурированных данных.
Список литературы
1. Проблемы развития цифровой энергетики в России / Н. И. Воропай, М. В. Губко, С. П. Ковалев [и др.] // Проблемы управления. 2019. № 1. С. 2-14. DOI 10.25728/pu.2019.1.1. EDN PNDCJH.
2. Молокович О.А. Подходы к извлечению информации из слабоструктурированных данных // Молодежный вестник Уфимского государственного авиационного технического университета. 2021. № 2(25). С. 64-66. EDN EJBILG.
3. Тюменцев Е.А. Алгоритм распознавания текстовых команд построения произвольной формы ввода данных / Е. А. Тюменцев, Т. В. Мелешенко // Математические структуры и моделирование. 2020. № 3(55). С. 103116. DOI 10.24147/2222-8772.2020.3.103-116. EDN WNLQBA.
4. Коляда А.С. Извлечение информации из слабоструктурированных веб-страниц / А.С. Коляда, В.Д. Го-гунский // Восточно-Европейский журнал передовых технологий. 2014. Т. 1, № 9(67). С. 51-54. EDN RUJXVJ.
5. Макарова Е.А. Обработка слабоструктурированных текстовых данных для использования в моделях анализа // Информационные и математические технологии в науке и управлении. 2023. № 1(29). С. 178-189. DOI 10.25729/ESI.2023.29.1.015. EDN HGPJOK.
6. Разумников С.В. Алгоритм и программное обеспечение для построения агрегированных рейтингов // Доклады Томского государственного университета систем управления и радиоэлектроники. 2021. Т. 24, № 2. С. 3944. DOI 10.21293/1818-0442-2021-24-2-39-44. EDN CVDEJC.
7. Кузовкова Т.А. Анализ перспектив развития искусственного интеллекта / Т. А. Кузовкова, М. М. Ша-равова, Д. А. Катунин // Экономика и качество систем связи. 2024. № 1(31). С. 41-47. EDN YEYAKW.
8. Aditya Mogadala. Trends in Integration of Vision and Language Research: A Survey of Tasks, Datasets, and Methods / Aditya Mogadala, Marimuthu Kalimuthu, Dietrich Klakow // Journal of Artificial Intelligence Research. 2021. Vol. 71. DOI 10.1613/jair.1.11688.
9. Абдураманов З.Ш. Системы генеративного искусственного интеллекта для кодирования / З. Ш. Аб-дураманов, З. Д. Адживелиева, З. С. Сейдаметова // Научно-технический вестник Поволжья. 2024. № 4. С. 246-249. EDN DHAFHZ.
10. Hossin M., Sulaiman M.N. A review on evaluation metrics for data classification evaluations. International journal of data mining & Knowledge management process, 2015, no. 5. P. 1-11. DOI:10.5121/ijdkp.2015.5201.
Сабельников Александр Сергеевич, аспирант, [email protected]. Россия, Барнаул, Алтайский государственный технический университет им. И.И. Ползунова,
Серебряков Николай Александрович, канд. техн. наук, доцент, [email protected], Россия, Барнаул, Алтайский государственный технический университет им. И.И. Ползунова,
Хомутов Станислав Олегович, д-р техн. наук, профессор, заведующий кафедрой, khomutovso@altgtu. ru, Россия, Барнаул, Алтайский государственный технический университет им. И.И. Ползунова,
Андреева Елена Григорьевна, д-р техн. наук, профессор, [email protected], Россия, Омск, Омский государственный технический университет,
Парамонов Александр Михайлович, д-р техн. наук, профессор, amparamonov@mail. ru, Россия, Омск, Омский государственный технический университет,
Кобенко Вадим Юрьевич, д-р техн. наук, профессор, Россия, Омск, Омский государственный технический университет
ALGORITHM AND METHOD FOR PROCESSING SEMI-STRUCTURED INFORMATION ON TECHNOLOGICAL VIOLATIONS IN ELECTRICAL NETWORKS WITH VOLTAGE 0,4...10 KV OF USING REGULAR EXPRESSIONS
A.S. Sabelnikov, N.A. Serebryakov, S.O. Khomutov, E.G. Andreeva, A.M. Paramonov, V.Yu. Kobenko, A.P. Naumenko
The results of a study on the development of an algorithm for extracting valuable information from semi-structured data contained in spreadsheets with inconsistent formatting are presented. An algorithm for extracting semi-structured data is proposed, which involves preliminary data analysis to determine the positioning of valuable data and identify patterns in their arrangement. Regular expressions were developed for extracting valuable data. The algorithm and method for extracting information about technological violations in electrical grid infrastructure objects using generative artificial intelligence tools, as well as its software implementation, have been realized. The obtained data hold practical significance for the planning of technical maintenance and major repairs.
