Принципы построения и реализация системы долгосрочного прогнозирования природообусловленных составляющих энергетики

Актуальность исследований. Долгосрочное прогнозирование (ДП) природо-обусловленных составляющих энергетики (объединяющей те элементы производства, транспортировки и потребления энергии, которые в значительной степени зависят от динамических природных процессов) не только не теряет своей значимости в настоящий момент из-за не всегда высокой надежности прогноза, но становится все более насущной задачей при переходе к рыночным методам управления экономикой, когда даже незначительные ущербы, наносимые природой энергетике, немедленно отражаются на состоянии экономики. Особенно актуальным долгосрочное прогнозирование становится во времена экономических кризисов, когда нехватка ресурсов не позволяет предотвратить нежелательные последствия влияния природно-климатических факторов еще на ранних стадиях их развития.

Надежный долгосрочный прогноз приточности в водохранилища и бассейны рек важен для стабильной выработки электроэнергии на ГЭС. Так, на водохранилищах Ангарского каскада ГЭС периодически наблюдаются длительные маловодные периоды, когда вынужденная работа гидроузлов при низких напорах снижает выработку электроэнергии до 10%, что приводит к удорожанию ее себестоимости, являющейся сильным возмущением для экономики в целом.

В бывшем СССР разрабатывались специальные энергетические программы на длительную перспективу (например [32]), направленные на:

— увеличение эффективности управления топливно-энергетического комплекса (ТЭК), включающего получение, передачу, преобразование и использование различных видов энергии;

— улучшение экономических показателей производства и потребления топливно-энергетических ресурсов (ТЭР), на составляющие которых важную роль играют динамически изменяющиеся природные факторы (такие как метеорологические, гидрологические, гелиофизические и др.);

— уточнение показателей топливно-энергетического баланса. (ТЭБ), природообусловленные составляющие которого занимают значительное место как в его приходной, так и расходной частях.

Такие программы не учитывали множество факторов, актуальных на современном этапе. Это прежде всего природные факторы риска энергетической безопасности в связи с новым геополитическим статусом России. Намечена переориентация развития энергетики Сибири с учетом ее интеграции в энергетическое пространство азиатско-тихоокеанского региона [14]. Для осуществления новых программ желательно было бы иметь более точные сведения о грядущей природной обстановке, например, об ожидаемых маловодьях и наводнениях на крупных ГЭС, часть энергии которых предполагается перебрасывать в страны этого региона.

Что касается учета негативных последствий влияния природных факторов, то имеется обоснование необходимости разработки общенациональной федеральной целевой программы «Снижение рисков и смягчение последствий чрезвычайных ситуаций природного и техногенного характера в Российской Федерации до 2005 года» [39]. Анализ данных о чрезвычайных ситуациях за последние 5 лет показывает, что сохраняется устойчивая тенденция их роста, в среднем на 5,1 процентов в год [39]. На 42 процента возросло число чрезвычайных ситуаций природного характера. Территория России подвержена воздействию широкого спектра опасных природных явлений и процессов: геологического, гидрологического и метеорологического происхождений, а. также лесных и торфяных пожаров. Учитывая тенденцию ежегодного возрастания масштабов чрезвычайных ситуаций и вызываемого ими ущерба, экономика страны, в перспективе, окажется не в состоянии восполнить потери от чрезвычайных ситуаций природного и техногенного характера. В этой программе особой строкой подчеркивается необходимость ее адаптации на территориальном уровне, а также выделены пункты:

— по продолжению совершенствования техники предсказания опасных природных процессов и явлений с выделением приоритетных направлений по разработке и внедрению методов долгосрочного и сверхдолгосрочного прогнозирования;

— по обеспечению нормального функционирования сетей наблюдения и контроля за состоянием окружающей природной среды с учетом их оптимизации и централизации управления;

— по осуществлению в субъектах Российской Федерации предупреждающих мер по защите населения от природных опасностей с выполнением мероприятий по снижению природного риска территорий как одного из важнейших условий устойчивого развития.

