особенностей, местных требований, будущей неопределенности и этики принятия решений. Научная часть заключается в проектировании и оптимизации использования ресурсов. По мере того, как наука продвигается к более совершенным алгоритмам планирования сетей, она подходит к пониманию «интеллектуальной» работы ИИ. Может ли искусственная нейронная сеть (ИНС) помочь в планировании распределения электроэнергии и электрических сетей? Мы используем аналогию человеческого обучения для изучения будущего потенциала искусственного интеллекта в целом. Человеческое обучение можно разделить на шесть стадий по возрастающей сложности и полезности. Для этого существует такое понятие, как «таксономия Блума». В ниже представленной таблице указаны ступени обучения нейронных сетей по подобию обучения человека.
Таблица
Таксономия Блума
Уровень |
Деятельность |
Описание |
|
|
|
|
|
обучения |
|
|
|
|
|
|
|
6 |
Создание |
Умение |
создавать |
на |
основе |
||
|
|
существующих |
|
материалов |
|||
|
|
оригинальные |
работы |
или |
же |
||
|
|
абсолютно новые. |
|
|
|
||
5 |
Оценка |
Обоснование позиций и решений. |
|||||
4 |
Анализ |
Умение |
устанавливать |
связи |
|
между |
|
|
|
идеями и задачами. |
|
|
|
||
3 |
Применение |
Использование |
информации в |
|
новых |
||
|
|
ситуациях. |
|
|
|
|
|
2 |
Понимание |
Умение |
объяснять |
идеи |
|
или |
|
|
|
концепции. |
|
|
|
|
|
1 |
Память |
Хранить в памяти полезные факты или |
|||||
|
|
основные понятия. |
|
|
|
||
Мы опираемся на эту классификацию, чтобы сформулировать области применения ИИ.
Обратимся к первому уровню таксономии Блума. Это традиционно сильная сторона компьютеров – способность считывать и записывать информацию почти без усилий. Поэтому на данном уровне не требуется нейронная сеть.
На втором уровне полученная информация может быть расшифрована и использована для сбора и создания информации из данных распределительных сетей. Например, определение состояния
96
сети, определение работы трансформатора по показаниям простых счетчиков и датчиков. Важно заметить, что на этом этапе ИНС не может объяснить состояние сети. В текущем состоянии ИНС просто сопоставляет вход и выход для получения классифицированной и описанной информации. Такое сопоставление дает полезные математические модели, но еще не человеческое "понимание". Понимание моделей сложно-распределенных сетей в совокупности с применением неограниченной памяти для математических формул, описывающих поведение этих моделей в разных режимах работы, дает возможность уже на втором уровне применять машины для управления сложно – распределительными сетями. К примеру, сейчас активно внедряется система Пирамида-Сети ПАО МРСК.
Третий уровень - применение информации для решения новых задач. Главной идеей является использование существующей информации для проверки или подтверждения новых входных данных, поступающих из сети. Нейронные сети могут использовать это для проверки данных электрической сети или наблюдения за работой сети. Основная задача третьего уровня – это реагирование на переходные процессы в сетях со скоростью, значительно превышающую скорости реакции аварийных реле. К примеру, сложно-распределенные сети, в условиях аварии, возможно эффективно эксплуатировать, вовремя переключая источники питания и источники существенных нагрузок для исключения эффекта ресинхронизации.
Четвертый уровень более сложен и требует способности устанавливать связи между идеями и концепциями. Эта аналитическая способность может быть реализована нейронными сетями, как это демонстрируют алгоритмы сканирования вирусов и "интеллектуальные" системы учета. Прогнозирование, сравнение и установление причинноследственных связей являются одними из возможностей этих систем. Эти возможности могут быть полезны для диагностики сети, планирования сети, профилактического обслуживания, прогнозирования отказов и т.д. Но это пока что всего лишь алгоритмы. Примером применения таких алгоритмов является рекомендация ИИ по постройке узлов преобразования и распределения ЭЭ, с учетом меняющейся конъектуры потребления и анализа аварийных ситуаций, возникших в аналогичном оборудовании.
Пятый уровень состоит в том, чтобы научиться правильно оценивать. Способность оценивать подразумевает принятие сбалансированного решения между несколькими, а иногда и противоречивыми целями, к примеру, выбор источника питания
97
крупного мегаполиса в случае веерных отключений при рассинхронизации сети, купирование рассинхронизации сети, обход места аварии. Способность нейронной сети принимать решения, оценивать и судить в настоящее время является передовым направлением исследований, а также позволяет учитывать этические аспекты. Несмотря на то, что сложность увеличивается, полезность также возрастает, так как ИНС могут применяться в управлении производством, для новых технических решений и других задач. Отметим, что этот уровень лишь позволяет упростить работу специалиста.
