Интеллектуальная система выбора методов прогнозирования временных рядов тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Дышкант Евгений Евгеньевич

• Дышкант Евгений Евгеньевич
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Дышкант Евгений Евгеньевич

ВВЕДЕНИЕ

1 АНАЛИТИЧЕСКИЙ ОБЗОР ПОДХОДОВ К РЕАЛИЗАЦИИ СИСТЕМ ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ СЛОЖНЫХ ТЕХНИЧЕСКИХ СИСТЕМ

1. 1 Структура систем интеллектуального управления техническими системами

1.2 Анализ методов, применяемых для прогнозирования параметров сложных технических систем

1.3 Адаптивные системы прогнозирования с выбором оптимального метода прогнозирования

1.4 Анализ методов оптимизации параметров методов прогнозирования

1.5 Проблемы применения анализа прецедентов для определения оптимальных методов прогнозирования и их параметров

1.6 Анализ структуры систем прогнозирования параметров сложных технических систем с учетом возможности применения функций определения оптимальных методов прогнозирования и их параметров

1.7 Выводы

2 МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ВЫБОРА МЕТОДОВ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ

2.1 Формальная постановка задачи определения оптимальных методов прогнозирования

2.2 Метод определения оптимальных алгоритмов прогнозирования, основанный на анализе прецедентов

2.3 Метод определения оптимальных параметров алгоритмов прогнозирования, основанный на анализе прецедентов

2.4 Метод контроля выбора оптимальных алгоритмов прогнозирования, основанный на нечеткой логике

2.5 Адаптация этапов «Data Mining» к задаче прогнозирования параметров сложных технических систем

2.6 Выводы

3 СТРУКТУРА И АЛГОРИТМЫ ФУНКЦИОНИРОВАНИЯ

ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ВЫБОРА МЕТОДОВ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ

3.1 Связь интеллектуальной системы выбора методов прогнозирования временных рядов с другими компонентами системы управления сложной технической системы

3.2 Адаптация структуры и алгоритмов функционирования систем, реализующих вывод на основе анализа прецедентов, к задаче определения оптимальных методов прогнозирования и их параметров

3.3 Интегрированная структура интеллектуальной системы выбора методов прогнозирования временных рядов и интеллектуальной подсистемы прогнозирования параметров сложных технических систем

3.4 Алгоритм функционирования комплекса, состоящего из интеллектуальной системы выбора методов прогнозирования временных рядов и интеллектуальной подсистемы прогнозирования параметров сложных технических систем

3.5 Алгоритмы функционирования компонентов интеллектуальной системы выбора методов прогнозирования временных рядов

3.6 Алгоритм функционирования блока определения оптимальных параметров метода прогнозирования

3.7 Выводы

4 ЭКСПЕРИМЕНТАЛЬНАЯ ОЦЕНКА РАЗРАБОТАННЫХ АЛГОРИТМОВ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ВЫБОРА МЕТОДОВ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ

4.1 Описание объекта прогнозирования

4.2 Обработка временных рядов и формирование множеств их характеристик

4.3 Формирование базы знаний интеллектуальной системы выбора методов прогнозирования временных рядов

4.4 Экспериментальная оценка алгоритмов нечеткого блока контроля выбора оптимальных методов прогнозирования

4.5 Экспериментальная оценка алгоритмов блока выбора оптимальных методов прогнозирования, основанного на анализе прецедентов

4.6 Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

Приложение А Исходные данные, применявшиеся для экспериментальной

оценки разработанных алгоритмов интеллектуальной системы выбора методов прогнозирования временных рядов. Временной ряд значений давления внешней среды

Приложение Б Фрагменты графиков временных рядов показателей работы тепловой электростанции с парогазовой установкой, а также оказывающих на них влияние внешних факторов

Приложение В Исходные значения оценок эффективности методов, примененных для прогнозирования параметров парогазовых установок

Приложение Г Результаты определения оптимальных методов для прогнозирования временного ряда давления внешней среды

Приложение Д Значения коэффициентов, применяемых для получения комбинированного прогноза значений временного ряда давления внешней

среды

Приложение Е Руководство оператора программы для определения методов, оптимальных для прогнозирования временных рядов в зависимости от их

характеристик

Приложение Ж Копии патентов на изобретение и на полезную модель .... 221 Приложение И Акты об использовании и внедрении результатов диссертационной работы

Введение диссертации (часть автореферата) на тему «Интеллектуальная система выбора методов прогнозирования временных рядов»

ВВЕДЕНИЕ

Актуальность темы исследования. Степень ее разработанности.

Совершенствование методов и подходов к управлению сложными техническими комплексами является одной из важнейших задач системного анализа. Стремительное развитие науки и техники предъявляет новые требования к системам управления подобными объектами, основными из которых являются необходимость повышения их надежности, но при этом увеличения степени их автономности с целью снижения влияния человеческого фактора. Традиционные виды управления, такие как стабилизация, программное управление, следящие системы не позволяют достичь требуемого уровня качества при управлении объектами подобного рода. Наибольшей эффективности при управлении сложными техническими системами удается достичь при применении интеллектуального управления. Одним из атрибутов интеллектуального управления является прогнозирование перспективных значений параметров объектов управления. При этом свойства сложных технических систем, такие как динамичность, уникальность структуры и алгоритма функционирования, неполнота описания, накладывают повышенные требования к точности и временной сложности применяемых методов прогнозирования. Данные обстоятельства делают весьма актуальной проблему выбора оптимальных методов прогнозирования для применения в системах управления объектами подобного рода, что также подтверждается сравнительно небольшим количеством посвященных ей работ, а также недостаточной проработкой вопросов, связанных с практической реализацией предложенных в них методик.

Прогнозированию параметров сложных технических систем посвящены работы В.В. Шадриной, Е.Ю. Косенко, О.С. Логуновой, М.В. Зарецкого, В.В. Павлова, И.И. Адельмурзина, В.З. Манусова, Е.В. Бирюкова, В.Б. Байбурина, М.П. Близникова, С.С. Гельбух, М.А. Короткевич, В.В. Курачинского, И.Ю.

Алексеевой, Н.Б. Овсянникова, А.В. Пичуева, В.М. Приходько, М.Л. Ивлева, И.В. Приходько, В.З. Чокой, Е.И. Грачевой, Н.В. Анисимовой.

Проблеме определения оптимальных методов в зависимости от характеристик объекта и задачи прогнозирования посвящены работы А.Ф. Шорикова, Е.В. Буценко, Н.Ю. Нарыжной, Ю.В. Сидельникова, С. А. Салтыкова.

Проблеме принятия решений на основе анализа прецедентов посвящены работы П.Р. Варшавского, А.П. Еремеева, В. Н. Вагина, Е. Ю. Головиной, А. А. Загорянской, М. В. Фоминой, К.Е. Сердюкова, Т.В. Авдеенко, Е.С. Макаровой, В.Н. Юдина, Л.Е. Карпова, К.Н. Бредихина.

Цель и задачи исследования.

Цель исследования - разработка структуры и алгоритмического обеспечения интеллектуальной системы выбора методов прогнозирования временных рядов.

Задачи исследования:

1. Аналитический обзор подходов к реализации систем прогнозирования параметров сложных технических систем:

- анализ структуры систем интеллектуального управления техническими системами;

- анализ методов, применяемых для прогнозирования параметров сложных технических систем;

- анализ адаптивных систем прогнозирования с выбором оптимального метода прогнозирования;

- анализ задачи определения оптимальных параметров методов прогнозирования;

- анализ этапов вывода на основе прецедентов;

- анализ структуры систем прогнозирования параметров сложных технических систем с учетом возможности применения функций определения оптимальных методов прогнозирования и их параметров.

2. Разработка математической модели интеллектуальной системы выбора методов прогнозирования временных рядов:

- формальная постановка задачи определения оптимальных методов прогнозирования;

- разработка метода определения оптимальных алгоритмов прогнозирования, основанного на анализе прецедентов;

- разработка метода определения оптимальных параметров алгоритмов прогнозирования, основанного на анализе прецедентов;

- разработка метода контроля выбора оптимальных алгоритмов прогнозирования, основанного на применении нечетких продукционных правил, обновление которых осуществляется на основании прецедентов, содержащихся в базе знаний;

- адаптация этапов «Data Mining» к задаче прогнозирования параметров сложных технических систем.

3. Разработка структуры и алгоритмов функционирования интеллектуальной системы выбора методов прогнозирования временных рядов:

- описание связей интеллектуальной системы выбора методов прогнозирования временных рядов с другими компонентами системы управления сложной технической системы;

- адаптация структуры и алгоритмов функционирования систем, реализующих вывод на основе анализа прецедентов, к задаче определения оптимальных методов прогнозирования и их параметров;

- разработка интегрированной структуры интеллектуальной системы выбора методов прогнозирования временных рядов и интеллектуальной подсистемы прогнозирования параметров сложных технических систем;

- разработка алгоритма функционирования комплекса, состоящего из интеллектуальной системы выбора методов прогнозирования временных рядов и

интеллектуальной подсистемы прогнозирования параметров сложных технических систем;

- разработка алгоритмов функционирования компонентов интеллектуальной системы выбора методов прогнозирования временных рядов: блока выбора оптимальных методов прогнозирования, основанного на анализе прецедентов с применением искусственных нейронных сетей; блока контроля выбора оптимальных методов прогнозирования, основанного на применении нечетких продукционных правил, обновление которых осуществляется на основании результатов анализа прецедентов, содержащихся в базе знаний.

- разработка алгоритма функционирования блока определения оптимальных параметров методов прогнозирования.

4. Экспериментальная оценка разработанных алгоритмов интеллектуальной системы выбора методов прогнозирования временных рядов:

- описание объекта прогнозирования;

- выполнение обработки временных рядов, планируемых к прогнозированию, и формирование множеств их характеристик;

- формирование базы знаний интеллектуальной системы выбора методов прогнозирования временных рядов;

- выполнение экспериментальной оценки алгоритмов функционирования нечеткого блока контроля выбора оптимальных методов прогнозирования ;

- выполнение экспериментальной оценки алгоритмов функционирования блока выбора оптимальных методов прогнозирования, основанного на анализе прецедентов.

Предмет и объект исследования. Объект исследования: компоненты системы управления сложными техническими системами, реализующие функцию прогнозирования параметров сложных технических систем.

Предмет исследования: методы определения оптимальных алгоритмов для прогнозирования параметров сложных технических систем.

Научная новизна заключаются в следующем:

1. Предложен новый метод определения оптимальных алгоритмов прогнозирования, основанный на анализе прецедентов, реализованный с применением искусственной нейронной сети.

2. Предложен новый метод контроля выбора оптимальных алгоритмов прогнозирования, основанный на нечеткой логике, в котором обновление нечетких продукционных правил, составляющих множества аксиом, выполняется путем извлечения знаний из прецедентов, содержащихся в базе знаний.

3. Предложена новая структура интеллектуальной системы выбора методов прогнозирования временных рядов.

Практическая значимость проведенного исследования состоит в следующем:

1. Применение разработанного метода определения оптимальных алгоритмов прогнозирования, основанного на анализе прецедентов, позволит определить оптимальный метод вне зависимости от семейства, к которому она принадлежит, а также снизить временные издержки, связанные с решением данной задачи.

2. Применение разработанного метода контроля выбора оптимальных алгоритмов прогнозирования, основанного на нечеткой логике, обеспечит обработку «исключительных ситуаций», возникающих в случаях, когда база знаний не заполнена, либо метод определения оптимальных алгоритмов прогнозирования, основанный на анализе прецедентов, выводит некорректный результат.