Из сказанного выше следует, что необходимость разработки и совершенствования долгосрочных методов прогнозирования природных процессов с осуществлением соответствующих процедур по их применению поддерживается в настоящее время на правительственном уровне. Ранее (более 5 лет назад), к сожалению, не было уделено должного внимания проекту по созданию центра долгосрочного прогнозирования природных процессов [44] для народного хозяйства страны.

Важность прогнозирования приточностей в водохранилища для эффективного регулирования Ангаро-Енисейского каскада ГЭС описана. А. Н. Афанасьевым [3], И. П. Дружининым [17], В. А. Савельевым [45] и др. Исследования В. И. Зоркальцева [22] по оценке колебаний в топливообеспечении различных регионов страны приводят к выводу о важности прогнозов максимально-низких и среднезимних температур для осуществления оптимального запаса и эффективной передислокации топлива.

Обоснование необходимости применения долгосрочного прогнозирования в энергетике (включая использование новых видов энергии [51]) показано в работах А. П. Резникова [41, 42, 44]. Что касается возможного дублирования по разработке различных методов прогнозирования, их программных реализаций, то, как неоднократно подчеркивает в своих работах А. П. Резников, оно не только имеет право на существование из-за несравнимых затрат на их разработку и возможного предотвращения экономических потерь, наносимых природой, но даже желательно с точки зрения повышения надежности результатов [44].

Если в недалеком прошлом прогностические методы основывались на обработке статистической информации относительно простыми математическими методами, такими как: регрессионный анализ [16], построение автокорреляционных функций [16, 33], вероятностные методы [19], использование методов выявления пространственно-временных зависимостей в виде интегрально-разностных кривых [6], то, в настоящее время, с быстрым ростом производительности вычислительной техники, появляются реализации значительно более сложных методов прогнозирования. Среди них хотелось бы отметить методы В. А. Понько, основанные на учете и специфической обработке различной астрономической информации в виде предикторов множества земных явлений [36], которые реализованы в виде программной системы «Экопрогноз». Интересным с практической точки зрения является подход к комплексированию различных методов прогнозирования у H.H. Завалишина, наряду с его собственными разработками методов [21, 47].

Что касается программных реализаций методов долгосрочного прогнозирования, то, в настоящее время, нет проблемы выбора соответствующего базового программного обеспечения для реализации простых с математической точки зрения методов. Что касается сложных систем, какими являются объекты энергетики, то для них нужно разрабатывать специальные информационные технологии, обеспечивающие соответствующее качество [28] и взаимоувязку подчиненных компонентов. Если же методы прогнозирования достаточно сложны и имеется необходимость постоянного их совершенствования, то требования к выбору или разработке базового программного обеспечения возрастают настолько, что процесс их реализации должен включать все этапы жизненного цикла программного продукта — разработку технического задания, проектирование, кодирование, отладку, тестирование и сопровождение [64, 71, 96, 98, 99, 126]. Все те жесткие требования, предъявляемые к разработке больших программных систем, не только справедливы в этом случае, но еще в значительной мере усиливаются в связи с тем, что сами методы, которые опираются на множество эвристических алгоритмов различной природы, могут существенно модифицироваться вплоть до смены их базиса после проведения серий численных экспериментов.

Методология долгосрочного прогнозирования, разработаннаяА.П.Резниковым [41, 42], включает три базовых метода, основанных на применении аппроксимативных обучающихся систем с широким использованием процедур оптимизации и позволяющих выявлять внутренние закономерности исследуемых процессов, а также принимать решения с учетом изменчивости закономерностей со временем:

— аппроксимативную дискретную обучающаюся систему (А ДО С), основанную на учете мер влияния внешних факторов на исследуемый процесс в виде дискретного набора возбуждающихся связей;

— аппроксимативную континуальную обучающаюся систему (АКОС), основанную на учете непрерывно заданных мер влияния с возможностью получения прогностических показателей, выходящих за пределы накопленного диапазона разброса прогнозируемого показателяметод аналого-сходственных соотношений (МАСС), основанный на выявлении подобия протекания процессов с различной заблаговременностыо и построении алгоритмически заданной прогностической функции.