Key words: technological violations, data extraction, semi-structured data, regular expressions, electrical energy transmission.
Sabelnikov Aleksandr Sergeyevich, postgraduate, sabkvd@gmail. com, Russia, Barnaul, Polzunov Altai State Technical University,
Serebryakov Nikolay Aleksandrovich, candidate of technical sciences, dotsent, na [email protected], Russia, Barnaul, Polzunov Altai State Technical University,
Khomutov Stanislav Olegovich, doctor of technical sciences, professor, head of department, kho-mutovso@altgtu. ru, Russia, Barnaul, Polzunov Altai State Technical University,
Andreeva Elena Grigoryevna, doctor of technical sciences, professor, lenandr02@yandex. ru, Russia, Omsk, Omsk State Technical University,
Paramonov Aleksandr Mikhailovich, doctor of technical sciences, professor, amparamonov@mail. ru, Russia, Omsk, Omsk State Technical University,
Kobenko Vadim Yuryevich, doctor of technical sciences, professor, kobra [email protected] Russia, Omsk, Omsk State Technical University,
Naumenko Aleksandr Petrovich, doctor of technical sciences, professor, apnaumenko@omgtu. ru Russia, Omsk, Omsk State Technical University
УДК 004.032.26
Б01: 10.24412/2071-6168-2024-10-257-258
ВЕРИФИКАЦИЯ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ ОБЪЕМОВ
ПРОДАЖ ТОРГОВОЙ ОРГАНИЗАЦИИ
С.В. Шабунин
В статье рассмотрены вопросы создания и верификации программного обеспечения, предназначенного для системы прогнозирования объемов продаж автомобильных аккумуляторных батарей торгующей организации. Показана возможность прогнозирования на основе искусственной нейронной сети. Испытания системы проведены по разработанной методике, предназначенной для оценки качества и точности работы представленных средств прогнозирования. Приведены результаты проверки автоматизируемых функций построения прогнозного графика.
Ключевые слова: верификация программного обеспечения, прогнозирование, методика испытаний, анализ
данных.
Одной из важных задач проектирования систем прогнозирования объемов продаж автомобильных аккумуляторных батарей (ААБ) [1-3]. является обеспечение стабильности процесса продаж и оптимальное количество продукции на складах торгующей организации. Высокие требования к проектируемой системы обусловлены рисками, связанными с влиянием рыночных условий оптовой торговли и избыточными расходами на хранение продукции. Сложность разрабатываемого программного обеспечения (ПО) приводит к увеличению ошибок в нем, что приводит, что приводит к серьезным последствиям при эксплуатации ПО [4-5].
Основным подходом к обеспечению качества ПО для систем прогнозирования является верификация, которая включает проверку функциональности и соответствия установленным требованиям. Верификация охватывает как поиск ошибок в расчетах, так и анализ их причин, а также сопоставление прогнозов с реальными данными. Верификация программного кода важна для обеспечения корректности написания и точности численных алгоритмов. Проверка вычислений гарантирует качество вычислительной модели и позволяет выявить возможные численные ошибки. Системы прогнозирования обрабатывают большие объемы данных, включая объемы продаж ААБ, метеоданные и информацию о сезонных потребителях [6-10].
