Исследование и разработка математического и алгоритмического обеспечения систем управления энергетическими комплексами с нетрадиционными возобновляемыми источниками энергии на базе нечеткой логики тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат наук Шопин, Андрей Викторович

• Шопин, Андрей Викторович
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Шопин, Андрей Викторович

1.1 Введение. Объект исследования. Актуальность исследования. Формулировка проблемы..................................................................................................................................................3

1.2 Аналитический обзор по проблеме. Состояние вопроса. Методы, применяемые при решении....................................................................................................................................................7

1.3 Методология учета неопределенности..................................................................................1 о

1.4 Формулировка цели исследования и задач, вытекающих для достижения цели...........14

1.5 Выводы..........................................................................................................................................15

ГЛАВА 2. МЕТОДОЛОГИЯ ИСПОЛЬЗОВАНИЯ НЕЧЕТКОЙ ЛОГИКИ В СИСТЕМАХ УПРАВЛЕНИЯ..........................................................................................................................................17

2.1 Нечеткость. Основные положения теории нечетких множеств.........................................17

2.1.1 Введение в теорию нечетких множеств. Основные понятия.......................................17

2.1.2 Нечеткие соответствия и нечеткие отношения...........................................................19

2.1.3 Нечеткие ситуации............................................................................................................20

2.1.4 Основные положения нечеткой логики............................................................................21

2.2 Модели представления нечетких знаний...............................................................................23

2.3 Применение нечеткой логики в системах управления........................................................28

2.3.1 Структура нечетких систем управления, основные этапы нечеткого управления... 28

2.3.2 Нечеткий алгоритм и нечеткий вывод............................................................................30

2.4 Структура интеллектуальных систем управления с блоком нечеткого логического

вывода....................................................................................................................................................3 1

2.5 Нечеткий логический вывод при ситуационном управлении............................................33

2.6 Метод вывода на основе нечеткой ситуационной сети......................................................36

2.7 Выводы..........................................................................................................................................41

ГЛАВА 3. ПОСТРОЕНИЕ БАЗЫ НЕЧЕТКИХ ЗНАНИЙ...........................................................43

3.1 Проблемы, возникающие при построении баз нечетких знаний.........................................43

3.2 Принципы классификации состояния объекта.....................................................................44

3.3 Методы кластер-анализа...........................................................................................................47

3.4 Классификация текущих состояний объекта в интеллектуальной системе..................52

3.5 Метод построения базы нечетких знаний продукционного типа......................................54

3.6 Верификация базы знаний продукционного типа.................................................................59

3.7 Алгоритм нечеткого ситуационного управления................................................................63

3.8 Выводы..........................................................................................................................................65

ГЛАВА 4. СИНТЕЗ СИСТЕМЫ АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ АВТОНОМНЫМИ ЭНЕРГЕТИЧЕСКИМИ КОМПЛЕКСАМИ С НВИЭ....................................68

4.1 Особенности автономных энергетических комплексов с нетрадиционными возобновляемыми источниками энергии........................................................................................68

4.2 Выбор программного обеспечения для реализации системы управления сложным объектом.................................................................................................................................................72

4.3 Структура программного комплекса для управления АЭК с НВИЭ.................................75

4.4 Моделирующий комплекс поступления возобновляемой энергии...................................77

4.5 Синтез системы нечеткого ситуационного управления и результаты работы программного комплекса...................................................................................................................90

4.6 Выводы..........................................................................................................................................99

ЗАКЛЮЧЕНИЕ.......................................................................................................................................100

ЛИТЕРАТУРА.........................................................................................................................................102

Глава 1. Аналитический обзор. Цель, задачи и методы исследования.

Введение диссертации (часть автореферата) на тему «Исследование и разработка математического и алгоритмического обеспечения систем управления энергетическими комплексами с нетрадиционными возобновляемыми источниками энергии на базе нечеткой логики»

1.1 Введение. Объект исследования. Актуальность исследования.

Формулировка проблемы.

Среди современных производственных технологических процессов существует множество таких, которые принято называть, «слабоструктурированными», «плохо определенными» или просто «сложными». Таким объектам присущи такие свойства, как уникальность, отсутствие формализуемой цели существования и оптимальности, нестационарность структуры и параметров, неполнота или практически полное отсутствие формального описания объекта [63]. Управление слабоструктурированными объектами представляет собой сложную задачу. Это вызвано тем, что при построении традиционной системы автоматического управления (САУ) необходимо предварительно формально описать объект управления и сформировать критерии управления на базе математического аппарата, оперирующего количественными категориями. В случае, если невозможно дать точное математическое описание объекта и критериев управления им в количественных терминах, традиционные методы оказываются неприменимыми.

Однако, на практике подобными слабоструктурированными объектами достаточно успешно управляет человек-оператор. Благодаря своему интеллекту, человек может оперировать не только с количественными, но и с качественными неформализованными понятиями, вследствие чего довольно успешно справляется с неопределенностью и сложностью процесса управления [47]. Не вызывает сомнений, что существенное повышение эффективности управления сложными объектами заключается в создании интеллектуальных САУ, способных в той или иной степени воспроизводить определенные интеллектуальные действия человека, связанные с приобретением, анализом, классификацией знаний в предметной области управления технологическим процессом, а также оперирующих знаниями, накопленными человеком-оператором или самой системой в ходе практической деятельности по управлению объектом [1].

Одним из направлений в современной технологии управления является нечеткое управление (fuzzy control). Теория нечеткого управления является одной из ветвей теории интеллектуальных систем и активно применяется в настоящее время для синтеза нечетких регуляторов, гибридных регуляторов, нечетких поисковых систем автоматической оптимизации, нечетких устройств оценивания и фильтрации. Методы, развиваемые в теории нечеткого управления, опираются на математическую теорию нечетких множеств и построенную на ее основе нечеткую логику (fuzzy logic), которая позволяет оперировать неопределенной или нечеткой информацией, не интерпретируемой в количественных терминах. Поэтому при управлении сложными процессами, не имеющими точного количественного математического описания, нечеткие системы по сравнению с традиционными имеют лучшую помехозащищенность, быстродействие и точность за счет более адекватного описания реальной среды, в которой они функционируют.