Эти методы, названные АОР-методами (аппроксимативные обучающиеся методы А.П. Резникова), включают процедуры обучения, оптимизации заданных или выбранных каким-то методом параметров с целью формирования прогностической функции, ее дальнейшей верификации на независимой подвыборке и непосредственного прогнозирования на длительную перспективу. Реализация этих методов требует больших вычислительных мощностей компьютеров и развиваемой информационной поддержки. Они относятся к классу сложных или очень сложных (с точки зрения сочетания на разных этапах обработки эвристических методов со строгими методами оптимизации).

Хотя АОР-методы Резникова были реализованы самим автором по отдельности в разное время на ЭВМ БЭСМ-6, их реализации не удалось перенести даже в урезанном виде на персональные компьютеры, в первую очередь, вследствие сложности их адаптации к новым программным условиям функционирования, не говоря об их дальнейшем развитии. ¿-Алгоритмизация АОР-методов характеризуется множеством контуров оптимизации и разнородных эвристических приемов для предсказания, что делает критичным требования по быстродействию, наглядности, верификации и развитию. С появлением новых вычислительных возможностей и различных парадигм программирования (объектно-ориентированный подход, искусственный интеллект, визуальное программирование и др.) стало возможным по новому взглянуть на разработанные ранее АОР-методы ДП с целью их эффективной компьютерной поддержки и развития.

Несмотря на обилие современных информационных технологий, выбор необходимых инструментальных средств для реализации сложных задач, к которым относится и рассматриваемая задача долгосрочного прогнозирования, затруднителен (тем более, если планируется существенное развитие в дальнейшем).

Использование в качестве системной основы реализации задачи долгосрочного прогнозирования среды программирования, тем более развиваемой, является наиболее перспективным (по мнению автора), т.к., в этом случае, развиваемость системы заложена в ее базовой основе.

Объектом исследования является множество геофизических, гелиофизических и астрофизических процессов, оказывающих существенное влияние на развитие энергетики и развивающихся в системах различных масштабов (точечных, региональных, континентальных и др.), охватывающих промежутки времени от десятилетий до столетий с заблаговременностью прогнозирования от одного года до нескольких десятилетий. Среди них выделяются наиболее значимые для энергетики процессы: гидрологические (сток рек, приточность в водохранилища, уровни вод, ледовый режим гидросистемы) — погодно-климатические (параметры атмосферы, характеристики отопительного и вегетационного периодов) — гелиофизические (солнечная активность) — геофизические (геомагнитное и электрическое состояние планеты, структура атмосферы) — планетарные (изменчивость скорости вращения Земли, приливные силы), гелиогеофизические (солнечно-земные связи, гелиоэнергетический потенциал в различных точках Земли) — экологические (пожароопасность, парниковый эффект и его последствия, экологическая устойчивость и др.).

Предметом исследования являются: формализация, развитие и программная реализация методов ДП энергетически важных природных процессов, основанных на аппроксимации скрытых и изменчивых закономерностейсоздание среды программной реализации АОР-методов ДП и их увязка в единую систему.

Цель диссертационной работы. Разработка принципов построения и программная реализация на современной компьютерной основе гибридной информационно-прогностической системы (ГИПСАР) для предсказания природообусловленных составляющих энергетики АОР-методами.

Методами и средствами исследования являются: статистический, корреляционный, регрессионный анализметоды конечномерной оптимизациитеоретическое, системное и прикладное программированиемоделирование данных и знаний, а также применение объектно-ориентированного и логического подходов в реализации и развитии прогностической системы.

Научную новизну исследования составляют:

1. Формализация, в виде математической (вычислительной) технологии энергетически важных природных процессов на основе известных результатов по ДП, а именно: а) метода аналога-сходственных соотношений (МАСС) с различными способами выбора мер сходстваб) метода аппроксимации результатов наблюдений (АРН) с учетом возмущающих факторов, построенного на базе методов, именуемых аппроксимативными дискретными и континуальными обучающимися системами — АДОС и, А КО С, соответственно [41, 42].