3. Разработанная интеллектуальная система выбора методов прогнозирования временных рядов обладает функцией самообучения, а также может быть интегрирована в структуру интеллектуальной подсистемы прогнозирования, которая в свою очередь может быть встроена в структуру любой системы автоматического управления сложной технической системой.

4. Обеспечение процесса непрерывного прогнозирования в рамках интеллектуальной подсистемы прогнозирования, интегрированной с разработанной интеллектуальной системой выбора методов прогнозирования временных рядов.

Методология и методы исследования. Системный анализ, искусственные нейронные сети, анализ прецедентов, генетические алгоритмы, метод роя частиц, метод опорных векторов, метод главных компонент, метода Хольта-Винтерса, корреляционный анализ, нечеткая логика.

Положения, выносимые на защиту.

1. Метод определения оптимальных алгоритмов прогнозирования, основанный на анализе прецедентов, реализованный с применением искусственной нейронной сети.

2. Метод контроля выбора оптимальных алгоритмов прогнозирования, основанный на нечеткой логике, в котором обновление нечетких продукционных правил, составляющих множества аксиом, выполняется путем извлечения знаний из прецедентов, содержащихся в базе знаний.

3. Структура интеллектуальной системы выбора методов прогнозирования временных рядов.

Степень достоверности и апробация исследования.

Основные положения и результаты работы докладывались и обсуждались на международных, всероссийских, межрегиональных и общеуниверситетских научных и научно-практических конференциях, в том числе:

1. IV международная научно-практическая конференция «Молодые ученые в решении актуальных проблем науки» (г. Владикавказ, 2013 г.).

2. VI международная научно-практическая конференция «Молодые ученые в решении актуальных проблем науки» (г. Владикавказ, 2015 г.).

3. V-я международная научно-практическая конференция «Автоматизированные информационные и электро-энергетические системы»,

посвященной 100-летию ФГБОУ ВО «Кубанский государственный технологический университет» (г. Краснодар, 7-8 декабря 2017 г.).

4. VIII международная научно-практическая конференция «Молодые ученые в решении актуальных проблем науки» (г. Владикавказ, 2018 г.).

Публикации.

Основные положения и выводы диссертации нашли отражение в 18 печатных работах, в том числе в изданиях, рекомендованных ВАК - 7 печатных работ. Получен патент на изобретение и патент на полезную модель.

Структура и объем работы.

Диссертационная работа состоит из введения, четырех глав, заключения, списка использованных источников (содержит 134 наименования), семи приложений. Диссертация изложена на 156 страницах основного текста, включая 7 таблиц, 39 рисунков.

В первой главе представлены результаты аналитического обзора подходов к реализации систем прогнозирования параметров сложных технических систем, в частности приведены результаты анализа структуры систем интеллектуального управления техническими системами; методов, применяемых для прогнозирования параметров сложных технических систем; адаптивных систем прогнозирования с выбором оптимального метода прогнозирования; способов определения оптимальных параметров методов прогнозирования; этапов вывода на основе прецедентов, а также структуры систем прогнозирования параметров сложных технических систем.

Во второй главе приводится математическая модель интеллектуальной системы выбора методов прогнозирования временных рядов, а также ее основных компонентов. Также выполнена адаптация этапов «Data Mining» к задаче прогнозирования параметров сложных технических систем.

В третьей главе приводится структура и алгоритмы функционирования интеллектуальной системы выбора методов прогнозирования временных рядов, ее

основных компонентов, а также описание ее связей с другими компонентами системы управления сложной технической системы.

В четвертой главе выполнена экспериментальная оценка разработанных алгоритмов интеллектуальной системы выбора методов прогнозирования временных рядов, в частности алгоритмов функционирования нечеткого блока контроля выбора оптимальных методов прогнозирования, а также блока выбора оптимальных методов прогнозирования, основанного на анализе прецедентов, реализованного с применением ИНС.

В приложении А представлены исходные данные, применявшиеся для экспериментальной оценки разработанных алгоритмов интеллектуальной системы выбора методов прогнозирования временных рядов.

В приложении Б представлены графики временных рядов, применявшихся для экспериментальной оценки разработанных алгоритмов.

В приложениях В и Г представлены исходные значения оценок эффективности методов прогнозирования, а также значения, полученные экспериментальным путем.

В приложении Д представлены значения коэффициентов, определенные на основании значений оценок эффективности методов прогнозирования, применявшихся для получения комбинированного прогноза значений временного ряда давления внешней среды.

В приложении Е представлено руководство оператора разработанной программы для определения методов, оптимальных для прогнозирования временных рядов в зависимости от их характеристик, выполненное согласно ГОСТ 19.505-79.

В приложении Ж представлены копии полученных патентов на изобретение и полезную модель, в которых реализованы результаты проведенных исследований.

В приложении И представлены акты об использовании и внедрении результатов диссертационной работы.

1 АНАЛИТИЧЕСКИЙ ОБЗОР ПОДХОДОВ К РЕАЛИЗАЦИИ СИСТЕМ ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ СЛОЖНЫХ ТЕХНИЧЕСКИХ

СИСТЕМ

1.1 Структура систем интеллектуального управления техническими

системами

Техническая система представляет собой совокупность взаимосвязанных конструктивных элементов, исполнительных органов, целью которых является выполнение определенных действий в техническом процессе [67].

В зависимости от количества взаимодействующих элементов и сложности решаемой задачи также выделяют сложные технические системы [4].

Свойствами технических систем, важными с точки зрения синтеза систем управления, являются [67]:

- наличие как желательных, так и нежелательных входов и выходов (помех);

- широкий спектр применения и, как следствие, отсутствие канонической структуры;

- сложность внутренней структуры (для сложных технических систем), выражающаяся в большом количестве элементов, многоуровневой иерархической структуре, сложной структуре внутренних состояний.

Перечисленные свойства технических систем позволяют сформулировать основные проблемы, возникающие при управлении подобными объектами:

1) Неполнота информации о структуре объекта управления, конструктивных элементах и связях между ними, свойствах и характеристиках данных элементов существенно усложняет процесс формирования точной математической модели объекта управления, являющийся одним из этапов синтеза управляющего устройства [7].

2) Стохастический характер функционирования, а также воздействие на объект управления помех различной интенсивности являются причиной дополнительной неопределенности о свойствах объекта управления, что делает малоэффективным применение строгих алгоритмов формирования управляющих воздействий [7].

3) существенные различия в конструктивных особенностях технических систем требуют разработки специализированных систем управления.

Перечисленные проблемы позволяют сформулировать основные свойства, которыми должна обладать система управления техническими системами:

- отсутствие необходимости формирования точной математической модели объекта управления и применения строгих алгоритмов [7];

- способность к «добыче» дополнительной информации об объекте управления [66];

- способность к успешной адаптации в условиях динамически изменяющегося внешнего окружения;

- универсальность, заключающаяся в возможности адаптации к различным типам объектов управления.

Для реализации перечисленных свойств, система управления должна обладать следующими функциями:

- функция анализа данных;

- функция самообучения.

Указанным требованиям удовлетворяют интеллектуальные системы управления [7].

Основными принципами структурной организации интеллектуальных систем управления, согласно [7] являются:

- «взаимодействие с реальным внешним миром с использованием информационных каналов связи»;

- «принципиальная открытость системы с целью повышения интеллектуальности и совершенствования собственного поведения»;

- «наличие механизмов прогноза изменений внешнего мира и собственного поведения системы в динамически изменяющемся внешнем мире»;

- многоагентный принцип организации, «наличие многоуровневой иерархической структуры, построенной в соответствии с правилом: повышение интеллектуальности и снижение требований к точности моделей по мере повышения уровня иерархии в системе»;

- «сохраняемость функционирования при разрыве связей или потере управляющих воздействий от высших уровней иерархии управляющей структуры».

Рассмотрим общую структуру интеллектуальных систем управления на примере систем ситуационного управления, которые, согласно [7], имеют все признаки интеллектуального управления:

- анализатор - принимает на вход «описание текущей ситуации, сложившейся на объекте управления», производит «оценку сообщения и определение необходимости вмешательства системы управления в процесс, протекающий в объекте управления» [6];

- классификатор - «относит текущую ситуацию к одному или нескольким классам, которым соответствуют одношаговые решения» [6];

- коррелятор - осуществляет хранение «логико-трансформационных правила (ЛТП)», определяет конкретное ЛТП, которое должно быть использовано, если таких ЛТП несколько - производит выбор оптимального после «обработки предварительных решений» в экстраполяторе [6];

- экстраполятор или решатель - производит выбор лучших ЛТП путем «обработки предварительных решений» [6,7];

- блок случайного выбора - активизируется в случае, если коррелятор и классификатор не могут принять решения, производит «выбор одного из

воздействий, оказывающих не слишком большое влияние на объект, либо система отказывается от какого-либо воздействия на объект» [6].

В [7,118] приводится общая схема ситуационной системы управления (рисунок 1.1), включающая следующие элементы:

- «анализатор (производит предварительный анализ текущей ситуации)»;

- «классификатор (производит классификацию текущей ситуации)»;

- «база знаний (содержит описание классов ситуаций, а также допустимых управляющих воздействий)»;

- «решатель (осуществляет выбор требуемых управляющих воздействий)»;

- «имитатор (осуществляет прогноз развития ситуации)».

Рисунок 1.1 - Общая схема структуры системы ситуационного управления

Таким образом, по результатам проведенного обзора литературных источников [5,6,7,8,9] могут быть выделены основные структурные элементы интеллектуальной системы управления:

- блок анализа (анализатор, классификатор) - осуществляет оценку текущей ситуации на объекте управления, ее классификацию, принимает решение о необходимости вмешательства в процесс, протекающий в объекте управления [6];

- блок принятия решений (коррелятор, экстраполятор, решатель) -производит выбор наиболее оптимальных решений проблемной ситуации, затем осуществляет формирование на их основе управляющих воздействий [6,7];

- база знаний - содержит описание классов ситуаций, а также допустимых управляющих воздействий [7].

Согласно [5,8,9,130] наличие прогностической функции является одной из существенных характеристик интеллектуальных систем управления, позволяющей решить следующие задачи:

- определение нежелательных тенденций в развитии текущей ситуации;

- оценка последствий применения управляющих воздействий, выработанных блоком принятия решений.

Учитывая, что прогностическая функция используется как блоком анализа, так и блоком принятия решений, целесообразным является выделение блока прогнозирования в качестве отдельного компонента [130]. Таким образом, прогностическая функция применяется на важнейших этапах управления, реализуемых блоками анализа и принятия решений, что подтверждает ее важность в управлении сложными техническими системами.

Характеристики объекта управления в данном случае накладывают дополнительные требования к реализации прогностической функции. В частности, применяемые методы должны обеспечивать эффективность с учетом следующих факторов:

- воздействие на прогнозируемые показатели случайных величин;

- сложность определения взаимосвязей между факторами;

- необходимость оперировать качественными характеристиками;

- неполнота исходных данных.

Таким образом, сложность объекта управления накладывает дополнительные требования к структуре блоков, реализующих прогностическую функцию, алгоритмам их функционирования.

1.2 Анализ методов, применяемых для прогнозирования параметров

сложных технических систем

Как отмечалось ранее, прогнозирование перспективных значений параметров является важной составляющей процесса управления сложными техническими системами. Каждый метод прогнозирования имеет «определенную область применения, в которой он эффективен» [71]. Решение задачи выбора оптимального метода позволит гарантировать получение прогноза с определенным уровнем точности, что существенно повысит надежность прогноза и, как следствие, эффективность системы управления сложной технической системой, что позволяет утверждать об актуальности данной проблемы. Таким образом, необходимым этапом процесса прогнозирования является этап выбора метода прогнозирования [71,130].