Поэтому, усовершенствование методов анализа и синтеза алгоритмов, и, в более общем случае, систем управления сложными техническими системами, функционирующими в условиях неопределенности исходной информации, на основе использования теории нечетких множеств представляют актуальную задачу.

Целью работы является разработка методического аппарата синтеза математической модели интеллектуальной системы автоматического управления сложными техническими системами на базе нечеткой логики и ситуационного подхода (на примере автономных энергетических комплексов с нетрадиционными возобновляемыми источниками энергии).

Для достижения цели в работе необходимо решить следующие задачи:

- изучить современное состояние технологий и способов решения проблем в области оперативного управления сложными техническими объектами;

- обосновать необходимость развития математического аппарата нечеткой логики для эффективного управления сложными техническими системами с целью расширения области его применения;

- исследовать существующие алгоритмы автоматического управления сложными техническими объектами; усовершенствовать методическую базу ука-

занных алгоритмов на основе нечеткого логического вывода с использованием ситуационного подхода;

- разработать методику использования математического обеспечения алгоритма нечеткого ситуационного логического вывода в системах управления сложными техническими объектами;

- разработать программный комплекс для реализации предложенной методики на основе имитационного моделирования системы управления автономными энергетическими комплексами с нетрадиционными возобновляемыми источниками энергии (АЭК с НВИЭ).

Содержание диссертационной работы отражает реализацию поставленных

задач.

В первой главе проанализировано современное состояние и результаты современных российских и зарубежных исследований в области проектирования и реализации систем управления сложными объектами на основе нечеткой логики.

Исследованы теоретические аспекты выбора математического аппарата для формализации соответствующего уровня неопределенности и разработана классификация, устанавливающая связь между основными типами неопределенности исходных данных в сложных технических системах, формой представления их моделей и соответствующими математическими методами формализации неопределенности.

На основании проработанного материала сделан вывод о необходимости использования методов моделирования и математического аппарата теории нечетких множеств для построения систем управления сложными техническими объектами.

Во второй главе рассмотрены особенности нечеткого управления сложными объектами, принципы построения систем на нечеткой логике и введены основные понятия теории нечетких множеств и ситуационного управления.

Обоснована возможность применения нечеткого ситуационного управления для создания систем автоматического управления сложными техническими объектами с относительно большим количеством входных параметров. Предлагается

модифицированный алгоритм ситуационного логического вывода на нечеткой ситуационной сети.

В третьей главе проанализированы проблемы связанные с выявлением экспертных знаний при построении базы знаний. Рассмотрены методы, позволяющие производить классификацию состояний объекта на основании их сходства с известными, эталонными состояниями.

Предложен метод построения базы нечетких знаний и ее отладки, в результате которых решаются проблемы, связанные с определением полноты, непротиворечивости и избыточности БЗ.

Разработан алгоритм нечеткого ситуационного управления, включающий в себя модуль кластеризации, обеспечивающий нечеткое покрытие множества состояний сложного объекта классами типовых ситуаций и модуль нечеткого ситуационного управления, формирующий стратегию вывода управленческих воздействий по нечеткой ситуационной сети в зависимости от изменения целевой ситуации.

В четвертой главе предложена методика синтеза системы автоматического управления АЭК с НВИЭ на основе ситуационного подхода.

Разработана и описана структура программного комплекса для реализации, предложенной в предыдущих главах методики в системе управления АЭК с НВИЭ на основе имитационного моделирования. Структура состоит из двух блоков: блок математических моделей и блока реализации нечеткого ситуационного вывода. Каждый из них выполняет определенные функции.

Произведено построение баз нечетких знаний применительно к конкретному объекту (АЭК с НВИЭ) в соответствии с предложенной методикой.

Реализован программный комплекс с использованием предложенных методик нечеткого ситуационного управления и формирования баз нечетких знаний продукционного типа. Произведена верификация работы программного комплекса, показавшая высокую степень эффективности выработанных управленческих решений по качеству и оперативности вывода.

1.2 Аналитический обзор по проблеме. Состояние вопроса. Методы, применяемые при решении.

Важной характеристикой сложных объектов является тот факт, что выходные параметры связаны с состояниями сложным, неоднозначным и просто неизвестным образом, поэтому известных параметров недостаточно для полного и однозначного определения его состояния.

Система управления сложным объектом должна обладать высокой степенью адаптивности, следовательно должна базироваться на математическом аппарате искусственного интеллекта, основными из которых являются: искусственные нейронные сети (ИНС), экспертные системы (ЭС), нечеткая (fuzzy) логика (HJI), генетические алгоритмы (ГА) и др. Лежащие в их основе идеи существенно отличаются от общепринятых методов вычислений, имитируя "человеческие", т.е. более понятные технологу, чем "чистому" специалисту по вычислительной технике, пути решения проблем либо "природное", "генетическое" развитие процессов. Например, ИНС-сети обладают способностью к обучению, ЭС-системы принимают решения на основе наборов правил и опыта экспертов, а системы с нечеткой логикой оперируют такими понятиями, как неопределенность и частичная/приблизительная истина.

Данные методы предназначены для решения сложных нелинейных задач, которые либо превышают возможности общепринятых алгоритмических методов, либо требуют для своего решения слишком больших материальных и временных затрат. Существует множество примеров успешного применения методов ИИ, хотя и не всегда в роли единственного решения. В силу своей природы, ИИ-методы довольно спорны и не всегда принимаются сторонниками традиционных подходов. Тем не менее, сегодня ИИ-технология занимает все более важное место в арсенале средств разработчиков средств управления и контроля.