2. Создана новая информационная технология ДП природообусловленных составляющих энергетики, интегрирующая разные методы ДП, эффективная по вычислительным критериям и допускающая дальнейшее наращивание математических методов.

На защиту выносятся следующие результаты:

1. Формализация методологии ДП с методами аналого-сходственных соотношений (МАСС) и аппроксимации результатов наблюдений (АРН) природообусловленных составляющих энергетики в виде набора оптимизационных задач и средств верификации методов.

2. Принципы построения гибридной информационно-прогностической системы ГИПСАР на базе среды программирования ЗИРУС (также принадлежащей автору).

3. Реализация программной системы ГИПСАР на основе методов МАСС и АРН с обеспечением: а) анализа получаемых результатов по критериям их эффективностиб) синтеза прогнозов.

Практическая ценность. Первая версия системы ГИПСАР успешно эксплуатируется в ИСЭМ СО РАН, обеспечивая требуемый объем прогностических показателей для оценок приточностей в водохранилища Ангаро-Енисейского каскада ГЭС, ожидаемых осадков, среднесезонных и среднемесячных температур. Результаты расчетов периодически внедряются в Ангаро-Байкальское бассейновое управление и в Администрацию Иркутской области для принятия решений по оперативному регулированию функционирования ГЭС в условиях сложившегося в настоящее время маловодья. Среда ЗИРУС создана и внедрена вместе с приложениями СипКдо и БухУчет в ИДСТУ СО РАН. Выполнены также внедрения в Комитете по экономике Администрации Иркутской области, в Школе высшего спортивного мастерства (г. Иркутск), в АО «Иркутск-кабель», в больнице N9 г. Иркутска, на комбинате «Печоршахто-строй» и другие.

Апробация работы. Основные результаты работы докладывались на семинарах и конференциях различного уровня: Всесоюзная конференция «Диалог Человек — ЭВМ» (Свердловск, 1989) — Научно-техн. конференция «Автоматизированные системы научных исследований» (Иркутск, 1989) — Всесоюзная конф. «Информационное и алгоритмическое обеспечение систем управления» (Москва — Переславль-Залесский,.

1989) — Всесоюзный семинар 'Томеостатика живых и технических систем" (Минск,.

1990) — Международная конф. «Технология программирования 90-х» (Киев, 1991) — Международная конф." Методы и программное обеспечение систем автоматического управления" (Иркутск, 1991) — IX Всесоюзная научная школа по пакетам прикладных программ (Адлер, 1991) — Всероссийские школы «Компьютерная логика, алгебра и интел-лектное управление», «Проблемы анализа стратегической стабильности и устойчивости развития» (Иркутск, 1994) — Всероссийский семинар «Системы поддержки принятия решения для исследований и управления энергетикой» (Иркутск, 1996) — Международный семинар 'Томеостатика живых, технических и социальных систем" (Иркутск, 1997) — XI Международная Байкальская школа-семинар «Методы оптимизации и их приложения» (Иркутск, 1998) — Научно-практическая конф." Водные ресурсы Байкальского региона: проблемы формирования и использования на рубеже тысячелетий" (Иркутск, 1998).

Публикации. По теме диссертации опубликованы 22 печатные работы.

Диссертация состоит из б-ти глав, введения, заключения, 6-ти приложений, списка литературы из 175 пунктов, списка сокращений и предметного указателя. Она включает «135 страниц основного текста, 24 рисунка и 5 таблиц.

Выводы. Описанные в данной главе инструментальные пакеты составляют системную основу ГИПСАР. Например, пакет поддержки меню позволяет оперативно его перенастраивать, что очень важно при исследовании побочных явлений в прогнозировании. Гипертабличный редактор является неотъемлемой частью визуализации и редактирования произвольных фрагментов данных. Пакет графического взаимодействия является составной частью процесса прогнозирования. Особенностью реализации инструментальных пакетов является то, что они, фактически, не связаны с конкретной спецификой долгосрочного прогнозирования и могут быть применены для решения других задач.