Наличие проблемы выбора методов прогнозирования параметров сложных технических систем во многом обусловлено присутствием следующих факторов:

- воздействие на прогнозируемые показатели случайных величин [131];

- сложность определения взаимосвязей между факторами [70,131];

- необходимость оперировать в т.ч. качественными характеристиками [70,131];

- неполнота исходных данных [131].

Перечисленные факторы налагают дополнительные требования к методам прогнозирования:

- возможность оперировать нечеткими понятиями;

- способность наиболее точно и с наименьшим количеством вычислений выявить закономерности в поведении стохастических величин;

- способность выявить закономерности и тенденции временного ряда с наименьшим количеством вычислений;

- способность к обучению;

- устойчивость к пропускам данных.

Указанным требованиям в наибольшей степени соответствуют методы интеллектуального анализа данных. Для подтверждения данного вывода был проведен анализ работ, посвященных прогнозированию параметров сложных технических систем различной специализации, результаты которого представлены в таблице 1.1.

Таблица 1.1 - Результаты анализа работ, посвященных прогнозированию

параметров сложных технических систем

Работа Прогнозируемый Применяемые методы Способ определения Ошибка

параметр прогнозирования значений параметров применяемых методов прогнозирования прогнози рования, %

[70] Параметры сложных технических систем, конкретный параметр не указан Нечеткая логика, генетические алгоритмы

[72] Состав чугуна, выплавляемого в доменной печи ИНС Эмпирический 10

[73] Электрическая нагрузка Регрессионная модель 3,5

[73] Электрическая нагрузка ИНС 2,9

[73] Электрическая нагрузка Нечеткие ИНС 2,5

[75] Электрическая нагрузка Нечеткие ИНС Эмпирический 2,9

[76] Энергопотребление ИНС Эмпирический 2,1

[76] Энергопотребление Экстраполяция тренда 11,8

[47] Энергопотребление ИНС Эмпирический 5,1 - 8,2

[47] Энергопотребление ИНС Метод роя частиц 2,24-2,95

[47] Энергопотребление ИНС Метод роя частиц 2,24-2,95

[47] Энергопотребление Нечеткая ИНС 1,80-2,22

[47] Энергопотребление Метод опорных векторов Эмпирический 1,41-2,26

[47] Энергопотребление Метод опорных векторов Метод роя частиц 0,98-2,11

[77] Энергопотребление Комбинированный метод на основе экстраполяции и спектрального анализа динамического ряда

[79] Энергопотребление Корреляционный анализ

[3] Потери электроэнергии Нечеткая ИНС

[82] Потери электроэнергии Регрессионный анализ

Продолжение таблицы 1. 1

Работа Прогнозируемый параметр Применяемые методы прогнозирования Способ определения значений параметров применяемых методов прогнозирования Ошибка прогнози рования, %

[80] Процессы в авиационно-технических системах Регрессионный анализ

[74] Нагрузка внешнего канала связи корпоративной телефонной сети Метод адаптивного прогнозирования Хольта

[81] Параметры двигателей энергетических установок Факторный анализ

По результатам проведённого анализа могут быть выделены следующие характеристики рассмотренных работ:

- наличие существенных различий в точности результатов прогнозирования одной и той же величины, полученных с использованием различных модификаций одного и того же метода [47];

- не во всех работах указаны точные параметры примененных методов прогнозирования, а также результаты применения, выражающиеся в величине ошибки;

- оптимальные значения параметров методов прогнозирования зачастую определяются экспериментальным путем. Применение методов оптимизации, например «метода роя частиц» в [47], способствовало уменьшению ошибки прогнозирования;

Список литературы диссертационного исследования кандидат наук Дышкант Евгений Евгеньевич, 2020 год

СПИСОК ЛИТЕРАТУРЫ

1. Дубенко Ю.В., Дышкант Е.Е. Разработка математической модели многофакторного нечеткого прогнозирования потерь электроэнергии / Ю.В. Дубенко, Е.Е. Дышкант. - Краснодар: Изд. ФГБОУ ВПО «КубГТУ», 2016. - 120 с.

2. Jansen M. Call Centre Forecasting. A comprehensive analysis of missing data, extreme values, holiday influences and different forecasting methods [Электронное издание]/ Jansen M. - Tilburg: Tilburg University, 2010. - Режим доступа: URL: http://dtic.mil/dtic/tr/fulltext/u2/a473648.pdf , свободный. - Загл. с экрана.

3. Заиграева Ю.Б. Нейросетевые модели оценки и планирования потерь электроэнергии в электроэнергетических системах: автореф. дис. канд. техн. наук: 05.14.02 / Ю.Б. Заиграева; Новосиб. гос. техн. ун-т. - Новосибирск, 2008. - 20 с.

4. Мирошник И. В. Теория автоматического управления. Линейные системы / И.В. Мирошник. - СПб.: Питер, 2005. - 336 с.:

5. Симанков В.С. Адаптивное управление сложными системами на основе теории распознавания образов / В.С. Симанков, Е.В. Луценко. - Краснодар: Издательство ТУ КубГТУ, 1999. - 318 с.

6. Поспелов Д.А. Ситуационное управление. Теория и практика / Д.А. Поспелов. - М.: Наука, 1986. - 288 стр.

7. Васильев В.И. Интеллектуальные системы управления. Теория и практика: учебное пособие / В.И. Васильев, Б.Г. Ильясов. - М.: Радиотехника, 2009. - 392 с.

8. Шатов Д.В. Частотное адаптивное управление с модельным синтезом и его применение для настройки ПИД-регуляторов: дис. канд. техн. наук: 05.13.01 / Д.В. Шатов; ФГБУН Институт проблем управления им. В. А.Трапезникова Российской академии наук - М., 2016. - 101 л.

9. Диаб Ахмед Абделхамид Заки Векторное управление асинхронными электроприводами на основе прогнозирующих моделей: дис. канд. техн. наук: 05.09.03 / Диаб Ахмед Абделхамид Заки; Новосиб. гос. тех. ун-т. - Новосибирск, 2014. - 195 л.

10. Рыков А.С. Системный анализ: модели и методы принятия решений и поисковой оптимизации / А.С. Рыков. - М.: Издательский дом МИСиС, 2009. -608 с.

11. Барский А.Б. Б26 Нейронные сети: распознавание, управление, принятие решений / А.Б. Барский. — М.: Финансы и статистика, 2004.

12. Варшавский П.Р. Моделирование рассуждений на основе прецедентов в интеллектуальных системах поддержки принятия решений / П.Р. Варшавский, А.П. Еремеев // Искусственный интеллект и принятие решений, №2, 2009. - с. 4557.

13. Еремеев А. Моделирование временных зависимостей в интеллектуальных системах поддержки принятия решений на основе прецедентов / А. Еремеев, П. Варшавский, И. Куриленко // International Journal "Information Technologies & Knowledge", Vol.6, Number 3. - 2012

14. Барсегян, А. А. Анализ данных и процессов: учеб. пособие / А. А. Барсегян, М. С. Куприянов, И. И. Холод, М. Д. Тесс, С. И. Елизаров. — 3-е изд., перераб. и доп. — СПб.: БХВ-Петербург, 2009. —512 с.

15. Осовский С. Нейронные сети для обработки информации / С. Осовский; Пер. с польского И. Д. Рудинского. - М.: Финансы и статистика, 2002. - 344 с.

16. Грешилов А. А Математические методы построения прогнозов / А. А. Грешилов, В.А. Стакун, А.А. Стакун. - М.: Радио и связь, 1977. - 112 с.

17. Чучуева И. А. Модель прогнозирования временных рядов по выборке максимального подобия: дис. канд. техн. наук: 05.13.18 / И. А. Чучуева; МГТУ им. Н.Э. Баумана. - М., 2012. - 155 л.

18. Комарцова Л.Г. Методы и модели в системах поддержки принятия решений на начальном этапе проектирования распределенных вычислительных систем / Л.Г. Комарцова // Сб. трудов конференции, посвященной 90-летию со дня рождения Алексея Андреевича Ляпунова. Новосибирск. - 2001. - 8-11 октября, 2001.

19. Иващенко А.Б. Традиционные и современные подходы в прогнозировании временных рядов / А.Б. Иващенко // Науков1 пращ Донецького нащонального техшчного ушверситету, №1, 2012. - С. 156 - 175.

20. Литвиненко В.И. Метод индуктивного синтеза РБФ нейронных сетей с помощью алгоритма клонального отбора / В.И. Литвиненко // 1ндуктивне моделювання складних систем: зб. наук. праць: Шжнародний науково-навчальний центр шформацшних технологш та систем НАНУ. Випуск 4, 2012 -Кев: МННЦ 1ТС, 2012. - С. 114 - 127.

21. Иберла К. Факторный анализ / К. Иберла; Пер. с нем. В.М. Ивановой; Предисл. А.М. Дуброва. - М.: Статистика, 1980. - 398 с.

22. Комашинский В.И. Нейронные сети и их применение в системах управления и связи / В.И. Комашинский, Д.А. Смирнов - М.: Горячая линия-Телеком, 2003. - 94 с.

23. Лю Б. Теория и практика неопределенного программирования / Б. Лю; Пер. с англ. - М.: БИНОМ. Лаборатория знаний, 2005. - 416 с.

24. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский; Пер. с польск. И.Д. Рудинского. - М.: Горячая линия - Телеком, 2006. - 452 с.

25. Гриняев С. Нечеткая логика в системах управления [Электронный ресурс]/ С. Гриняев // Компьютерра - 2001. - № 38. Режим доступа http://old.computerra.ru/2001/415/198010/, свободный. - Загл. с экрана.

26. Кофман А. Введение в теорию нечетких множеств / А. Кофман; Пер. с франц. - М.: Радио и связь, 1982. - 432 с.

27. Прикладные нечеткие системы / Под редакцией Т. Тэрано, К. Асаи, М. Сугэно / Пер. с японского Ю.Н. Чернышова - М.: Мир, 1993. - 368 с.

28. Chen S.M. Forecasting enrollments based on fuzzy time series / S.M. Chen // Fuzzy Sets Systems. - 1996. - Vol. 81, no. 3. - P. 311-319.

29. Song Q. A note on fuzzy time series model relation with sample autocorrelation functions/ Q. Song // Cybernetics and Systems: An International Journal. - 2003. - № 34. - Р. 93-107.

30. Song Q. Fuzzy time series and its models / Q. Song, B. Chissom // Fuzzy Sets and Systems. - 1993. - № 54. - Р. 269-277.

31. Song Q. Forecasting enrollments with fuzzy time series - Part I / Q. Song, B. Chissom // Fuzzy Sets and Systems. - 1993. - № 54. - Р. 1-9.

32. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений / Л.А. Заде. - М.:Мир, 1976. - 163 с.

33. Кострыкин И.В. Нечеткая логика: достоинства и недостатки / И.В. Кострыкин [Электронный ресурс]// Международная научно-практическая конференция «Информационные технологии в образовании», г. Курск. - 2008. -Режим доступа: http://ito.edu.ru/2008/Kursk7V/V-0-7.html, свободный. - Загл. с экрана.

34. Каллан Р. Основные концепции нейронных сетей / Р. Каллан; Пер. с англ. - М.: Издательский дом «Вильямс», 2001. - 287 с.

35. Хайкин С. Нейронные сети: полный курс, 2-е изд., испр. / С. Хайкин; Пер. с англ. - М.: ООО «И. Д. Вильямс», 2006. - 1104 с.