К числу задач, традиционно требующих использования интеллектуальных средств, относятся:

- ситуационное управление процессами, решающее задачи обеспечения заданного качества получаемых продуктов в условиях неполноты информации, ограниченности ресурсов управления и способов воздействия на процесс;

- диагностика технических средств автоматизации и защита технологического оборудования от последствий отказов;

- автоматизация операций пуска и останова технологических процессов;

- построение САУ, способных работать в условиях непредсказуемого изменения характеристик объекта на основе разработки адаптивных, интеллектуальных систем.

Общим для перечисленных задач является необходимость идентификации и логического анализа технологических ситуаций.

Рассмотрим области применения каждого из этих направлений развития

ИИ.

Экспертные системы (ЭС) - это яркое и быстро прогрессирующее направление в области искусственного интеллекта. Причиной повышенного интереса, который ЭС вызывают к себе на протяжении всего своего существования является возможность их применения к решению задач из самых различных областей человеческой деятельности. Пожалуй, не найдется такой проблемной области, в которой не было бы создано ни одной ЭС или, по крайней мере, такие попытки не предпринимались бы.

По мнению специалистов, в недалекой перспективе экспертные системы будут играть ведущую роль во всех фазах проектирования, разработки, производства, распределения, продажи, поддержки и оказания услуг. Их технология, получив коммерческое распространение, обеспечит революционный прорыв в интеграции приложений из готовых интеллектуально-взаимодействующих модулей.

Среди специализированных систем, основанных на знаниях, наиболее значимы экспертные системы реального времени, или динамические экспертные системы. На их долю приходится 70 процентов этого рынка.

Значимость инструментальных средств реального времени определяется не столько их бурным коммерческим успехом (хотя и это достойно тщательного анализа), но, в первую очередь, тем, что только с помощью подобных средств создаются стратегически значимые приложения в таких областях, как управление непрерывными производственными процессами в химии, фармакологии, производстве цемента, продуктов питания и т.п., аэрокосмические исследования,

транспортировка и переработка нефти и газа, управление атомными и тепловыми электростанциями, финансовые операции, связь и многие другие.

Классы задач, решаемых экспертными системами реального времени, таковы: мониторинг в реальном масштабе времени, системы управления верхнего уровня, системы обнаружения неисправностей, диагностика, составление расписаний, планирование, оптимизация, системы-советчики оператора, системы проектирования.

Статические экспертные системы не способны решать подобные задачи, так как они не удовлетворяют требованиям, предъявляемым к системам, работающим в реальном времени.

Наряду с ЭС широким коммерческим успехом пользуются искусственные нейронные сети. Искусственные нейронные сети индуцированы биологией, так как они состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Эти элементы затем организуются по способу, который может соответствовать (или не соответствовать) анатомии мозга. Несмотря на такое поверхностное сходство, искусственные нейронные сети демонстрируют удивительное число свойств присущих мозгу. Например, они обучаются на основе опыта, обобщают предыдущие прецеденты на новые случаи и извлекают существенные свойства из поступающей информации, содержащей излишние данные.

Важнейшими областями применения ИНС-технологий является решение задачи классификации, распознавание образов, проверка достоверности данных и показаний датчиков. Одна из тенденций сегодняшнего дня - создание гибридных систем, в которых технологии нейронных сетей сочетаются с другими методами (не обязательно из сферы ИИ) Подобные гибридные ИНС-сети являются довольно эффективным средством системного моделирования и группового мониторинга. Наиболее подходящими для применения данных методов являются групповые процессы с сильной нелинейностью и сложным регулированием.

Одним из перспективных направлений ИИ является теория нечетких множеств (ТНМ) и основанная на ней нечеткая логика (НЛ).

Математическая теория нечётких множеств позволяет описывать нечеткие понятия и знания, оперировать этими знаниями и делать нечеткие выводы.

Нечеткое управление оказывается особенно полезным, когда технологические процессы являются слишком сложными для анализа с помощью общепринятых количественных методов или когда доступные источники информации интерпретируются качественно, неточно или неопределенно. Нечеткая логика, на которой основано нечеткое управление, ближе по духу к человеческому мышлению и естественным языкам, чем традиционные логические системы. Нечеткая логика обеспечивает эффективные средства отображения неопределенностей и неточностей реального мира. Наличие математических средств отражения нечеткости исходной информации позволяет построить модель, адекватную реальности.

Все эти направления ИИ дополняют друг друга, порождая новые термины и направления для научных исследований (например, нечеткие экспертные системы, пеигоШггу и т.п.), не теряя при этом самостоятельной ценности и значимости в современной науке. Многое свидетельствует о том, что они будут существовать, объединяясь в системах, где каждый подход используется для решения тех задач, с которыми он справляется наиболее эффективно.

1.3 Методология учета неопределенности

При управлении сложными техническими системами, как правило, приходится сталкиваться с различной степенью неопределенности исходных данных, параметров системы, нечеткостью целей и задач управления.

Традиционно система определяется как сложная [16, 18, 93, 95], если для построения ее адекватной модели недостаточно априорной информации. Причиной этому являются ряд факторов, свойственных сложным системам, тесно взаимосвязанных между собой и которые условно можно сформулировать следующим образом:

- недоступность измерения исходных данных и параметров системы, или невозможность их представления в количественном виде;

- плохая формализуемость системы и ее элементов;

- многомерность;

- нелинейность связей в системе;

- вычислительные трудности, связанные с реализацией вычислительных процессов и оценкой достоверности полученных результатов.

Причины возникновения неопределенностных ситуаций могут заключаться в стохастической природе влияющих на систему внешних факторов, в особенностях протекающего технологического процесса.