Шестой ступенью таксономии Блума является способность создавать новые и оригинальные работы, будь то полный проект на новую узловую трансформаторную подстанцию, либо самостоятельный алгоритм управления новой сетью, где ИИ только внедряется. Применение этой способности может привести к планированию сети, разработке новых инструкций, определению параметров и предложений по расширению инфраструктуры - без необходимости явного программирования ранее упомянутых элементов, которые в настоящее время делают это частью искусства и частью науки. Этот уровень еще не продемонстрирован и недостижим без значительного участия человека. Сопоставление ИНС с таксономией Блума дает ряд задач, которые должна уметь выполнять ИНС. Каждый последующий уровень обычно представляет собой более сложную и комплексную учебную задачу (таблица). Можно предположить, что ИНС могут быть полезны для решения учебных задач, которые существуют на уровнях от 2 до 6 таксономии. Мы считаем, что каждый уровень теоретически достижим, если еще не доступен на самом высоком уровне.
Для программного обеспечения искусственного интеллекта используется множество языков программирования, но некоторые подходят для ИИ больше. Самыми старые языки программирования ИИ - LISP и Prolog. Однако в последнее время стали популярны языки
Python, C++, а также R.
Python предпочтителен для обучения ИИ. Главным его плюсом является его простота. Учитывая сложность обучения ИИ, будет намного лучше, если используемый язык программирования будет прост для понимания и реализации. Остальные языки программирования тоже можно использовать, но в рациональных целях будем обращаться с Python.
Важно упомянуть, что сейчас у научного сообщества есть направления развития области применения ИИ. Учитывая темпы
98
расширения областей применения ИИ, можно предположить, что в скором времени большое количество ИНС может заменить значительное количество всех человеческих задач, которые содержат обучение, даже задачи планирования, эксплуатации сетей и принятия решений. Однако современные разработки нейронных сетей находятся в разных областях, не связанных с распределением электроэнергии. Несмотря на количество развитых ИНС и наличие большого количества полезных приложений, понимание идей и концепций на человеческом уровне пока отсутствует. На наш взгляд, как минимум два десятилетия будет сохранять традиционный способ планирования электрических сетей по средствам решения когнитивных задач человеком.
Литература
1.Сайт «Criteo», раздел «Блог» - Код доступа: https://www.criteo.com/ru/blog/.
2.«Artificial intelligence potential in power distribution system planning». Project: Understanding AI from a DSO perspective/ Age van der Mei., Jan-Peter Doomernik. - ISSN 2515-0855 - DOI:10.1049/oapcired.2017.1031.
3.Сайт «ELEnergy», «7 вещей, которые необходимо знать об искусственном интеллекте» - Код доступа:
https://elenergi.ru/.
Воронежский государственный технический университет
99
УДК 621.372
Д.А. Быков, В.А. Жигулин
ИССЛЕДОВАНИЕ СУПЕРГЕТЕРОДИННОГО РАДИОПРИЁМНИКА ПП MULTISIM
Рассмотрены вопросы схемотехнического исследования супергетеродинного радиоприёмника в программном пакете Multisim.
Ключевые слова: радиоприемник, моделирование, ПП Multisim, виртуальная модель.
Любая радиотехническая система связи в своей структуре содержит радиоприёмные устройства.
По типу схем различают приемники детекторные, прямого усиления и супергетеродинные приемники, обладающие существенными преимуществами перед приемниками других типов и широко применяемые на всех диапазонах приемников.
Широкое распространение получили супергетеродинные радиоприёмники. Эти радиоприёмники отличаются простой и надежной конструкцией и, при этом, обеспечивают высококачественный прием.
Схемотехническое исследование основных характеристик супергетеродинного радиоприёмника и его функциональных узлов является актуальной задачей в рамках выполнения лабораторного практикума по дисциплине «Радиоприемные устройства». При выполнение различных видов анализа схем функциональных узлов РПУ супергетеродинного типа используются современные программные средства. В настоящее время для этих целей доступны такие программы как Micro-Cap, Multisim, OrCAD и др. Multisim - это средство разработки и моделирования электронных схем различной сложности.
В качестве схемы исследования рассмотрим УКВ ЧМ приемник с автоматической подстройкой частоты и индикатором точной настройки предназначенный для приема радиопередач в УКВ вещательном диапазоне 88...108МГц.
Основные функциональные узлы радиовещательного УКВ ЧМ радиоприемника (рис. 1).
100