36. Гладков Л.А. Генетические алгоритмы / Л.А. Гладков, В.В. Курейчик, В.М. Курейчик; Под ред. В.М. Курейчика - 2-е изд., испр. и доп. - М.: ФИЗМАТЛИТ, 2006. - 320 с.

37. Packard N.H. A genetic learning algorithm for the analysis of complex data / N.H. Packard // Complex Systems. - 1990. - Vol. 4, № 5. - P. 543-572.

38. Mitchell M. An Introduction to Genetic Algorithms / M. Mitchell. - London: A Bradford Book The MIT Press, 1999. - 158 p.

39. Курейчик В.М. Генетические алгоритмы и их применение / В.М. Курейчик; издание второе, дополненное. - Таганрог: Изд-во ТРТУ, 2002. - 242 с.

40. Звонков В.Б. Сравнительное исследование генетических алгоритмов и стайного алгоритма оптимизации / В.Б. Звонков // Сайт Самарского НЦ РАН. -2015. - Самара: ФГБУН Самарский НЦ РАН, 2015. - Режим доступа: http://www.ssc.smr.ru/media/ipuss_conf/14/7_14.pdf, свободный. - Загл. с экрана.

41. Зайцев А.А. Обзор эволюционных методов оптимизации на основе роевого интеллекта / А. А. Зайцев, В.В. Курейчик, А. А. Полупанов // Известия Южного федерального университета. Технические науки. - 2010. - № 12, Т. 113. -C. 7-12.

42. Алгоритмы оптимизации, основанные на методе проб и ошибок [Электронный ресурс] // Лаборатория Вычислительных Комплексов. -2015. - М.: Московский гос. ун-т, 2015. - Режим доступа: http://lvk.cs.msu.su/~bahmurov/course kost/курс алг опт текст^^ свободный. -Загл. с экрана.

43. Штовба С.Д. Муравьиные алгоритмы / С.Д. Штовба // Exponenta Pro. -2003. - №4 (4). - С. 70-75.

44. Ермолаев С.Ю. Муравьиные алгоритмы оптимизации / С.Ю. Ермолаев // Инфокоммуникационные технологии. - 2008. - Т. 6, №1. - С. 23-29.

45. Остапюк С.Ф. Модели построения комбинированного прогноза / С.Ф. Остапюк, Мотова М.А. [Электронный ресурс] - М.: ФГБУН Институт народнохозяйственного прогнозирования РАН, 2016. - Режим доступа: http://ecfor.ru/wp-content/uploads/2004/fpZ1/10.pdf, свободный. - Загл. с экрана.

46. Яровенко Л.Л. Комбинированный метод прогнозирования доходности инновационной деятельности предприятия [Электронный ресурс]/ Л.Л. Яровенко // Вестник ОГУ. - 2008. - № 11. Режим доступа

https://cyberleninka.m/article/v/kombinirovannyy-metod-prognozirovaniya-dohodnosti-innovatsionnoy

47. Аль Зихери Баласим Мохаммед Повышение точности краткосрочного прогнозирования электрической нагрузки потребителей региона с учетом метеофакторов на основе метода опорных векторов: дис. канд. техн. наук: 05.14.02 / Аль Зихери Баласим Мохаммед; Южно-Российский государственный политехнический университет (НПИ) имени М.И Платова. - Новочеркасск, 2015. - 181 л.

48. Vapnik V.N. Statistical Learning Theory / V.N. Vapnik. - New York: John Willey & Sons, Inc, 1998. - 740 p.

49. Suykens Johan A. K. Least squares support vector machines / Johan A. K. Suykens, Jony Van Gestel, Jos De Brabanter, Bart De Moor and Joos Vandewalle. -London: World Scientific, 2002., 310 p.

50. Флах П. Машинное обучение. Наука и искусств.о построения алгоритмов, которые извлекают знания из данных/ П. Флах, пер. с англ. А. А. Слинкина. - М.: ДМК Пресс,2015. - 400 с.

51. Вьюгин В.В. Математические основы теории машинного обучения и прогнозирования / В .В. Вьюгин - М. МЦНМО 2013, 304 с.

52. Seo N. A Comparison of Multi-class Support Vector Machine Methods for Face Recognition [Электронный ресурс] / Naotoshi Seo website. - 2007. - Режим доступа:

http://note.sonots.com/?plugin=attach&refer=SciSoftware%2FMSVM&openfile=report .pdf, свободный. - Загл. с экрана.

53. Joutsijoki H. Variations on a Theme «The Classification of Benthic Macroinvertebrates». Academic dissertation / H. Joutsijoki - Tampere: University of Tampere, 2012. - 165 p.

54. Lorena A.C. A review on the combination of binary classifiers in multiclass problems [Электронный ресурс] / A. C. Lorena, A. de Carvalho, J. M. P. Gama //

Semantic Scholar. - 2009. - Режим доступа:

https://pdfs.semanticscholar.org/668b/44bd9feb2b3034be6f4a75b7df1be58a39c4.pdf, свободный. - Загл. с экрана.

55. Айвазян С.А. Прикладная статистика: Классификация и снижение размерности: Справ. изд. / С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин; Под ред. С.А. Айвазяна. - М.: Финансы и статистика, 1989. - 607 с.

56. Ким Дж.-О. Факторный, дискриминантный и кластерный анализ: Пер. с англ. / Дж.-О. Ким, Ч.У. Мьюллер, У.Р. Клекка и др.; Под ред. И.С. Енюкова. -М.: Финансы и статистика, 1989. - 215 с.

57. Орлов А.И. Прикладная статистика. Учебник. / А.И.Орлов. - М.: Издательство «Экзамен», 2004. - 656 с. - М.: Финансы и статистика, 2013. - 215 с.

58. Лукашин Ю.П. Адапативные методы краткосрочного прогнозирования временных рядов: Учеб. пособие. / Ю.П. Лукашин. - М.: Финансы и статистика, 2003. - 416 с.

59. Гаврилова Т.А. Базы знаний интеллектуальных систем. / Т.А. Гаврилова, В.Ф. Хорошевский. - СПб: Питер, 2000. - 384 с.

60. Chen S.M. Forecasting Enrollments of Students by Using Fuzzy Time Series and Genetic Algorithms / S.M. Chen, N.Y. Chung // Information and Management Sciences. - 2006. - № 17. - P. 1-17.

61. Al-Wazan H. A Hybrid Algorithm to Forecast Enrollment Based on Genetic Algorithms and Fuzzy Time Series / H. Al-Wazan, K. Ibraheem, A.G. Salim // The International Arab Journal of Information Technology. - 2014. -Vol. 11, № 3. - P. 250257.

62. Amjad U. A Two Phase Algorithm for Fuzzy Time Series Forecasting using Genetic Algorithm and Particle Swarm Optimization Techniques / U. Amjad, T.A. Jilani, F. Yasmeen // International Journal of Computer Applications. - 2012. - Vol 55, № 16. - P. 34-40.

63. Донцова Л.В. Сравнение метода опорных векторов и нейронной сети при прогнозировании банкротства предприятий [Электронный ресурс] / Л.В. Донцова, Е.В. Донцов // Международная научно-практическая интернет-конференция «Российский финансовый рынок: проблемы и перспективы развития», 2012. - Режим доступа: sdo.rea.ru/cde/conference/3/file.php?fileId=28

64. Самбурский Г.А. Подход к построению гибридных систем прогнозирования на основе нейронных сетей / Г. А. Самбурский, О.В. Лукьянов, И.В. Храпов. - Вестник ТГТУ. 2011. Том 17. № 4. - с. 932-935.

65. Орлов А.И., Луценко Е.В. Методы снижения размерности пространства статистических данных // Научный журнал КубГАУ - Scientific Journal of KubSAU. 2016. №119. URL: https://cyberleninka.ru/article/n/metody-snizheniya-razmernosti-prostranstva-statisticheskih-dannyh (дата обращения: 01.03.2018).

66. Тарасенко Ф.П. Прикладной системный анализ : учебное пособие / Ф.П. Тарасенко. — М. : КНОРУС, 2010. — 224 с.

67. Хубка В. Теория технических систем / В. Хубка. Пер. с нем., 2-е изд. — М.: Мир, 1987. — 208 с.: ил.

68. Шориков А.Ф. Проблема выбора метода прогнозирования результатов инвестиционного проектирования / А.Ф. Шориков, Е.В. Буценко // Известия УрГЭУ. - 2006. - №5 (17). URL: https://cyberleninka.ru/article/n/problema-vybora-metoda-prognozirovaniya-rezultatov-investitsionnogo-proektirovaniya (дата обращения: 23.05.2018).

69. Петриченко Г.С. Выбор метода прогнозирования сложных систем АСУ в зависимости от моде.М. Крицкая, Н.Ю. Нарыжная // Научный журнал КубГАУ -Scientific Journal of KubSAU. 2005. №14. URL: https://cyberleninka.ru/article/n/vybor-metoda-prognozirovaniya-slozhnyh-sistem-asu-v-zavisimosti-ot-modeli (дата обращения: 23.05.2018).

70. Шадрина В.В. Применение методов прогнозирования в технических системах / В.В. Шадрина, Е.Ю. Клсенко // Известия ЮФУ. Технические науки. -

2011. - №2. URL: https://cyberleninka.ru/article/n/primenenie-metodov-prognozirovaniya-v-tehnicheskih-sistemah (дата обращения: 23.05.2018).

71. Симанков В.С. Выбор методов прогнозирования при исследовании сложных систем / В.С. Симанков, В.В. Бучацкая // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. - 2012. - №2. URL: https://cyberleninka.ru/article/n/vybor-metodov-prognozirovaniya-pri-issledovanii-slozhnyh-sistem (дата обращения: 24.05.2018).

72. Логунова О.С. Система прогнозирования химического состава чугуна / О.С Логунова, М.В. Зарецкий, В.В. Павлов, И.И. Адельмурзин // Вестник НТУ ХПИ. - 2011. - №36. URL: https://cyberleninka.ru/article/n/sistema-prognozirovaniya-himicheskogo-sostava-chuguna (дата обращения: 24.05.2018).

73. Манусов В.З. Краткосрочное прогнозирование электрической нагрузки на основе нечеткой нейронной сети и ее сравнение с другими методами / В.З Манусов, Е.В. Бирюков // Известия ТПУ. - 2006. - №6. URL: https://cyberleninka.ru/article/n/kratkosrochnoe-prognozirovanie-elektricheskoy-nagruzki-na-osnove-nechetkoy-neyronnoy-seti-i-ee-sravnenie-s-drugimi-metodami (дата обращения: 24.05.2018).

74. Байбурин В.Б. Способ прогнозирования нагрузки внешнего канала связи корпоративной телефонной сети / В.Б. Байбурин, М.П. Близникова, С.С. Гульбух // Вестник СГТУ. - 2014. - №1 (77). URL: https://cyberleninka.ru/article/n/sposob-prognozirovaniya-nagruzki-vneshnego-kanala-svyazi-korporativnoy-telefonnoy-seti (дата обращения: 24.05.2018).

75. Короткевич М. А. Прогнозирование электрической нагрузки энергосистемы на следующие сутки с использованием метода искусственных нейронных сетей / М.А. Короткевич, В.В. Курачинский // Энергетика. Известия высших учебных заведений и энергетических объединений СНГ. - 2010. - №2. URL: https://cyberleninka.ru/article/n/prognozirovanie-elektricheskoy-nagruzki-

energosistemy-na-sleduyuschie-sutki-s-ispolzovaniem-metoda-iskusstvennyh-neyronnyh-setey (дата обращения: 25.05.2018).