Реализованный в среде ЗИРУС инструментарий по поддержке языка ОЛФИС в виде транслятора и интерпретатора его обработки не был рассмотрен, т.к. их применение в существующей версии ГИПСАР пока ограничено. Предполагается их активное использование в следующей версии системы.

Глава 5.

Реализация методов прогнозирования и функции системы ГИПСАР.

Система ГИПСАР реализована полностью в среде ЗИРУС и включает в себя как стандартные инструментальные пакеты среды, описанные в главе 4, так и особые, реализующие методы прогнозирования, специфическую обработку данных и их анализ. Система построена в виде 4-х компонетов, характеризующихся собственным управлением меню (взаимодействие с базами данных, прогнозирование методом аналого-сходственных соотношений, прогнозирование методом аппроксимации результатов наблюдений, анализ исходной и прогностической информации).

5.1 Конфигурация и основные функции системы.

ГИПСАР.

Система ГИПСАР включает развитую базу данных, несколько методов прогнозирования в виде специализированных пакетов, инструментарий для верификации алгоритмов, а также для организации различного вида ввода исходной информации и формирования выходных прогностических документов. Общая схема системы приведена на рисунке 5.1. Структура базы данных включает:

— архивы исходной информации в виде статистических временных рядов;

— параметры настройки методов и их модификаций и показатели управления процессом прогнозирования;

— архив выходной информации в виде прогностических траекторий, полученных различными методами при разных параметрах;

Рис. 5.1. Схема связей ГИПСАР.

— дополнительную информацию, связанную с алгоритмами статистической обработки рядов (скользящее осреднение, интегрально-разностные кривые и др.).

Файлы описания типов сегментов системы, конфигурации, ввода из текстовых файлов описаны в приложениях 1−3. Основные функции, реализующие непосредственно методы и оперативную обработку данных, приведены в приложении 4. Пример системного выходного документа приведен в приложении 5.

Основными функциями системы являются:

• настройка параметров прогностического эксперимента в виде задания специальной информационной структуры, связывающей различные сегменты параметров управления в единое целое (в виде cera, см. гл. 3) с сохранением их в базе сегментов;

• выбор управляющей информационной структуры из базы сегментов с оперативной корректировкой параметров;

• запуск процедуры формирования показателей прогностической функции через последовательное выполнение шагов оптимизации, верификации и уточнения показателей на обобщенной оптимизационно-верификационной подвыборке;

• формирование прогностической траектории с заблаговременностью до нескольких десятилетий с формированием и записью в базу выходных прогностических документов;

• ввод исходной информации с клавиатуры или из входных текстовых файлов с записью ее в базу сегментов;

• формирование интегрально-разностных кривых как для одного, так и для нескольких рядов с сопоставлением их на одном графике и в одной таблице;

• оперативное проведение скользящих осреднений ряда по задаваемым параметрам для выявления скрытых закономерностей протекания процессов;

• формирование таблицы коэффициентов корреляции фрагментов ряда;

• выполнение различных сервисных функций по настройке параметров графиков, выходных документов и ведения базы данных.

Ввод исходной информации может осуществляться двумя способами: 1) из текстового файла по заданному формату- 2) непосредственно через табличный редактор. Кроме того, в системе имеется возможность ввода из файлов DBF-формата. При формировании информации оперативно осуществляется интервальный контроль и-отмечаются лакунарные точки (пробелы в данных). По завершению ввода формируется график для визуальной оценки исходных рядов. Инструмент агрегирования информации за более длинный интервал времени, определения средних значений, средне-квадратичных отклонений, а также формирования интегрально-разностных кривых с использованием метода скользящего осреднения (МСО), который позволяет оперативно исследовать исходную информацию перед ее записью в архив данных.

Система позволяет формировать графики изменения различных параметров и оперативно выводить их на экран дисплея (с возможностью фрагментарного просмотра и печати). Кроме того, с помощью встроенного в ЗИРУС графического редактора можно их дооформить по желанию прогнозиста. Диалог в системе организован с использованием набора «висячих» окон-меню с гибкими средствами их оперативной настройки на текущие потребности. Система включает заглушки для подключения дополнительных методов прогнозирования и комплексирования их с базовыми.