Задачу принятия решения в условиях неопределенности можно представить как подзадачу процесса управления сложной системой. Процессу принятия решения предшествует более или менее четкая постановка цели, формирование ограничений задачи и условий функционирования исследуемой системы. В элементарных случаях в отсутствии альтернатив путь к выполнению цели однозначен и задачи принятия решения нет. В более сложных случаях необходимо провести:

- формализацию исходных данных и цели управления;

- расчет оптимального пути достижения цели (вычислительная часть процесса принятия решения).

Обе задачи обладают лишь относительной самостоятельностью. Выбор средств и методов математических расчетов зависит от выбранного способа формализации исходных данных и цели управления, которые в свою очередь зависят от уровня достоверности и объема исходных данных, от априорной информированности лица, принимающего решение об исследуемом процессе. От правильной постановки задачи зависит корректность применения избранного математического аппарата.

Модели объекта управления могут иметь различную форму представления: аналитические выражения, качественное описание (знания экспертов), логико-динамические уравнения (гибридные системы), в виде программного кода, таблиц и т.п.).

В зависимости от полноты исходной информации и конкретных свойств исследуемого объекта для расчета искомых управлений применяется тот или иной математический аппарат [39, 96]. Разработана классификация, устанавливающая связь между основными типами неопределенности исходных данных в сложных технических системах, формой представления их моделей и соответствующими математическими методами формализации неопределенности (Таблица 1).

Таблица 1.1. Классификация математических методов для управления при различных типах неопределенности.

Уровень неопределенности Доступная информация об объекте управления Тип модели Математические методы формализации

Отсутствует Полная информация. Функционал J и структура Г известны, они также как и X и У, не искажены шумом XV. Элементы .1, £ X, У, \У детерминированные. Детерминированная Методы лин., нелин., целочисленного, динамического программирования, прямые вариационные методы, и методы основанные на принципе максимума Понтрягина.

Низкий Неполная информация. Функционал J и структура f известны, они также как и X и У, не искажены шумом \\Л Элементы .1, X, У, XV де-терм и н и рован н ые. Интервальная Интервальная математика, уравнения с интервальными коэффициентами.

Средний Статистическая информация (большая выборка). Функционал J и структура f известны. Элементы .1, f детерминированные, X, У, XV вероятностные Вероятностная Теория вероятностей, мат. статистика, стат. методы теории распознавания образов и т.д.

Достаточно высокий Статистическая информация (малая выборка). Элементы .1, f неизвестны, X, У, XV экспериментальные. Нейросетевая Искусственные нейронные сети, персептрон Розенблата, машина Гамба и т.д.

. Высокий Качественная информация. Элементы 5, £ X, У, XV не имеют четкого значения, не имеется предпосылок предполагать тот или иной закон распределения. Лингвистическая Методы теории нечетких множеств, нечеткая логика.

Высокий Знания экспертов. Элементы I, £ X, У, XV гипотетические, не имеют четкого значения, заданы на основе интуиции и опыта. Экспертная Методы принятия решений, методы теории нечетких множеств.

Примечания: в общем виде схема системы управления включает следующие элементы: показатель эффективности -функционал отражающий цель управления, структура/объекта управления, входные контролируемые (но не управляемые) переменные X, входные управляемые переменные и, помеха IV и выходные переменные У.

Необходимо отметить обобщенность таблицы 1.1, которая заключается в следующем:

- элементы системы управления I, Б, X, У, избранны наиболее типичные, в конкретных условиях они могут частично отсутствовать, список их может быть расширен;

- отсутствует достаточно четкая граница между выделенными характеристиками исходных данных (детерминированные, статистические, экспериментальные, гипотетические);

- существует большое число комбинаций элементов 3, Г, X, У, Ж и соответствующих характеристик. В таблице приведены основные из них. Исследования сложных систем позволили выявить то, что можно было бы

назвать принципом несовместимости. Суть этого принципа можно выразить примерно так: чем сложнее система, тем менее мы способны дать точные и в то же время имеющие практическое значение суждения о ее поведении. Для систем, сложность которых превосходит некоторый пороговый уровень, точность и практический смысл становятся почти исключающими друг друга характеристиками [16,35,38,95].

Сформулируем признаки сложных объектов, способствующие привлечению методологии нечеткого управления, для построения систем управления (СУ):

- динамика поведения объекта динамическая, нелинейная, сам объект структурно сложный, цели управления нечетки и могут изменяться в зависимости от ситуации;

- моделей сложных объектов, построенных на традиционных математических методах не существует, либо они сложны в разработке и не могут быть адекватными в силу характера неопределенности протекающих в таких комплексах процессов;

- входные данные сложной системы обладают природной неопределенностью (высокой степенью неопределенности);

- точности датчиков не достаточно для определения положения системы;

- управление объектом возможно на основе экспертных знаний, выраженных в качественной форме в виде лингвистических переменных;

- система может получать конфликтные или неполные ..данные, но при этом не должна терять функционирования.

1.4 Формулировка цели исследования и задач, вытекающих для достижения цели.

Целью исследования является разработка методического аппарата синтеза математической модели интеллектуальной системы автоматического управления сложными техническими системами на базе нечеткой логики и ситуационного подхода (на примере автономных энергетических комплексов с нетрадиционными возобновляемыми источниками энергии).

Цель достигается решением следующих задач, отражающих логику и последовательность исследования:

- анализ степени неопределенности исходной информации при управлении сложными техническими объектами;

- изучение современного состояния технологий и способов решения проблем в области оперативного управления сложными техническими объектами;

- обоснование необходимости развития математического аппарата нечеткой логики для эффективного управления сложными техническими системами с целью расширения области его применения;

- теоретическое изучение методов хранения и обработки нечеткой информации;

- исследование условий практической применимости методов нечеткого управления и обоснование необходимости развития математического аппарата нечеткой логики для эффективного управления сложными техническими системами с целью расширения области его применения;

- выбор методов нечеткого управления, позволяющих построить наиболее адекватную математическую модель системы управления сложными техническими объектами;

- разработка методов построения нечетких систем управления со с использованием ситуационного подхода;

- разработка методики создания эффективной системы управления сложным объектом на базе математического аппарата теории нечетких множеств;

- разработка алгоритма эффективного управления сложным техническим объектом, основанного на нечетком ситуационном управлении;

- создание универсального программного обеспечения реализующего эффективное управление сложным объектом, построенного на основе разработанной методики и алгоритма;

- выявление особенностей применения нечеткой логики для построения интеллектуальной системы управления;

- применение разработанной методики на конкретном примере, интерпретация и анализ полученных результатов.

