CC BY
77
Оба теста отклоняют нулевую гипотезу о равенстве средних (p-value равно 0.012) и дисперсий (p-value равно 3,169 • 10"8) при доверительной вероятности 0,95, что подтверждает выводы, сделанные на этапе разведочного анализа.
Литература
1. Тьюки Дж. Анализ результатов наблюдений. М.: Изд. «Мир», 1981. 693 с.
2. Rosner B. Percentage Points for a Generalized ESD Many Outlier Procedure // Technometrics, 1983. Vol. 25. № 2.
3. Попов А. M Выбор статистически устойчивой процедуры исключения выбросов // Технические науки-от теории к практике: сб. ст. по матер. LV междунар. науч.-практ. конф. № 2 (50). Новосибирск: СибАК, 2016.
4. R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, 2015.
5. Кобзарь А. И. Прикладная математическая статистика. Для инженеров и научных работников. М.: ФИЗМАТЛИТ, 2006. 816 с.
6. СеберДж. Линейный регрессионный анализ. М.: Изд. «Мир», 1980. 456 с.
Prediction of the wind turbine power output through of fuzzy neural networks
Zubova N.
Прогнозирование вырабатываемой мощности ветроэнергетической установки с помощью нечетких нейронных сетей Зубова Н. В.
Зубова Наталья Владиславовна / Zubova Nataliya — кандидат технических наук, научный сотрудник,
доцент,
кафедра систем электроснабжения предприятий, Новосибирский государственный технический университет, г. Новосибирск
Аннотация: в статье приведены основные сведения об адаптивных системах нейро-нечеткого вывода, их преимуществах относительно нейронных сетей и нечеткой логики, их актуальности применения в ветроэнергетике. Приведен пример реализации нейро-нечеткого алгоритма для прогнозирования выработки мощности ветроэнергетической установки (ВЭУ) с помощью специального графического редактора адаптивных сетей ANFIS в среде MATLAB. Abstract: this article gives the information about basics of neuro-fuzzy inference adaptive systems, their advantages with respect to neural networks and fuzzy logic, their relevance to use in the wind power engineering. An example of neuro-fuzzy algorithm to predict of the wind turbine power output is considered by using a special graphic editor ANFIS in MATLAB.
Ключевые слова: ветроэнергетическая установка, управление, энергоэффективность, нейронные сети, нечеткая логика, системы нейро-нечеткого вывода.
Keywords: wind turbine, control, energy efficiency, neural networks, fuzzy logic, neuro-fuzzy inference system.
Энергия, получаемая от ветра, имеет потенциал роста на энергетическом рынке и играет жизненно важную роль для формирования устойчивой энергетики во всем мире. Решающей проблемой её популяризации стало дальнейшее снижение стоимости производства электроэнергии. Таким образом, важной задачей является повышение энергоэффективности ветроэнергетических турбин (ВЭУ), что связано с понятием максимального захвата энергии. На сегодняшний день разработано множество стратегий управления для регулирования угловой скорости вращения ветроколеса ВЭУ и мощности, вырабатываемой ею, для изменения угла заклинения и, соответственно, угла атаки лопастей, для ориентации гондолы на ветер. Помимо стандартных PI- и PID- контроллеров ученые и инженеры всего мира обращаются к интеллектуальным адаптивным системам управления, которые в том числе разрабатываются на базе нечеткой логики и искусственных нейронных сетей. Для усовершенствования таких систем используются гибридные системы - системы нейро-нечеткого вывода. Они объединяют в себе достоинства нечеткой логики и нейронных сетей, сглаживают их недостатки, и, как следствие, обладают следующими главными преимуществами: четкое представление знаний
(что актуально для систем со сложно описываемыми параметрами) и переобучение при изменении входных величин.
С одной стороны, эти модели систем управления могут быть сформированы в виде правил нечетких продукций, которые наглядны и интерпретируются достаточно просто. С другой стороны, для создания этих правил используются методы построения нейронных сетей, что более удобно и менее трудоемко с точки зрения вычислений и возможности самообучения. Имеющиеся преимущества являются причиной применения нейро-нечетких систем в системах управления.
Актуальность и эффективность применения нейро-нечетких систем для решения задач повышения энергоэффективности ВЭУ базируется на понимании того, что ветер изменчивая во времени величина, которая колеблется не только в течение сезона, но и на минутном временном интервале, что обуславливает сложность прогнозирования значений скорости ветрового потока и создания его математической модели.
На основании проведенного анализа работ, имеющихся по данной тематике, можно сделать вывод о том, что разработка систем управления с применением нейро-нечетких алгоритмов является актуальной задачей повышения энергоэффективности ВЭУ ввиду недостатка информации о моделируемой проблемной области (источника энергии - ветра) и позволяет получить новую информацию в форме некоторого прогноза.