В систему включены средства визуализации процесса прогнозирования в реальном масштабе времени, параметрически задаваемые как на этапе запуска, так и оперативно изменяемые. С помощью этих средств можно отслеживать все изменения в сегментах данных с целью проверки правильности работы алгоритмов, а также выявления тонких эффектов прогнозирования.

5.2 Объекты системы.

Структура данных системы реализована в виде отдельного пакета. Она включает сегменты: исходной и выходной информации, управления, вспомогательные.

Сегменты исходной информации, sec/3 = (Iden, {*sei-}) — сегмент списка временных рядов, содержит ссылки {*seti} на сегменты {seg4k}. Iden — представляет набор информационных полей для описания времени, места наблюдений и некоторую дополнительную информацию. segA — (Iden, god, {у¿-) — описывает показатели временного ряда, начинающегося с года, определяемого параметром god. Если показатель у^ отсутствует, то он считается лакуной и заносится специальным символом '—' в сегмент.

Сегменты параметров управления. seglO = (*set4,*setll,*setl5,*setlQ, me-tod, Rinf,{timek}) — головной сегмент задания параметров. Он содержит ссылки на сегменты setA, setl 1, se?15,seil6. Переменная часть {timek} содержит временные характеристики отдельных этапов процесса прогнозирования. Д-п/ - включает набор параметров, определяющих вид визуализации, процесса прогнозированияmetod.

— определяет метод прогнозирования и принимает следующие значения: 0,1,2 — для выбора соответствующего способа МАСС — 3 — для одновременной работы всех под-методов МАСС на конкурентной основе- > 10 — для запуска, метода АРН. sec/11 = (кО, kv, {пг-}) — определяет точки оптимизации и верификации подвыборок с длинами кО и kv соответственно, щ — относительный номер точки ряда sec/4. sei/15 = (Par, ZO,{(nornk, min, max, delta) i}) — степень квантования параметров оптимизации для метода МАСС. Par — описывает вспомогательные значения для метода оптимизации. Z0 — минимальная заблаговременностьпотк — наименование коэффициентаmin, max — минимальное, максимальное значения коэффициента, с шагом разбиения delta, seglo = {патк, min, max, delta] - определяет диапазон изменения внешних параметров оптимизации, таких как: начальное смещение рядаколичество шагов скользящего осреднения рядавесовой коэффицент скользящего осреднения и др. sec/49 = (*sec/10, namf, I den, Par, Oper) — сегмент параметров выходного документа- *seg 10 — ссылки на сегмент sec/10- nam f — имя файла выходного документаIden.

— информация о виде прогнозированияPar — параметры внутреннего управленияOper — информация об операторе.

Сегменты выходной информации, sec/25 = ({god, yl, y2, y3,yk, y^act, delta}i) -задает прогностическую информацию для трех лучших внутренних решений у 1, у2, у3 и комллексированыое значение у к. Они содержат также фактическую информацию yj’ict для прогнозирования на оптимизационной и верификационной подвыборках, а также ошибку прогнозирования для комплексированного решения. Сегменты такой структуры формируются отдельно для оптимизационной, верификационной, уточненной (опимизационная + верификационная) и прогностической подвыборок.

На основе перечисленных сегментов формируется выходной документ, содержащий информацию о процессе прогнозирования совместно с графиками исходного ряда и прогнозной траектории, примеры которого приведены в главе 6.

Метод АРН. Этот метод содержит дополнительные сегменты описания исходных мер влияющих факторов, а также промежуточные данные необходимые для его работы. seg50 = (Iden, {к, d, г}) — содержит дискретный набор коэффициентов, используемых для определения исходной меры для вычисления по формуле 2.16. segbl — (IcLen,{yi}) — описывает дискретное представление функции распределения на основе выбора коэффициентов segbO] используется для описания мер влияющих факторов. segb2 — имеет структуру, аналогичную segblиспользуется для описания меры исследуемого показателя. seg53 = (Iden, {(пат, z0, Zk, tip) i}) ~ описывает список влияющих факторов с заданным диапазоном заблаговременностейимя влияющего фактора определяется параметром пат{. segbA — содержит список текущих весовых коэффициентов используемых при оптимизации.