76. Алексеева И.Ю. Повышение надежности электроэнергетических систем на основе нейронных технологий / И.Ю. Алексеева // ЭС и К. - 2016. - №3 (32). URL: https://cyberleninka.ru/article/n/povyshenie-nadezhnosti-elektroenergeticheskih-sistem-na-osnove-neyronnyh-tehnologiy (дата обращения: 25.05.2018).

77. Овсянников Н.Б Методы прогнозирования электрической нагрузки на горнодобывающих предприятиях / Н.Б. Овсянников, А.В. Пичуев // ГИАБ. - 2015. - №1. URL: https://cyberleninka.ru/article/n/metody-prognozirovaniya-elektricheskoy-nagruzki-na-gornodobyvayuschih-predpriyatiyah (дата обращения: 25.05.2018).

78. Зуева В.Н. Нейросетевой модуль прогнозирования потребления электроэнергии / В.Н. Зуева, Д.А. Трухан, Д.Н. Карлов // Научный журнал КубГАУ - Scientific Journal of KubSAU. - 2017. - №132. URL: https://cyberleninka.ru/article/n/neyrosetevoy-modul-prognozirovaniya-potrebleniya-elektroenergii (дата обращения: 25.05.2018).

79. Приходько В.М. Прогнозирование электропотребления судоремонтным предприятием / В.М. Приходько, М.Л. Ивлев, И.В. Приходько // Вестник государственного университета морского и речного флота им. адмирала С.О. Макарова. - 2012. - №2 (14). URL: https://cyberleninka.ru/article/n/prognozirovanie-elektropotrebleniya-sudoremontnym-predpriyatiem (дата обращения: 25.05.2018).

80. Чокой В.З. Инструменты регрессионного анализа и прогнозирования процессов в авиационно-технических системах / В.З Чокой // Crede Experto: транспорт, общество, образование, язык. - 2016. - №4. URL: https://cyberleninka.ru/article/n/instrumenty-regressionnogo-analiza-i-prognozirovaniya-protsessov-v-aviatsionno-tehnicheskih-sistemah (дата обращения: 26.05.2018).

81. Шевцов Ю.Д. Исследование, оценка и выбор параметров технического состояния двигателей при их контроле и прогнозировании / Ю.Д. Шевцов, В.А.

Атрощенко, Л.Н. Дудник, Д.А. Горохов, Е.С. Федотов // Научный журнал КубГАУ - Scientific Journal of KubSAU. - 2014. - №104. URL: https://cyberleninka.ru/article/n/issledovanie-otsenka-i-vybor-parametrov-tehnicheskogo-sostoyaniya-dvigateley-pri-ih-kontrole-i-prognozirovanii (дата

обращения: 26.05.2018).

82. Грачева Е.И. Прогнозирование потерь электроэнергии в сетях низкого напряжения на основе регрессионного анализа / Е.И. Грачева, Н.В. Анисимова // Вестник ЮУрГУ. Серия: Энергетика. - 2013. - №2. URL: https://cyberleninka.ru/article/n/prognozirovanie-poter-elektroenergii-v-setyah-nizkogo-napryazheniya-na-osnove-regressionnogo-analiza (дата обращения: 26.05.2018).

83. Сидельников Ю.В. Процедура отбора наиболее приемлемых разновидностей экспертных методов / Ю.В. Сидельников, С. А. Салтыков // УБС. -2010. - №30. URL: https://cyberleninka.ru/article/n/protsedura-otbora-naibolee-priemlemyh-raznovidnostey-ekspertnyh-metodov (дата обращения: 27.05.2018).

84. Гридин В.Н. Выбор начальных значений и оптимизация параметров нейронной сети / В.Н. Гридин, В.И. Солодовников, В.В. Карнаков // Новые информационные технологии в автоматизированных системах. - 2016. - №19. URL: https://cyberleninka.ru/article/n/vybor-nachalnyh-znacheniy-i-optimizatsiya-parametrov-neyronnoy-seti (дата обращения: 28.05.2018).

85. Курейчик В.В. Концепция эволюционных вычислений, инспирированных природными системами / В.В. Курейчик, В.М. Курейчик, С.И. Родзин // Известия ЮФУ. Технические науки. - 2009. - №4. URL: https://cyberleninka.ru/article/n/kontseptsiya-evolyutsionnyh-vychisleniy-inspirirovannyh-prirodnymi-sistemami (дата обращения: 28.05.2018).

86. Ежов, А. А. Нейрокомпьютинг и его применения в экономике и бизнесе [Текст] / А. А. Ежов, С. А. Шумский. - М.: 1998. - 222 с.

87. Смоленцев Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB/ Н.К. Смоленцев. - М. ДМК Пресс, 2014. - 628 с.

88. Ларичев О.И. Вербальный анализ решений / О.И. Ларичев; Ин-т системного анализа РАН. - М.: Наука, 2006. - 181 с.

89. Павлов С. Н. Системы искусственного интеллекта : учеб. пособие. В 2-х частях. / С. Н. Павлов. — Томск: Эль Контент, 2011. — Ч. 1. — 176 с.

90. Вагин В.Н. Достоверный и правдоподобный вывод в интеллектуальных системах. Под ред. В. Н. Вагина, Д. А. Поспелова / В.Н. Вагин, Е.Ю. Головина, А. А. Загорянская, М. В. Фомина. — М.: Физматлит, 2008. — 704 с.

91. Борисов В. В. Нечеткие модели и сети. - 2-е изд., стереотип. / В.В. Борисов, В.В. Круглов, А.С. Федулов - М.:Горячая линия -Телеком, 2012. - 284 с.

92. Деменков Н.П. Нечеткое управление в технических системах: Учебное пособие / Н.П. Деменков - М.: Изд-во МГТУ им. Н.Э. Баумана, 2005. - 200 с.

93. Сайт Института системного программирования им. В.П. Иванникова РАН [Электронный ресурс] // Карпов Л. Е., Юдин В. Н. Методы добычи данных при построение локальной метрики в системах вывода по прецедентам, 2006 -Режим доступа: http://www.ispras.ru/preprints/docs/prep_18_2006.pdf, свободный. -Загл. с экрана.

94. Введение в теорию нечетких множеств и нечеткую логику [Электронный ресурс] // Штовба С.Д., 2001 - Режим доступа: http://matlab.exponenta.ru/fuzzylogic/book1/index.php

95. Дубенко Ю.В. Интеллектуальный блок принятия решений системы управления сложным техническим комплексом / Ю.В. Дубенко, Е.Е. Дышкант// В сборнике: Молодые ученые в решении актуальных проблем науки: материалы VIII Международной научно-практической конференции. - Владикавказ: изд-во «Веста», 2018. - С. 32-37.

96. Хант Э. Искусственный интеллект / Пер. с англ. Д.А. Белова и Ю.А. Крюкова; под. ред. В. Л. Стефанюка. - М.: Мир, 1978. - 560 с.

97. Профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и

интеллектуальному анализу данных [Электронный ресурс] // Воронцов К.В. Математические методы обучения по прецедентам (теория обучения машин), 2015 - Режим доступа: http://www.machinelearning.ru/wiki/images/6/6d/Voron-ML-1.pdf, свободный. - Загл. с экрана.

98. Вентцель Е.С. Теория вероятностей и ее инженерные приложения. Учеб. пособие для втузов. / Е.С. Вентцель, Л. А. Овчаров - 2-е изд., стер. - М.: Высш. шк., 2000. - 480 с.

99. Гмурман В.Е. Теория вероятностей и математическая статистика: учеб. пособие. 12-е изд. перераб. / В.Е. Гмурман - М.: Высшее образование, 2008. - 479 с.

100. Теория вероятностей и ее применения [Электронный ресурс] // Пучков Е.В. Определение глубины погружения временного ряда с помощью методики box-counting, 2018 - Режим доступа: http://tvp.ru/conferen/vsppm12Zkazad019.pdf

101. Сердюков К.Е. Исследование возможностей генетического алгоритма для извлечения релевантных прецедентов в системах поддержки принятия решений / К.Е. Сердюков, Т.В. Авдеенко, Е.С. Макарова // Информационные технологии и нанотехнологии (ИТНТ-2017): сб. тр. 3 межд. конф. и молодежной шк., к 75-летию Самарского университета, Самара (25-27 апреля 2017 г.). -Самара: Изд-во Новая техника, 2017. - с. 1864-1870.

102. Юдин В. Н. Гибридный подход к построению систем поддержки решений / В.Н. Юдин, Л.Е. Карпов // Труды ИСП РАН. - 2013. - №. URL: https://cyberleninka.ru/article/n/gibridnyy-podhod-k-postroeniyu-sistem-podderzhki-resheniy (дата обращения: 06.08.2018).

103. Шевелев О.Г. Классификация текстов с помощью деревьев решений и нейронных сетей прямого распространения / О.Г. Шевелев, А.В. Петраков // Вестн. Том. гос. ун-та. - 2006. - №290. URL:

https://cyberleninka.ru/article/n/klassifikatsiya-tekstov-s-pomoschyu-dereviev-resheniy-i-neyronnyh-setey-pryamogo-rasprostraneniya (дата обращения: 06.08.2018).

104. Бредихин К.Н. Методы поиска решения на основе прецедентов в распределенных системах поддержки принятия решений / К.Н. Бредихин, П.Р. Варшавский, А.П. Еремеев // Вестник Московского энергетического института. -№2, 2011. - с. 87-94.

105. Кизбикенов К. О. Прогнозирование и временные ряды [Электронный ресурс]: учебное пособие / К.О. Кизбикенов. - Барнаул : АлтГПУ, 2017. - Систем. требования : Процессор с тактовой частотой 1,5 ГГц и выше;; 512 МЬ RAM ; Windows XP/Vista/7/8/10 ; Adobe Acrobat Reader ; SVGA монитор с разрешением 1024х768 ; мышь.

106. Доугерти К. Введение в эконометрику: Учебник. 3-е изд. Пер. с англ. / К. Доугерти - М.: ИНФРА-М, 2009. - XIV, 465 с.

107. Вендров A.M. Проектирование программного обеспечения экономических информационных систем: Учебник. / А.М. Вендров - 2-е изд., перераб. и доп. - М.: Финансы и статистика, 2005. - 544 с: ил.

108. Барлиани А.Г. Комбинированный прогноз в логистике для Сибирского региона / А.Г. Барлиани, С.А. Вдовин // Интерэкспо Гео-Сибирь. -2009. - №1. URL: https://cyberleninka.ru/article/n/kombinirovannyy-prognoz-v-logistike-dlya-sibirskogo-regiona (дата обращения: 11.09.2018).

109. Лебедева И.М. Макроэкономическое планирование и прогнозирование. Под ред. А.Ю. Федоровой. / И.М. Лебедева, А.Ю. Федорова -СПб: Университет ИТМО, 2016. - 54 с.

110. Combined Cycle Power Plant [Электронный ресурс] // UCI Machine Learning Repository: Data Set - Режим доступа: http://archive.ics.uci.edu/ml/datasets/Combined+Cycle+Power+Plant

111. Дубенко Ю.В. Интеллектуальная система контроля и прогнозирования потерь электроэнергии / Ю.В. Дубенко, Е.Е. Дышкант // Вестник

Белгородского государственного технологического университета им. В.Г. Шухова. - 2016. - № 3. - С. 131-135.

112. Дышкант Е.Е. Прогнозирование потерь электроэнергии в электросетях РФ / Е.Е. Дышкант, Ю.В. Дубенко, А.С. Ручкин // В сборнике: Молодые ученые в решении актуальных проблем науки. материалы VI международной научно-практической конференции. - 2015. - С. 46-50.