Характерной особенностью сложных объектов является то, что информация о параметрах объекта, его поведении и целях управления выражена неточно или в качественной форме. В этом случае существует проблема создания адекватной модели объекта и эффективной системы управления. Использование «традиционных» методов сильно ограниченно в силу принципиальной невозможности описания таких типов неопределенности исходных данных в рамках классической теории управления. Для решения этой проблемы используются системы управления, основанные на методах искусственного интеллекта.

1.5 Выводы.

В данной работе в качестве объекта исследования выбрана система управления сложным объектом. Характерной особенностью сложных объектов является то, что информация о параметрах объекта, его поведении и целях управления выражена неточно или в качественной форме. В этом случае существует проблема создания адекватной модели объекта и эффективной системы управления. Использование «традиционных» методов сильно ограниченно в силу принципиальной невозможности описания таких типов неопределенности исходных данных в рамках классической теории управления. Для решения этой проблемы используются СУ основанные на методах искусственного интеллекта.

Список литературы диссертационного исследования кандидат наук Шопин, Андрей Викторович, 2013 год

Литература

1. Алиев, P.A. Управление производством при нечеткой исходной информации / Р.А, Алиев, А.Э. Церковный, Г.А. Мамедов. - М.:Энергоатомиздат, 1991.

- 240 с.

2. Алтунин, А.Е. Модели и алгоритмы принятия решений в нечетких условиях: Монография / А.Е, Алтунин., М.В. Семухин. - М.: Издательство Тюменского государственного университета, 2000. - 352 с.

3. Андрейчиков, A.B. Интеллектуальные информационные системы: учебник / A.B. Андрейчиков, О.Н. Андрейчикова. - М.: Экономика, 2004. - 424 с.

4. Асаи К., Ватада Д. и др. Прикладные нечеткие системы, под ред. Т. Тэрано, К. Асаи, М. Сугэно. - М.: Мир, 1993, 368 с.

5. Батыршин, И. 3. Лексикографические оценки правдоподобности с универсальными границами / И.З. Батыршин // Изв. АН СССР. Техн. киберн., 1994. № 5., с. 28-45.

6. Батыршин, И. 3. Операции упорядочивания и лексикографические оценки правдоподобности в моделях рассуждений / Батыршин И.З. // Изв. АН СССР. Техн. киберн., 1991.. № 3., с. 80-91.

7. Берштейн, JI. С. Функционально-структурное исследование ситуационно-фреймовой сети экспертной системы с нечеткой логикой / J1.C. Берштейн, С.Я. Коровин, А.Н. Мелихов, Н.Е. Сергеев // Изв. РАН. Техн. кибернетика. 1994. №2.

8. Борисов, А.Н. Обработка нечеткой информации в системах принятия решений / А.Н. Борисов, A.B. Алексеев, Г.В. Меркурьева и др. - М: Радио и связь, 1989.-304 с.

9. Борисов, А.Н. Модели принятия решений на основе лингвистической переменной / А.Н. Борисов, А.Н. Алексеев, O.A. Крумберг и др. - Рига: Зинатне, 1982. 256 с.

Ю.Борисов, В.В. Нечёткая иерархическая ситуационно- событийная сеть для поддержки принятия решений / В.В. Борисов, М.М. Зернов // Труды 16 Военно-научной конференции Военной академии войсковой ПВО ВС РФ им м. Василевского. - Смоленск: Изд-во В А ВПО ВС РФ, 2008. - С. 23-28.

11.Борисов, В.В. Нечёткие модели и сети. / В.В. Борисов, В.В. Круглов, A.C. Федулов - М.: Горячая линия - Телеком, 2005. - 284 с.

12.Борисов, В.В. Реализация ситуационного подхода на основе нечеткой иерархической ситуационно-событийной сети. / В.В. Борисов, М.М. Зернов // Искусственный интеллект и принятие решений, 2009. №1, с. 17-30.

13.Бочарников, В.П. Fuzzy-технология: математические основы, практика моделирования в экономике / В.П. Бочарников. - С.Пб: Наука РАН, 2001. - 328 с.

14.Вагин, В.Н. Достоверный и правдоподобный вывод в интеллектуальных системах/ В.Н, Вагин, Головина Е.Ю., Загоринская A.A., Фомина М. В. - Ш: ФИЗМАТЛИТ, 2004. - 704 с.

15.Вагин, В.Н. Некоторые базовые принципы построения интеллектуальных систем поддержки принятия решений реального времени / В.Н. Вагин,

A.П. Еремеев // Изв. РАН. ТиСУ, 2001, № 6. - С. 114-123.

16.Вагин, В.Н. Распознавание состояний сложного объекта при неполной входной информации / В.Н. Вагин, В.Г. Гулидова, М. В. Фомина // Изв. АН СССР. Техн. кибернетика. 1992. №5.-С. 120-132.

17.Вятченин, Д.А. Нечеткие методы автоматической классификации. / Д.А. Вятченин, - Минск: Технопринт, 2004. - 219 с.

18.Гаврилова, Т.А. Базы знаний интеллектуальных систем / Т.А. Гаврилова,

B.Ф. Хорошевский. - СПб.: Питер, 2001. - 384 с.

19.Геловани, В.А. Интеллектуальные системы поддержки принятия решений во внештатных ситуациях с использованием информации о состоянии природной среды / В.А. Геловани, A.A. Башлыков, В.Б. Бритков, Е.Д. Вязилов. - М.: Эди-ториал УРСС ,2001.