Нечеткие нейронные сети или гибридные сети представляют собой многослойную нейронную сеть с единственным выходом и несколькими входами, где входные сигналы отображаются в виде нечетких лингвистических переменных [1].
В качестве примера на рисунке 1 изображена АОТК-сеть с двумя входными переменными (х1 и х2) и четырьмя нечеткими правилами [2].
Рис. 1. Пример ANFIS-сети
А№1Б реализует систему нечеткого вывода Сугено в виде пятислойной нейронной сети прямого распространения сигнала. Назначение слоев следующее:
• первый слой - термы входных переменных;
• второй слой - антецеденты (посылки) нечетких правил;
• третий слой - нормализация степеней выполнения правил;
• четвертый слой - заключения правил;
• пятый слой - агрегирование результата, полученного по различным правилам [3].
В данной работе предлагается гибридная сеть для прогнозирования оптимальной выработки электроэнергии ВЭУ, содержащая две входные переменные - скорость ветра с тремя термами, коэффициент мощности ВЭУ с тремя термами и одну выходную переменную -вырабатываемая мощность ВЭУ, представленную в виде девяти термов. Алгоритм нечеткого вывода содержит девять правил, создаваемых в форме нечетких продукций в виде «Если х1 есть а1 и х2 есть а2, то ю=81^х1+82^х2», где 81 и 82 являются некоторыми весовыми коэффициентами, которые требуют настройки в процессе работы модели АОТЖ Структура сгенерированной системы нечеткого вывода представлена на рисунке 2.
Рис. 2. Структура сгенерированной системы нечеткого вывода
В качестве обучающих исходных данных была использована ветроэнергетическая характеристика, полученная от завода-изготовителя ВЭУ, представленная на рисунке 3 (а). В результате проведения тренировки сети наблюдается уменьшение ошибки прогнозирования с увеличением количества задаваемых циклов, что представлено на рисунке 3 (б).
Рис. 3. а) график энергетической характеристики ВЭУ — обучающие данные; б) график зависимости ошибок обучения нечеткой нейронной сети от количества циклов обучения
Значения, полученные после настройки Ц|з-модели и корректировки зависимости выходной переменной от термов входных величин, дают удовлетворительные результаты прогнозирования и представлены на рисунке 4.
Рис. 4. Результат проверки ANFIS сети
Дальнейшее исследование данной темы предполагает разработку системы повышения энергоэффективности ВЭУ, где прогноз выработки ВЭУ с помощью гибридных сетей ЛЫИБ будет использован в качестве входной переменной для алгоритмов на основе нечеткой логики, заложенных в контроллеры системы управления.
Данное исследование поддержано Российским фондом фундаментальных исследований, проект N0.16-38-60080 «Нейро-нечеткие модели и алгоритмы управления ветроэнергетической установкой для повышения её энергоэффективности».
Литература
1. Леоненков А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб.: БХВ-Петербург, 2005. 736 с.: ил.
2. Штовба С. Д. Введение в теорию нечетких множеств и нечеткую логику. [Электронный ресурс]. Режим доступа: http://matlab.exponenta.ru/fuzzylogic/book1/index.php/ (дата обращения: 04.10.2016).
3. Nauck D., Klawonn F., Kruse R. Foundations of Neuro-Fuzzy Systems / John Wiley & Sons, 1997. 305 p.
4. Зубова Н. В. Повышение режимной управляемости ветроэнергетических установок с изменяемой геометрией лопастей регуляторами на нечеткой логике: дис. ... канд. техн. наук: 05.14.02. Новосибирск, 2014. 190 с.
Application of attack detection methods for detecting port scanning Kozhevnikova I.1, Ananin E.2, Lysenko A.3, Pasyuk A.4 Применение методов обнаружения атак при детектировании сканирования портов Кожевникова И. С.1, Ананьин Е. В.2, Лысенко А. В.3, Пасюк А. О.4
'Кожевникова Ирина Сергеевна /Kozhevnikova Irina — магистрант, кафедра телекоммуникационных систем; 2Ананьин Евгений Викторович /Ananin Evgeny — студент; 3Лысенко Александр Вячеславович /Lysenko Alexander — студент, кафедра информационной безопасности; 4Пасюк Алексей Олегович /PasyukAlexey — ассистент, кафедра телекоммуникационных систем, Волгоградский государственный университет, г. Волгоград
Аннотация: дано определение сканирования портов и выделены основные типы сканирования. Рассмотрены системы обнаружения атак, такие как обнаружение аномалий и злоупотреблений. Выделены системы обнаружения аномалий, как наиболее подходящие для обнаружения сканирования сетевых портов.
Abstract: a definition of a port scanning and the main types of scanning were made. Considered intrusion detection systems, such as the detection of anomalies and misuses. Marked anomaly detection system, as the most appropriate for the detection of scanning network ports.