113. Дышкант Е.Е. Многофакторное нечеткое прогнозирование потерь электроэнергии / Е.Е. Дышкант, Ю.В. Дубенко, А.С. Ручкин // В сборнике: Молодые ученые в решении актуальных проблем науки. материалы VI международной научно-практической конференции. - 2015. - С. 50-54.

114. Дубенко Ю.В. Прогнозирование потерь электроэнергии в энергосистеме России /Ю.В. Дубенко, О.А. Сумская, Е.Е. Дышкант, А.С. Ручкин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. - 2015. - № 109. - С. 938-947.

115. Дубенко Ю.В. Модель многофакторного прогнозирования нечетких временных рядов потерь электроэнергии / Е.Е. Дышкант, Ю.В. Дубенко, А.С. Ручкин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. - 2015. - № 110. - С. 96-110.

116. Дубенко Ю.В. Автоматизированная система определения и прогнозирования потерь электроэнергии / Ю.В. Дубенко, Е.Е. Дышкант // Известия высших учебных заведений. Поволжский регион. Технические науки. -2015. - № 4. - С. 37-45.

117. Дубенко Ю.В. Математическая модель мультифакторного нечеткого прогнозирования потерь электроэнергии с использованием оптимизационных алгоритмов GA, PSO, ACO / Е.Е. Дышкант, Ю.В. Дубенко, А.С. Ручкин // Научные труды Кубанского государственного технологического университета. -2015. - № 6. - С. 123-137.

118. Дубенко Ю.В. Разработка архитектуры блока прогнозирования системы управления сложным техническим комплексом / Ю.В. Дубенко, Е.Е. Дышкант // Вестник Брянского государственного технического университета. -2018. - № 5. - С. 74-83.

119. Дубенко Ю.В. Применение аппарата искусственных нейрокомпьютерных сетей для прогнозирования потерь электроэнергии в линиях электропередач / Ю.В. Дубенко, Е.Е. Дышкант // В сборнике: Молодые ученые в решении актуальных проблем науки. материалы IV Международной научно-практической конференции. - 2013. - С. 22-25.

120. Дубенко Ю.В. Разработка блока принятия решений самообучающейся системы адаптивного управления сложной технической системой / Ю.В. Дубенко, Е.Е. Дышкант, А.И. Вандина // Электронный сетевой политематический журнал «Научные труды КубГТУ» - 2018. - № 3 / По материалам V-й международной научно-практической конференции «Автоматизированные информационные и электроэнергетические системы», посвященной 100-летию ФГБОУ ВО «Кубанский государственный технологический университет». - С. 544-554.

121. Дубенко Ю.В. Разработка блока прогнозирования показателей сложной технической системы / Ю.В. Дубенко, Е.Е. Дышкант, А.И. Вандина // Электронный сетевой политематический журнал «Научные труды КУбГТУ» -2018. - № 3 / По материалам V-й международной научно-практической конференции «Автоматизированные информационные и электро-энергетические системы», посвященной 100-летию ФГБОУ ВО «Кубанский государственный технологический университет». - С. 555-568.

122. Matlab [Электронный ресурс] // MathWorks - Режим доступа: https://www.mathworks.com/help/

123. Matlab.Exponenta [Электронный ресурс] - Режим доступа: http://matlab.exponenta.ru/

124. Серая О.В. Прогнозирование вейвлет-аппроксимации временного ряда / Восточно-Европейский журнал передовых технологий / О.В. Серая. - 2011. - Т. 4. № 4 (52). - С. 49-51.

125. Миротин Е.А. Прогнозирование временных рядов с использованием непрореженного вейвлет-преобразования и односторонних фильтров / Е.А. Миротин // Вестник БГУ. Серия 1, Физика. Математика. Информатика. - 2011. - № 2. - С. 127-132.

126. Заруцкий И.В. Предварительная очистка масс-спектрометрических сигналов от шумов с помощью вейвлет-фильтров / И.В. Заруцкий, В.В. Манойлов // Научное приборостроение. - 2007. - Т. 17. № 1. - С. 115-120.

127. Цанев С.В Газотурбинные и парогазовые установки тепловых электростанций: учебное пособие для вузов. 3-е изд. стереот. Под ред. С.В. Цанева / С.В. Цанев, В. Д. Буров, А.Н. Ремезов. - М.: Издательский дом МЭИ, 2009. - 484 с.

128. Elkhawad Ali Elfaki Prediction of Electrical Output Power of Combined Cycle Power Plant Using Regression ANN Model / Elkhawad Ali Elfaki, Ahmed Hassan Ahmed // International Journal of Computer and Control Engineering. - 2018 -Vol 6, No. 2, - p. 9-21.

129. Дубенко Ю. В. Нечеткая система определения оптимальных методов для прогнозирования параметров сложных технических систем / Ю. В. Дубенко, Е. Е. Дышкант // Известия высших учебных заведений. Поволжский регион. Технические науки. - 2018. - № 3 (47). - С. 71-86.

130. Дубенко Ю.В. Нейросетевой алгоритм выбора методов для прогнозирования временных рядов / Ю.В. Дубенко, Е. Е. Дышкант // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. - 2019. - № 1. - С. 51-60.

131. Дубенко Ю.В. Интеллектуальный блок прогнозирования показателей работы сложных технических систем / Ю.В. Дубенко, Е.Е. Дышкант // В

сборнике: Молодые ученые в решении актуальных проблем науки: материалы VIII Международной научно-практической конференции. -Владикавказ: изд-во «Веста», 2018. - С. 28-32.

132. Дубенко Ю.В. Самообучающийся модуль прогнозирования параметров технических систем и комплексов / Ю.В. Дубенко, Е.Е. Дышкант / Прикладные вопросы точных наук: Материалы II Международной научно-практической конференции студентов, аспирантов, преподавателей, посвященной 100-летию со дня образования Кубанского государственного технологического университета (АМТИ, г. Армавир, Россия, 2-3 ноября 2018 г.) - г. Армавир: РИО АГПУ, 2018. - С. 192-195.

133. Дубенко Ю.В., Дышкант Е.Е., Коваль И.В. Интеллектуальная микропроцессорная система для определения величины технических потерь электроэнергии: свидетельство № 2624001 Рос. Федерация. №2016111521; заявл. 28.03. 2016; опубл. 30.06.2017, Бюл. № 19

134. Дубенко Ю.В., Дышкант Е.Е., Коваль И.В. Устройство для определения величины технических потерь электроэнергии: свидетельство № 167362 Рос. Федерация. №2016111455; заявл. 28.03. 2016; опубл. 10.01.2017, Бюл. № 1

Приложение А

Исходные данные, применявшиеся для экспериментальной оценки разработанных алгоритмов интеллектуальной системы выбора методов прогнозирования временных рядов. Временной ряд значений давления

внешней среды

№ п/п Позиц ии 1-1196 Позиции 1197-2392 Позиции 2393-3588 Позиции 3589-4784 Позиции 4785-5980 Позиции 5981-7176 Позиции 7177-8372 Позиции 8373-9568