20.Девятков, В.В. Системы искусственного интеллекта / В.В. Девятков - М.: Изд-во МГТУ им.Баумана, 2001. 352 с.

21.Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт. - М.: Мир, 1976.

22.Дьяконов, В.П. Математические пакеты расширения MATLAB. Специальный справочник. / В.П. Дьяконов, В.В. Круглов - Санкт-Петербург: Питер, 2001 -480 с.

23.Жукова, C.B. Оптимизация параметров регуля-тора с использованием нечетких оценок и генетического подхода / C.B. Жукова, Ю.Н. Золотухин. Автометрия, 1998, №3,с 12-17.

24.Заде, JI. А. Понятие лингвистической переменной и его применение к принятию приближенных решений / JI.A. Заде. - M.: Мир, 1976. 168 с

25.Заде, Л. А. Размытые множества и их применение в распознавании образов и кластер-анализе // Классификация и кластер / Под ред. Дж. Вэн Райзина. - М.: Мир, 1980.

26.Захаров, В.Н. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления: Эволюция и принципы построения / В.Н. Захаров, C.B. Ульянов // Известия РАН: Техническая кибернетика. -1993. -№4. -С. 189205.

27.3ернов, М.М. Методы и программные средства поддержки принятия решений на основе нечётких ситуационных сетей: дисс. ... канд. техн. наук: 05.13.11 / М.М. Зернов; Моск. энергет. ин-т. - Смоленск, 2008,- 193 с.

28.3ернов, М.М. Метод вывода по нечёткой ситуационной сети на основе оценки разнородных топологических элементов/ М.М. Зернов. // Сб. тр. 16-й Военно-научной конференции «Проблемы теории и практики развития войсковой ПВО в современных условиях», ВА ВПВО ВС РФ, Смоленск, 2008. - С. 45-50.

29.Зернов, M. М. Способ построения нечёткой многокритериальной оценочной модели// Нейрокомпьютеры: Разработка и применение. №1, 2007. - С. 40-49.

30.Искусственный интеллект. Применение в интегрированных производственных системах. / под.ред. Э. Кьюсака: Пер. с англ. -М.: Машиностроение, 1991-544с.

31.Кияшко, А.Б. Разработка и исследование логического вывода в базах знаний продукционного типа с целью принятия решений в интеллектуальных системах : дисс. ... канд. техн. наук: 05.13.17 / А.Б. Кияшко. ТГРТУ. Таганрог, 1998.

32.Круглов В.И., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. - М.: Изд. Физ.мат.лит., 2002. - 312 с.

33.Кулаичев, А. П. Методы и средства комплексного анализа данных / А.П. Кулаичев. - М: ИНФРА-М, 2006.

34. Ларичев О. И. и др. Выявление экспертных знаний. - М.: Наука, 1989. - 128 с.

35.Леоненков, A.B. Нечеткое моделирование в среде Matlab и fuzzy TECH / A.B. Леоненков. - С.Пб.: BHV-Санкт-Петербург, 2003. - 736 с.

36.Липинский, Л.В. Подходы к формированию базы правил для нечетких систем управления / Л.В. Липинский, В.А. Малько // Вестник Сибирского государст-

венного аэрокосмического университета. - Вып. 5. - Красноярск: СибГАУ, 2004. - с.83-91.

37.Литвак, Б.Г. Экспертная информация. Методы получения и анализа. / Б.Г. Литвак. - М.: Радио и связь, 1982.-84 с.

38.Лукас, В.А. Основы füzzy-управления. / В.А. Лукас. - Екатеринбург: УГГГА, 2000. - 62 с.

39.Лябах, H.H. Построение математических моделей и исследование сложных систем на основе самоорганизации / H.H. Лябах, - М.: ВИНИТИ, 1986. - 145 с.

40.Макаров, И.М. Интеллектуальные системы автоматического управления / Под. ред. И.М. Макарова, В.М. Лохина. - М.: ФИЗМАТ ЛИТ, 2001. - 576 с.

41.Малышев Н.Г., Берштейн Л.С., Боженюк A.B. Нечеткие модели для экспертных систем в САПР - М.: Энергоатомиздат, 1991.-136 с.

42.Матвеев Л.Т. Курс общей метеорологии. Физика атмосферы. - Л.: Гидрометео-издат, 1976. - 639 с.

43.Мелихов, А.Н. Расплывчатые ситуационные модели принятия решений: Учебное пособие / А.Н. Мелихов, Л.С. Берштейн, С.Я. Коровин - Таганрог, ТРТИ, 1986.-92 с.

44. Мелихов, А.Н. Ситуационные советующие системы с нечеткой логикой / А.Н. Мелихов, Л.С. Берштейн, С.Я. Коровин - М.: Наука, 1990. 272 с.

45.Методы робастного, нейро-нечеткого и адаптивного управления / Под ред. Н.Д.Егупова.-М.: Издательство МГТУ им.Баумана, 2002 - 744 с.

46.Методы современной теории автоматического управления. Анализ и статистическая динамика систем автоматического управления / Под ред. Н.Д.Егупова.-М.: Издательство МГТУ им.Баумана, 2000 - 748 с.

47.Нечеткие множества в моделях управления и искусственного интеллекта, под ред. Д. А. Поспелова, - М.: Наука, 1986. 312 с.

48.Нечеткие множества и теория возможностей. Последние достижения / Под ред. P.P. Ягера - М: Радио и связь, 1986. - 408 с.

49.Новый аэроклиматический справочник пограничного слоя атмосферы над СССР. Т.2 / под ред. И. Г. Гутермана. - М.: Московское отделение гидрометео-издата, 1987.

50.Орлов А. И. Задачи оптимизации и нечеткие переменные. М.: Знание, 1980. 63 с.