5.3 Реализация базы данных для хранения первичной информации.

К первичной информации относятся статистические временные ряды с периодичностью один год (иногда месяц). Требования к структуре хранения заключались прежде всего в: надежности, быстроте чтения, эффективности поиска, компактности и полноте. База данных (БД) первичной информации подразделена на отдельные тематические базы (приточность в водохранилища, температуры, осадки, характеристики атмосферы и др.), каждая из которых представляет собой список рядов с заданным набором атрибутов. Пример содержимого базы данных (в виде набора отдельных рядов) приведен в таблице 5.1.

Заключение

.

Разработке гибридной информационно-прогностической системы (ГИПСАР) пред-шевствовала длительная работа как по созданию методологии долгосрочного прогнозирования (ДП), основанной на АОР-методах, так и по развитию концепции развиваемой инструментальной среды программирования ЗИРУС, позволяющей эффективно объединять в единую систему разнородные компоненты при минимальном использовании базовых системных средств. Оказалось, что разработанная версия среды ЗИРУС не только отвечает требованиям, предъявленным к ГИПСАР, но и позволяет осуществлять модернизацию АОР-методов прогнозирования путем введения новых эвристических или аналитических связей на разных уровнях реализаций алгоритмов.

Основными результатами диссертационной работы являются следующие.

1. Формализована методология ДП природообусловленных составляющих энергетики в виде набора оптимизационных задач и средств верификации методов.

2. Формализован, развит и включен в единую математическую технологию метод ДП на основе аналого-сходственных соотношений (МАСС) с различными способами выбора мер сходства.

3. Формализован, развит и включен в единую математическую технологию метод ДП на основе аппроксимации результатов наблюдений (АРН) с учетом возмущающих факторов.

4. Разработаны принципы построения гибридной информационно-прогностической системы ГИПСАР на основе среды программирования ЗИРУС в качестве средства создания и развития системы.

5. Реализована программная система ГИПСАР на основе аппроксимативных методов МАСС и АРН с обеспечением: а) анализа получаемых результатов по критериям их эффективностиб) синтеза прогнозов.

6. Реализованы компоненты системы ГИПСАР по анализу и статистической обработке исходной и прогностической информации для отбора влияющих факторов.

7. С помощью системы ГИПСАР получены и внедрены прогнозы (месячные, квартальные, годовые) для Ангаро-Байкальского бассейнового водохозяйственного управления и Администрации Иркутской области с целью более эффективного управления режимами работы ГЭС.

В настоящее время система ГИПСАР используется как средство получения сре-десезонных прогнозов приточностей в водохранилища и бассейны рек, температур воздуха, осадков, солнечной активности и других естественных процессов, составляющих основу природообусловленных компонентов энергетики. Для развития системы прогнозирования ГИПСАР, требуется включение методов отбора и использования влияющих факторов, повышение точности оптимизационных задач и реализация более совершеннной программной версии среды, включающей: а) широкое использование средств искусственного интеллектаб) распараллеливание методов и подметодовв) преобразование программных моделейг) программную оптимизацию алгоритмов по заданным параметрам и критериюд) выделения минимально необходимого состава программных средств, обеспечивающих решение поставленнной задачи.

Автор надеется, что реализация следующей версии среды ЗИРУС (по предложенным в работе направлениям развития) позволит полностью решить системные задачи ГИПСАР (на всех этапах ее жизненного цикла). С другой стороны, дальнейшее развитие методов прогнозирования на основе нахождения фундаментальных закономерностей поведения исследуемых процессов и с применением средств искусственного интеллекта (а также распараллеливания процессов) позволит создать надежный инструмент по долгосрочному прогнозированию и его эффективно использовать в народном хозяйстве страны, о чем было заявлено в работе [44].