1 1010,8 4 1021,98 1020,07 1015,57 1007,88 1012,07 1012,78 1014,38

2 1011,4 1013,83 1012,69 1015,19 1020,66 1008,01 1017,78 1010,28

3 1007,1 5 1013,72 1013,12 1009,26 1014,83 1020,92 1009,28 1010,99

4 1007,2 2 1003,02 1016,1 1008,1 1010,49 1010,48 1011,37 1023,16

5 1017,1 3 1020,99 1016,25 1005,68 1008,52 1011,1 1024,91 1012,43

6 1016,0 5 1006,87 1016,11 1015,33 1016,34 1021,89 1025,68 1017,71

7 1008,2 1023,17 1014,55 1010,75 1010,64 1009,66 1010,31 1010,91

8 1021,9 8 1005,09 1017,36 1016,51 1024,06 1021,81 1017,94 1017,74

9 1010,2 5 1009,61 1017,06 1008,64 1004,03 1007,49 1015,03 1013,86

10 1017,8 1011,15 995,02 1003,55 1009,54 1016,94 1020,02 1013,9

11 1006,3 6 1008,64 1004,8 1014,48 1010,23 1009,42 1008,96 1012,66

12 1014,1 5 1006,64 1017,13 1019,68 1014,57 1010,91 1013,2 1015,14

13 1010,9 5 1024,32 1003,82 1013,16 1004,95 1008,96 1015,03 1007,39

14 1009,0 4 1010,78 1008,22 1020,52 1019,01 1013,17 1012,88 1011,8

15 1017,3 4 1014,7 1007,64 1004,09 1021,11 1019,92 1018,22 1009,44

16 1021,1 4 1014,86 1017,45 1010,01 1010,33 1028,81 1011,42 1009,35

17 1012,8 3 1009,55 1013,85 1020,31 1013,95 1030,94 1007,19 1011,84

18 1020,4 4 1012,1 1016,5 1019,98 1015,41 1011,39 1019,31 1013,26

19 1018,9 1009,38 1016,34 1010,95 1029,8 1009,5 1001,02 1011,37

20 1002,0 5 1014,65 1020,31 1010,69 1011,09 1010,15 1013,43 1011,73

21 1015,1 1 1007,88 1025,86 1009,32 1011,8 1023,46 1018,88 1012,96

22 1004,8 8 1014,67 1006,5 1010,75 1014,9 1007,4 1012,81 1007,43

23 1011,1 2 1010,45 1013,9 1016,37 1010,26 1014,05 1010,96 1011,24

24 1024,0 6 1016,26 1018,16 1018,56 1018,48 1032,77 1014,76 1014,55

25 1019,1 3 1020,78 1017,68 1012,9 1005,51 1007,75 1008,64 1007,1

26 1025,5 3 1015,55 1012,67 1012,12 1002,27 1017,69 1016,14 1005,99

27 1011,8 1 1009,26 1023,82 1008,02 1003,75 1012,31 1010,66 1015,01

28 101В,2 1 1019,б1 1015,1 100б,24 1013,7 1025,5 В 1007,77 1013,95

29 1011,7 1 1013,5б 1021,бб 1013,Вб 1010,44 101В,35 1010,0б 1012,29

30 1015,б 7 1019,2б 101б,47 1007,б 1032,1б 1015,32 1020,44 1014,19

31 994,17 1012,01 1009,42 1019,9 101б,77 1009,б9 1011 1015,92

32 1012,4 1014,99 1010,74 101В,2б 101б,55 101б,27 1020,91 1011,93

33 1020,3 В 1002,71 1010,4В 1011,24 100б,79 1007,3б 1014,75 101В,94

34 1015,1 В 1011,В9 100б,03 1024,2 1009,2В 1009,В5 1010,0В 1010,ВВ

35 100В,3 9 101б,4В 101б,31 1013,25 1012,92 1015,25 100В,3 101б,33

Зб 1024,3 1012,В4 100В,б5 1010,39 1005,39 1010,51 100В,В4 1019,29

37 1005,В 5 1013,31 100б,57 1007,24 1022,51 1007,б 1024,Вб 1015,б3

38 101В,2 3 1011,09 1022,42 1010,51 1012,4б 1014,7б 1017,23 101В,бВ

39 1017,9 9 1005,01 100В,37 1025,21 1012,44 1014,б3 1017,37 1015,51

40 101В 1013,23 1002,25 1017,2В 101б,53 1013,б1 1013,03 1015,1б

41 100б,1 В 1033,29 1009,73 1010,б9 1004,92 100б,7В 1015,1 1011,9

42 100В,5 В 100В,9В 1009,Вб 1015,4 101б 999,57 101 В,9б 1020,45

43 101б,9 9 1010,7 1010,б5 1025,бВ 1015,24 100В,75 1007,б5 1023,99

44 1015,0 5 1012,21 1009,б4 1011,13 1013,14 1011,55 1020,б3 1013,14

45 1014 1009,б2 1009,95 1015,71 1022,3 1007,45 1013,92 1013,4

4б 1009,7 9 1007,7б 1013,92 1024,53 1019,43 1009,В5 1010,09 101В,4

47 1004,б 4 100б,2В 100В,В4 100б,74 1009,б 1015,71 1017,95 100б,23

48 1002,4 3 102б,19 1004,В1 101б,2В 100В,11 1021,22 1011,01 101б,В9

49 101б,5 7 1013,22 101б,3б 1009,52 1014,3 1017,55 1011,44 1024,9

50 1009,0 5 1013,31 1000,23 1025,9В 1014,В1 1009,51 1009,б 101В,23

51 1011,7 2 1015,25 1010,б7 1025,бВ 1001,4 1012,92 1015,12 1007,1б

52 1014,3 7 1012,41 101б,93 1020,5б 1012,Вб 1011,25 1005,ВВ 1020,94

53 1017,9 5 1009,34 101б,13 1010,9В 1015,В5 1025,07 100В,41 100б,В2

54 1003,4 1021,В5 1017,7 1005,7 1014,74 100б,5б 1003,74 1020,35

55 1009,б 1 1020,1В 1013,71 100б,09 101В,93 1019,92 100В,24 1012,09

5б 100б,0 9 1017,7В 100б,37 1013,4 1015,47 1011,72 1007,57 1014,3б

57 100В,4 1017,52 1003,47 1014,99 1012,74 1020,75 1009,В2 1011,55

58 1011,7 3 101В,9 1009,04 1005,75 1011,бб 1015,7В 1010,13 1017,29

59 1012,В 1 1011,33 100В 1012,33 1013,ВВ 1014,72 1007,1б 1017,В4

б0 1003,3 1 1002,В3 1007 1013,29 1001,0В 1020,3В 1012,51 101б,2

б1 1009,7 1 1014,52 1013,54 1021,б 101б,бВ 1005,2 1011,19 1013,В9

б2 1014,5 б 1007,02 100В,б1 1009,В1 1017,В2 1010,б9 101б,75 100В,41

бЗ 101б,0 4 1009,32 1011,б4 1009,0б 1015,29 100В,35 1017,В3 1013,92

б4 1009,1 7 101б,91 1005,32 101б,1б 1021,01 100В,В4 1019,2В 1021,02

б5 1015,5 В 1007,42 1020,1б 1017,43 1007,В2 1004,91 1004,53 100В,12

бб 1002,4 В 1014,07 101б,0б 1021,В2 1007,ВВ 1014,3 1014,В5 1007,72

6T 1025,1 3 1020,21 1017,4В 1015,24 1012,Вб 1001,б4 1011,93 1009,91

6S 1023,0 7 1020,79 1013,71 1009,В7 1025,39 100В,27 1032,93 1007,99

69 1015,5 б 101В,59 1012,52 1015,34 1025,В 1021,53 100В,б5 1012,53

7G 1004,3 3 1002,2 1019,0В 1017,0б 100В,43 102б,07 101В,В5 1011,51

71 1013,2 1025,1б 1013,37 1021,53 1010,29 1009,03 1009,32 1005,бб

72 1002,7 1009,б7 101В,19 1012,79 1013,5 1005,43 101 В,В4 1021,02

73 1010,б 5 1007,29 100В,б7 100б,В3 1020,3 101б,В1 1014,б5 1019,33

74 1021,4 5 1023,13 101В,б4 1012,9б 1005,52 1010,93 1011,Вб 100В,В7

75 101В,б 7 1010,09 1005,17 101б,05 1019,44 1010,3б 1010 101б,95

76 1010,4 В 1013,79 1017,42 1017,52 1011,В5 1013,43 1020,23 1013,б5

77 1009,3 В 1011,В4 1009,б1 100б,32 100В,3В 1010,11 1010,13 101б,09

78 1009,1 2 1009,22 100В,24 1012,94 1009,22 1015,09 1017,47 1007,44

79 101В,0 В 1012,71 1017,57 1005,В1 1010,2б 100б,71 1004,7б 100б,3

SG 1009,4 9 1009,97 1019,1В 100б,59 1014,9б 1011,б 1015,15 101В,В5

81 1014,0 б 1013,05 101В,49 1011,43 1005,В4 1007,07 1017,59 1023,В2

82 1004,4 9 1012,7б 1019,94 1015,02 1013 1009,25 1022,2 1013,7В

S3 1009,б 4 1011,37 1012,72 100В,51 1025,34 1019,01 1015,42 1024,7

84 1012,4 1015,21 1015,0В 1011,99 1015,51 101б 101б,22 1014,71

85 101б,б 5 1012,01 1011,54 1025,21 1013,94 101б,21 1013,3б 1013,24

86 1004,б 1 1009,9б 100В,51 1011,71 1019,3б 102б,49 101В,5В 1011,1б

87 1009,4 В 100В,В5 1017,3В 1015,7В 1010,49 1021,б 1015,74 1007,9б

88 1009,3 В 100б,б7 100б,б2 101В,21 1007,27 1013,3 1015,27 1019,53

89 1019,В 7 1013,09 1015,б7 1007,34 1003,3В 1002,21 1012,3 1025,95

9G 100В,5 1 1017,37 1015,45 1012,4 1000,07 100В,5В 1010,97 1009,В3

91 1014,4 В 1005,57 1022,73 1015,43 1030 101б,В3 1009,94 99В,42

92 1014,4 9 1007,93 100В,0б 1012,ВВ 100В,12 101В,73 1010,57 1009,б4

93 1012,0 4 1017,1б 1021,04 1010,42 100б,74 1011,б2 1013,ВВ 1014,б1

94 1012,б 1012,52 1007,01 1007,4В 1011,02 1009,5б 1011,13 1002,71

95 1011,б 9 100В,73 1007,3б 1010,35 1011,1В 1014,бб 1024,б 1013,33

96 1012,б б 1019,бб 1017,В 1023,95 1012,В4 1004,б3 1013,В9 1007,74

97 1005,2 5 1015,71 1013,43 1014,74 1010,75 1015,7 1013,ВВ 1020,б

98 1025,4 5 1011,б5 1009,52 1009,92 1013,04 1017,95 1011,бб 101б,49

99 100В,0 9 1015,93 1003,9 1020,5б 101б,24 1020,23 1010,3 1014,3б

1GG 1023,5 7 1004,б2 1009,бб 1009,7В 1009,б5 1015,99 1017,бВ 1010,4В

1O1 1019,5 г 101в,96 1009,9г 1011,44 101г,46 10г0,5г 1017,63 1021,62

1O2 1011,1 9 1005,вг 1005,7в 1017,в3 101г,вг 100в,97 1005,47 1011,33

ЮЗ 1013,г 7 1017,в3 1016,74 1010,99 1019,45 1013,г6 1016,65 1007,37

1O4 101г,5 в 1013,6 1010,03 1016,06 1017,г6 1007,31 101г,г1 1007,53

1O5 1015,0 9 1010,71 1013,73 1001,91 1010,в4 1011,7в 101в,в1 1017,44

1O6 101в,4 4 10г0,г4 1010,49 1011,9 1010,15 1009,59 100г,вв 1011,в9

1O7 100в,0 г 100в,39 1019,гв 1016,5в 1010,3г 1001,57 1017,56 1019,57

1O8 1007,7 4 1009,07 1011,74 1013,г4 101г,39 1013,36 10г7,03 1011,9

1O9 1009,6 5 1009,7в 1017,46 1017,07 1017,36 1024,62 1006,в3 1013,49

11O 1020,3 1006,53 1017,61 1009,гг 1000,5 101г,39 1014,0в 1019,1

ill 1014,0 в 1011,61 1009,7 100в,06 1000,91 1017,1г 1005,в 1005,69

112 1009,4 1006,в9 1015,3 10г0,г3 1014,в5 1009,44 1011,59 1011,31

11З 10г0,в г 1006,64 1014,03 1017,51 1016,73 1016,гв 1007,44 1014,4в

114 1016,6 9 1006 10г3,09 999,31 1019,55 101в,09 1015,вг 1013,вв

lis 1013,0 3 10гв,04 1007,13 101г,41 1005,в1 1011,07 10г4,3в 1017,96

116 1003,9 3 1007,06 10гг,56 1013,вв 1011,1г 1009,13 1004,55 1010,гв

117 1009,г в 1013,0в 1010,76 1014,в3 1017,11 1015,1 1010,гг 1013,96

118 1019,1 5 1006,44 10г3,15 1010,в9 1009,6 1011,04 1017,04 1005,34

119 1013,в 3 1017,17 1001,46 1006,31 1015,57 1015,09 1013,в5 1015,37

12O 100в,5 г 1014,13 1004,в5 1017,63 1019,54 1019,7 10г0,94 1013,91

121 1011,1 3 1017,гг 1015,в4 10г3,95 101г,45 1006,49 1009,г6 1015,79

122 10г4,в 5 10г1,в3 1005,63 99в,5в 1005,9 1013,г3 10г6,19 1013,39

12З 1005,г г 1015,99 1017,74 1003,в1 1007,99 100в,вв 1009,г7 101в,53

124 1006,в в 100г,44 1007,34 1016,41 1010,6 1011,51 1014,76 101г,1в

125 1013,6 9 1006,3в 1014,53 1009,05 1009,9 1007,34 10г0,гв 100в,19