51.Орловский С. А. Проблемы принятия решений при нечеткой исходной информации. - М.: Наука, 1981. 208 с

52.0суга С. и др. Приобретение знаний. - М.: Мир, 1990. - 304 с.

53.0суга С. Обработка знаний. - М.: Мир, 1989. - 293 с.

54.Пегат, А. Нечеткое моделирование и управление / А. Пегат; пер. с англ. - М.: БИНОМ. Лаборатория знаний, 2009. - 798 с.

55.Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. - М.: Высшая школа, 1989. -367с.

56.Пивкин В .Я., Бакулин В.П., Кореньков Д.И. Нечеткие множества в системах управления. - Новосибирск: изд-во НГУ, 1998.-75 с.

57.Пивоварова 3. И., Стадник В. В. Климатические характеристики солнечной радиации как источника энергии на территории СССР. - Л.: Гидрометеоиздат, 1988. - 292 с.

58.Подлесный Н.И., Рубанов В.Г. Элементы систем автоматического управления и контроля. - Киев: Выща школа, 1991.-461с.

59.Попель, О.С. Системы автономного энергоснабжения с использованием солнечной и/или ветровой энергии и водородных накопителей / О.С. Попель, С.Е. Фрид, Э.Э. Шпильрайн, В.Н. Щеглов и др. // Теплоэнергетика № 3. 2006. С. 42-50.

60.Попов Э. В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. - М.: Наука., 1987. - 288 с.

61.Поспелов Д.А. Логико-лингвистические модели в системах управления. - М.: Энергоиздат, 1981. -232 е., ил.

62.Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. -М.:Радио и связь, 1989.-184с.

63.Поспелов Д.А. Ситуационное управление: теория и практика. - М.: Наука. -Гл.ред.физ.-мат.лит, 1986. - 288 с.

64.Представление и использование знаний. / под.ред. Х.Уэно: Пер. с япон. - М.: Мир, 1989.-220 с.

65.Программа энергосбережения в отрасли «Электроэнергетика» на 1999-2000 годы и на перспективу до 2005 и 2010 гг. По данным Российского акционерного общества энергетики и электрификации РАО "ЕЭС России".

66.Пупков К.А., Коньков В.Г. Интеллектуальные системы. - М.: МГТУ им.Баумана, 2003. - 348 с.

67.Рекомендации по определению климатических характеристик ветроэнергетических ресурсов. - J1: Гидрометеоиздат, 1989. - 80 с.

68.Руководство по краткосрочным прогнозам погоды. 4.1. - Д.: Гидрометеоиздат, 1986. - 696 с.

69.Сазыкин Б. В. Методы принятия решений и управление техническими системами в условиях неопределенности: дисс. д-ра техн. наук. - М., 1993.

70.Сазыкин Б. В. Модель принятия решений в условиях неопределенности для прогнозирования состояний стохастической системы // Изв. АН СССР. Техн. Кибернетика. - 1991. - № 6. - С. 123-129.

71.Сигеру Омату. Нейроуправление и его приложения. - М: ИПРЖР, 2000. - 272 с.

72.Симанков B.C., Зайцев И.В. Проектирование систем управления автономных гелиоветроэлектроэнергетических систем на основе имитационного моделирования // X научн.конференция "Моделирование электроэнергетических систем": тез.докладов-Каунас, 1991.-С. 196-198.

73.Симанков B.C., Зайцев И.В., Луценко Е.В. Синтез автоматизированных систем управления автономными комбинированными фотоветроэлектроэнергетиче-скими установками. - Краснодар, 1998. - 22 с. Деп.в ВИНИТИ 27.11.98, № 3500

74.Симанков B.C., Луценко Е.В. Адаптивное управление сложными техническими системами на основе теории распознавания образов: Монография / Изд. Техн. ун-т кубан. гос. технол. ун-та. - Краснодар, 1999. - 318 с.

75.Симанков, B.C. Методология моделирования физических процессов в энергетических комплексах с нетрадиционными источниками энергии и оптимизация их параметров / B.C. Симанков, П.Ю. Бучацкий, A.B. Шопин // Труды ФОРА. - 1998.-№3.-С. 18-26.

76.Симанков, B.C. Методология нечеткого управления автономной фотоветроэнергетической системой / B.C. Симанков, A.B. Шопин, П.Ю. Бучацкий // Труды ФОРА. - 1999. -№ 4. - С. - 71-77.

77.Симанков, B.C. Моделирование инсоляции при управлении фотоветроэнергетическими системами / B.C. Симанков, П.Ю. Бучацкий, A.B. Шопин // Труды ФОРА.-2000.-№5.-С. 67-71.

78.Симанков, B.C. Моделирующий комплекс поступления энергии для оперативного управления автономными фотоветроэнергетическими системами /

B.C. Симанков, П.Ю. Бучацкий, A.B. Шопин; Ин-т современных технологий и экономики. - Краснодар, 2002. - 15 с. - Деп. в ВИНИТИ РАН 28.02.2002 № 393-В2002.

79.Симанков, B.C. Синтез системы управления автономной фотоветроэнергетической установкой на основе нечеткой логики / B.C. Симанков, A.B. Шопин

// Вестник Адыгейского государственного университета. Сер. Естественно-математические и технические науки. - Майкоп, 2012. - Вып. 4. - С. 213-219.

80.Симанков, B.C. Ситуационное управление сложным объектом в условиях нечеткой исходной информации /B.C. Симанков, A.B. Шопин // Труды ФОРА. -2004,-№9.-С. 116-120.

81.Симанков, B.C. Ситуационный логический вывод на основе нечеткой кластеризации состояний / B.C. Симанков, A.B. Шопин // Вестник Адыгейского государственного университета. - Майкоп, 2007. - Вып. 4. - С. 49-54.

82.Ситчихин А.Н. Иерархические ситуационные модели с предысторией для автоматизированной поддержки решений в сложных системах. Дисс. ... канд. техн. наук: 05.13.01. УГАТУ. Уфа, 2002.