126 1014,г 1 1003,15 101г,5г 1015,95 1005,6в 1010,5в 100в,65 1011,01

127 1015,9 1014,45 1016,6в 1014,5 1010,11 1015,в7 1015,17 1006,91

128 100в,9 1017,31 10г5,17 100в,0г 100г,96 1010,в6 1010,01 1006,6

129 10г4,5 9 1013,7в 1006,39 101г,04 1001,37 1016,в7 1011,05 1000,4в

Ш 1004,4 6 1013,в5 1015,15 10г4,5 1016,31 10г7,17 1005,в7 1017,14

1З1 1016,4 1006,г4 1019,7в 1013,1в 10г0,64 100в,в1 1007,0в 1013,93

1З2 100в,9 1 1007,5 1010,96 1013,в3 10г3,3г 1007,97 1010,03 1010,вв

1ЗЗ 10г0,1 1019,4 1000,46 1015,1г 10г1,4г 1017,54 10г0,гг 1005,в7

1З4 10г0,9 6 1004,97 10г1,37 100в,в5 1011,76 1009,66 1011 1005,7

1З5 1011,г 1 101г,7г 101в,5 1013,43 1010,01 1013,г5 100в,7в 1007,69

1З6 1004,0 7 1014,6г 1016,4г 1017,76 101в,4в 100в 1005,39 1005,в5

1З7 1009,9 101г,55 1019,6г 997,5 1009,г5 1007,93 1010,7 1015,в6

б

13S 1022,5 1 101б,04 100б,1б 1005,99 1010,13 1014,85 1003,б7 101б,18

139 1013,7 2 1017,б3 1010,б7 1013,7б 1007,35 1009,29 1017,б2 1015,73

140 1018,5 4 1011,б 1018,24 1012,94 1013,2 1021,09 101б,91 101б,14

141 1010,5 5 1011,83 1010,22 1022,81 1005,97 1009,15 1024,02 1011,1б

142 101б,0 5 1000,91 1012,б9 1022,11 1009,бб 1009,92 1021,3б 100б,97

143 1009,8 1020,12 1024,94 1023,55 1007,17 1010,09 100б,22 1002,09

144 1021,8 б 1028,41 1019,73 1013,37 1007,27 1011,09 100б,б7 1013,57

145 1007,9 9 1009,33 1020,б2 1008,29 1011,18 1022,51 1012,51 101б,48

146 1011,7 9 1017,41 1004,79 101б,72 1015,17 1015,б9 1018,95 1013,32

147 1027,2 9 1017,47 1007,84 1019,5б 1004,84 1019,03 1015,1б 102б,б8

14S 1005,8 1022,б7 1019,47 1008,41 1008,19 1013,3 101б,45 1014,б1

149 1007,4 4 1018,95 1015,11 1010,бб 1011,09 1011,79 1017,81 100б,08

150 1007,2 8 1021,18 1018,92 1012,49 101б,28 1017,92 1017,01 1014,0б

151 1010,7 9 1011,21 1007,б4 101б,12 1020,54 1001,8б 1007,5 1000,05

152 101б,б 1 1015,91 1015,9б 1002,23 1009,8б 1010,б3 1015,б2 1015,3

153 1008,3 9 1017,33 1009,44 1008,б3 1009,б3 1007,77 1018,21 1012,27

154 1024,8 1 1002,2б 1015,19 1013,б9 1010,б 1007,04 1031,55 1019,71

155 1022,9 5 1019,49 1001,95 100б,3 1024,42 1010,82 1008,23 1015,18

156 1012,0 5 1009,34 1024,91 1010,81 101б,03 1015,05 1008,14 1014,19

157 1011,2 7 1011,54 1017,74 100б,73 1014,04 1020,47 1009,3б 1025,07

15S 1014,5 1005,33 1011,48 1017,7б 1013,52 101б,52 1013,03 1020,95

159 1007,1 8 1017,8 1020,88 1020,8б 1007,3б 1005,2б 1014,95 1010,б

160 1012,9 5 1013,81 1010,19 1015,55 1019,41 1033,09 1020,23 1013,37

161 1020,4 4 1008,57 1019,35 1004,42 1015,41 1005,1б 1029,3б 1014,75

162 1003,8 8 1004,41 1008,б5 1017,05 1017 1011,34 1027,б5 1007,59

163 1024,3 1012,02 1010,17 101б,44 100б,б8 1019,б 1017,87 1012,51

164 1012,1 8 1012,79 1013,23 1012,18 101б,34 1012,14 1003,3 1012,74

165 1011,5 2 1009,58 1010,23 1015,28 1013,91 101б,49 1004,25 1013,15

166 1014,7 б 1014,01 1015,22 1030,82 100б,73 1010,08 1014,47 1007,24

167 1007,0 3 1012,27 102б,21 1018,9б 101б,9 1014,1б 101б,54 1014,19

16S 1008,8 1005,77 1008,12 1020,б2 1020,5б 1012,52 1014,б4 101б,бб

169 1004,4 7 1011,33 1012,21 1015,б3 1015,27 1011,78 1010,71 1007,29

170 1018,1 5 101б,47 1000,4б 1002,31 1018,73 1009,8 1017,8 1008,83

171 1008,7 8 1011,08 101б,32 1022,47 1003,84 1005,75 1021,2 1032,08

172 100б,0 8 1029,41 1017,7 1011,52 1020,б3 100б, 17 1011,б3 1015,58

173 1011,9 1020,11 1007,11 1004,4 1017,33 1011,42 1022,32 1008,15

174 1015,1 3 1020,95 1013,31 1002,75 1019,94 1017,97 999,48 1014,29

17S 1018,3 1009,22 1022,49 1013,88 1005,69 1011,92 1009,56 1024,72

176 1006,8 2 1020,09 1004,36 1017,75 1017,02 1013,44 1002,58 1011,87

177 1005,7 2 1022,51 1017,84 1020,61 1012,03 1007,45 1004,24 1018,54

17S 1007,6 4 1012,23 1015,22 1009,69 1014,55 1004,45 1009,05 1011,35

179 999,42 1014,9 1010,6 1005,93 1013,21 1011,44 1009,82 1013,82

1S0 1004,8 2 1011,37 1014,21 1015,7 1012,16 1003,22 1018,94 1009,9

1S1 1001,4 3 1014,05 1018,1 1011,57 1007,22 1016,91 1010,47 1007,07

1S2 1012,9 3 1009,47 1014,14 1013,59 1016,53 1002,75 1011,97 1011,11

1S3 1019,0 2 1013,62 1020,32 1011,43 1012,47 1007,29 1008,57 1013,22

1S4 1012,6 7 1012,22 1014,23 1020,1 1020,82 1006,19 1008,89 1012,09

1SS 1012,8 1015,34 1002,98 1013,1 1010,03 1008,06 999,75 1009,65

1S6 1023,4 8 1015,21 1013,83 1011,45 1018,4 1011,23 1010,76 1019,34

1S7 1012,0 7 1013,39 1010,97 1013,8 1006,22 1006,89 1010,09 1017,69

1SS 1012,1 3 1015,73 1016,48 1013,88 1007,84 1016,56 1021,42 1022,01

1S9 1008,5 5 1007,01 1018,49 1017,61 1014,13 1009,75 1011,34 1007,35

190 1009,6 8 1010,96 1019,05 1010,36 1006,66 1011,33 1010,99 1019,81

191 1018,6 6 1017,7 1012,87 1013,15 1014,01 1003,96 1017,53 1008,79

192 1002,6 2 1010,9 1009,9 1011,48 1010,15 1003,85 1022,84 1021,02

193 1022,4 6 1012,74 1007,81 1015,53 1002,04 1014,18 1013,13 1019,57

194 1010,2 5 1011,48 1013,28 1015,77 1020,02 1018,89 1015,11 1020,07

19S 1020,2 1 1010,88 1020,38 1005,5 1002,04 1012,93 1015,81 1014,57

196 1020,2 2 1012,4 1007,31 1013 1013,02 1009,78 1009,46 1017,35

197 1015,7 4 1018,92 1023,3 1011,51 1015,53 1023,51 1009,96 1010,66

19S 1011,7 4 1016,15 1010,29 1012,22 1020,35 1009,76 1011,07 1003

199 1009,6 5 1008,02 1020,13 1019,24 1019,6 1015,23 1009,74 1009,27

200 1013,1 2 1017,33 1010,28 1013,72 1007,58 1017,86 1018,26 1010,83

201 1009,8 9 1005,86 1009,47 1017,84 1023,81 1012,5 1017,85 1012,07

202 1005,6 7 1015,99 1014,9 1020,33 1017,07 1009,14 1012,5 1011,27

203 1001,4 9 1012,44 1007,62 1011,15 1002,45 1015,89 1013,08 1019,81

204 997,34 999,22 1019,12 1016,52 1011,35 1019,63 1015,11 1021,09

20S 1013,4 1025,92 1008,6 1006,99 1017,27 1007,56 1012,82 1010,25

206 1024,8 8 1019,06 1018,31 1015,96 1011,77 1013,13 1010,7 1006,34

207 1010,1 8 1006,23 1012,23 1016,81 1010,17 1026,92 1007,13 1009,68

20S 1020,0 7 1008,47 1018,86 1017,6 1009,95 1008,61 1014,88 1019,57

209 1027,5 7 1012,25 1007,75 1020,11 1017,61 1007,59 1014,2 1019,03

21Q 1018,2 2 1010,16 1005,31 1020,79 1014,49 1005,67 1009,93 1008,28

211 1011,1 5 1015,53 1011,57 1007,8 1006,36 1010,63 1018,96 1025,49

212 1012,9 2 1018,8 1004,25 1016,21 1008,64 1020,6 1008,9 1021,78

213 1012,4 1014,29 1016,54 1004,65 1015,91 1019,52 1020,55 1006,24

214 1013,2 1 1011,46 1016,01 1015,64 1006,8 1004,44 1012,78 1019,84

215 1014,8 6 1010,18 1013,97 1016,05 1004,44 1024,93 1014,28 1015,24

216 1006,3 7 1019,63 1018,41 1011,21 1016,11 1005,68 1005,16 1009,6

217 1014,6 7 1008,88 1014,43 1008,9 1005,46 1011,4 1025,05 1013,24

21S 1005,3 4 1019,79 1007,84 1002,59 1010,27 1017,72 1012,82 1018,7

219 1013,5 8 1014,36 1009,46 1011,74 1014,33 1010,67 1015,48 1016,26

22Q 1019,0 2 1012,27 1017,15 1004,73 1012,06 1012,73 1022,96 1018,4

221 1020,3 9 1023,24 1021,26 1011,34 1013,9 1027,64 1011,35 1013,88

222 1015,9 3 1008,28 1014,93 1019,94 1015,95 1007,62 1014,19 1004,86

223 1008,6 4 1011,87 1006,59 1020,46 1011,54 1016,27 1010,54 1009,7

224 1016,4 2 1014,83 1011,45 1024,18 1022,32 1007,12 1008,13 1017,19

225 1013,6 6 1012,2 1008,43 1012,68 1022,44 1005,03 1011,4 1010,4

226 1014,6 8 1006,49 1017,79 1021,39 1013,53 1011,42 1017,43 1010,36

227 1017,5 3 1023,71 1012,22 1019,78 1010,24 1008,45 1027,33 1015,77

22S 1020,6 5 1009,25 1017,42 1010,89 1001,9 1029,31 1022,36 1020,55

229 1006,4 7 1015,07 1013,37 1030,3 1020,52 998,79 1008,2 1014,55

23Q 1019,2 9 1024,39 1007,47 1020,39 1013,83 1013,09 1007,78 1016,46

231 1008,2 5 1017,87 1009,8 1013,28 1008,71 1015,44 1019,5 1016,53

232 1003,5 9 1005,68 1011,89 1014,95 1016,19 1004,02 1018,01 1020,33

233 1008,5 1 1001,19 1003,84 1007,21 1012,89 1018,7 1007,4 1015,3

234 1017,7 1 1009,41 1007,99 1009,67 1003,79 1023,43 1004,21 1015,04

235 1011,0 2 1003,83 1009,52 1005,05 1010,03 1019,73 1009,4 1008,08

236 998,79 1017,04 1020,9 1009,43 1009,7 1019,49 1018,3 1012,47

237 1017,2 6 1016,92 1009,24 1008,33 1019,48 1017,09 1001,27 1018,09

23S 1007,6 8 1010,22 1003,03 1002,13 1010,02 1007,65 1012,48 1013,73

239 1008,6 4 1007,51 1024,09 1017,25 1019,22 1008,98 1012,25 1002,59

24Q 1008,4 6 1019,37 1026 1005,2 1019,08 1014,36 1017,28 1007,86

241 1010,2 4 1023,26 1024,43 1021,86 1021 1010,64 1007,51 1007,9

242 1011,9 3 1014,05 1014,93 1014,82 1016,55 1015,81 1009,75 1012,62

243 1013,9 1010,3 1016,02 1003,73 1020,49 1007,63 1016,84 1009,07

244 1009,7 3 1020,71 1008,55 1023,22 1010,85 1007,91 1010,99 1015,02

245 1013,1 9 1011,32 1031,21 1005,19 1006,24 1012,06 1007,37 1009,61

246 1023,8 7 1007,52 1029,65 1010,21 1022,13 1013,39 1018,96 1011,33

247 1026,4 2 1010,04 1015,42 1012,87 1020,79 1014,28 1017,25 1018,49

248 1016,6 1 1015,71 1019,28 1013,76 1015,41 1005,73 1013,92 1009,85