83.Сокал Р. Р. Кластер-анализ и классификация: предпосылки и основные направления // Классификация и кластер / Под ред. Дж. Вэн Райзина. - М.: Мир, 1980.

C. 7-19.

84.Терехов В.А. Нейросетевые системы управления. - М: Высшая школа, 2002. -183 с.

85.Ту Дж., Гонсалес Р. Принципы распознавания образов. - М.: Мир, 1978. - 415 с.

86.Ульянов, C.B. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления. Методология проектирования / C.B. Ульянов,

О.Ю. Татюшкина, Е.В. Колбенко // Электронный журнал «Системный анализ в науке и образовании» - 2011. - N 2. - С. 1-18.

87.Уотермен Д. Руководство по экспертным системам. - М: Мир, 1989. - 388 с.

88.Усков A.A., Круглов В.В. Интеллектуальные системы управления на основе методов нечеткой логики. Смоленск: Смоленская городская типография, 2003.

89.Усков, A.A. Принципы построения систем управления с нечеткой логикой

/ A.A. Усков // Приборы и системы. Управление, Контроль, Диагностика. 2004. №6. С. 7-13.

90.Усков, A.A. Теория нечетких супервизорных систем управления: Монография. / A.A. Усков, Е.В. Киселев. Смоленск: Смоленский филиал AHO ВПО ЦС РФ «Российский университет кооперации», 2013. - 161 е.: ил.

91.Уэно X. и др. Представление и использование знаний. - М.: Мир, 1989. - 220 с. 92.Чернов, В.Г. Основы теории нечетких множеств: учеб. Пособие / В.Г. Чернов;

Владим. Гос. ун-т. - Владимир: Изд-во Владим. Гос. Ун-та, 2010. - 96 с.

93.Шопин, A.B. Использование методов кластер-анализа в задаче нечеткого управления сложными системами / A.B. Шопин // Информационные технологии, системный анализ и управление: материалы всерос. науч. конф. молодых ученых и аспирантов / ТГРУ. - Таганрог, 2003.

94.Шопин, A.B. Математическое обеспечение САУ автономной фотоветроэлек-троэнергетической системой / A.B. Шопин, Е.К. Винокуров // Актуальные проблемы управления - 2002: материалы междунар. науч.-практ. конф. - М., 2002.

95.Шопин, A.B. Особенности нечеткого управления сложными техническими системами. Ч. 1 / A.B. Шопин, П.Ю. Бучацкий // Труды докторантов, аспирантов и соискателей. - Майкоп, 2000, - С. 19-24.

96.Шопин, A.B. Принятие решений при проектировании энергетических комплексов с нетрадиционными возобновляемыми источниками энергии / A.B. Шопин, П.Ю. Бучацкий // Реформы в России и проблемы управления в России 2000: материалы науч. конф. молодых ученых и студентов. - М., 2000.

97.Шопин, A.B. Ситуационное оперативное управление автономными энергетическими системами с ВИЭ на основе технологий нечеткой логики

/ A.B. Шопин, П.Ю. Бучацкий // Информационные технологии, системный анализ и управление: материалы IX Всерос. науч. конф. молодых ученых и аспирантов ЮФУ / Технологический институт. - Таганрог, 2011.

98.Штовба, С.Д. Проектирование нечётких систем средствами MATLAB / С.Д. Штовба. - М.: Горячая линия - Телеком, 2007. - 288 с.

99.Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учеб. Пособие / Н.Г. Ярушкина. - М.: Финансы и статистика, 2004. - 320 с: ил.

100. Яхъяева, Г. Э. Нечеткие множества и нейронные сети: Учебное пособие / Г.Э. Яхъяева. - М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2006. - 316 е.: ил.

101. Babuska R., Verbruggen Н., Hellendoorn. Н. Promising fuzzy modeling and control methodologies for industrial applications // European Symposium on Intelligent Techniques ESIT'99. Crete,Greece: 1999. - June.

102. Buckley J. J. Fuzzy ordering of fuzzy numbers // International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 2004, vol 12 № 1, pp 105-114.

103. Carlsson C., Fuller R., Majlender P. Addition of completely correlated fuzzy numbers // FUZZ - IEEE 2004. IEEE Int. Conf. on Fuzzy Systems. Budapest, Hungary, 2004.

104. Dubois D., Prade H. Fuzzy real algebra: Some results // Fuzzy Sets a. Systems, 1989, V.2, №4.

105. Fuller R., Majlender P. On interactive fuzzy numbers // Fuzzy Sets and Systems, 2004, vol. 143, pp. 355-369.

106. Goguen J. A. L-fuzzy sets. //J. of Math. Analysis a. Applications. 1967. Vol. 18. -P. 145- 174.

107. Kong S. G., Kosko B. Adaptive fuzzy systems for backing up a truck-and-trailer // IEEE Trans. Neural Networks.- 1992. -Vol. 3. Pp. 211-223.

108. Larsen P.M. Industrial applications of fuzzy logic control // Int. J. Man-Machine Stud., 1980, V. 12, №i.

109. Lundsager P., Madsen H.A. Wind/diesel Systems // Wind Energy in Denmark: Research and Technological Development. - Ministry of Energy. Danish Energy Agency. - 1990. - P. 42-45.

110. Togai M., Watanabe H. A VLSI implementation of fuzzy-inference engine: toward and expert system on a chip. - Inf.Sci., 1986, № 38.

111. Zadeh L. A. Fuzzy Algoritms //Inform, a. Control. 1965. Vol. 12, № 2. - P. 94102.

112. Zadeh L. Fuzzy sets // Information and Control. — 1965. — №8. — P. 338-353.

113. Zadeh L. A. Out line of a new approach to the analysis of complex systems and decision process // IEEE Trans. On SMC. - Vol. 3, № 1. - 1973. - P. 28-44.