Стиснення інформаційних потоків для підвищення швидкості оперативного контролю та управління режимами електроспоживання

Размещено на http://www.allbest.ru/

Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», м. Київ

Стиснення інформаційних потоків для підвищення швидкості оперативного контролю та управління режимами електроспоживання

Волошко Анатолій Васильович

доктор технічних наук, професор

Джеря Тетяна Едуардівна

аспірантка

Анотація

інформаційний сигнал електричний навантаження

Інформаційний простір являє собою постійний кругообіг потоків інформації та засобів його діяльності, розвитку та підтримки. Наявність різносторонніх інформаційних потоків є важливою ознакою інформаційного простору. Можливість реалізації цілей та завдань, необхідних для управління інформаційними системами, можна забезпечити шляхом створення єдиного інформаційного простору.

Актуальність теми пов'язана із необхідністю підвищення швидкості оперативного контролю та управління режимами електроспоживання за рахунок розроблення способів стиснення інформаційних потоків на основі застосування ортогональних вейвлет-перетворень.

Активне використання інформації у системі керування підприємством надає додаткові переваги для його діяльності. Здійснюючи обробку інформації можна отримати дані про стан виробництва, що дасть можливість із більшою результативністю впливати на фінансові, виробничі та адміністративно-господарські процеси. Мінімізувати ризик при зміні напряму виробництва та переходу до нового ринку, а також знайти ідеї для створення нової послуги чи товару можна шляхом дослідження інформації.

Об'єктом дослідження є процес інформаційних сигналів (на прикладі графіків електричного навантаження).

Предметом дослідження є способи та засоби стиснення інформаційних сигналів.

Новизна полягає у розробці способу стиснення інформаційних потоків на основі застосування методу порогової фільтрації коефіцієнтів ортогонального перетворення графіків електричних навантажень (ГЕН).

Ключові слова: графік електричного навантаження (ГЕН), електроспоживання, система моніторингу, інформаційний потік, стиснення, метод порогової фільтрації коефіцієнтів, вейвлет-перетворення, вейвлет-базис, похибка.

Voloshko Anatoliy Vasyliovych Doctor of technical sciences, Professor National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute", Kyiv

Dzheria Tetiana Eduardivna Graduate student National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute", Kyiv

Compression of information flows to increase the speed of operational control and control of electricity consumption modes

Abstract

The information space is a constant cycle of information flows and means of its activity, development and support. The presence of diverse information flows is an important feature of the information space. The ability to implement the goals and objectives required for the management of information systems can be provided by creating a single information space.

The urgency of the topic is related to the need to increase the speed of operational control and management of power consumption modes by developing ways to compress information flows based on the use of orthogonal wavelet transforms.

Active use of information in the enterprise management system provides additional benefits for its activities. By processing information, it is possible to obtain data on the state of production, which will allow to influence financial, production and administrative-economic processes with greater efficiency. You can minimize the risk of changing the direction of production and transition to a new market, as well as find ideas for creating a new service or product by researching information.

The object of research is the process of information signals (for example, graphs of electrical load).

The subject of research is the methods and means of compressing information signals.

The novelty is to develop a method of compressing information flows based on the method of threshold filtering of the coefficients of orthogonal conversion of electric load graph (ELG).

Keywords: electric load graph (GEN), power consumption, monitoring system, information flow, compression, method of threshold filtering of coefficients, wavelet transformation, wavelet basis, error.

Постановка проблеми

На сьогоднішній день запорукою успіху будь-якого підприємства є володіння великою кількістю якісної та перевіреної інформації. Окрім цього не менш важливим чинником є передача цієї інформації, що забезпечить нормальну діяльність великих підприємств.

Реалізація на підприємстві оптимальної системи розподілу інформації є передумовою для забезпечення ефективної роботи сучасного підприємства. Така оптимізація дозволить зробити організаційну структуру більш гнучкою, зменшити кількість рівнів управління, розподілити повноваження і відповідальність виконавців з більшою часткою вигідності, здешевити бізнес-процеси і зменшити час прийняття управлінських рішень. Важливим є розуміння того, що таких результатів можна досягти тільки за рахунок комплексної інтеграції процесів руху інформаційних потоків з єдиною системою їх регулювання.

Аналіз останніх досліджень і публікацій

Головною метою стиснення інформаційних сигналів є зменшення їхнього обсягу, розміру та об'єму за рахунок перекодування даних. Стиснення поділяється на такі види: 1) без втрат - вихідні дані відновлюються без спотворення; 2) із втратами - при відновленні можливі незначні спотворення.

Існує 3 варіанти універсальних методів стиснення без втрат, на яких будуються алгоритми.

Перша група методів - перетворення потоку. Передбачається опис нових даних, які не підлягали стисненню, через уже обробленні дані. При цьому не обчислюється ніяких ймовірностей, кодування символів здійснюється тільки на основі тих даних, які вже були обробленні, як наприклад в LZ - методах (названих на честь Абрахама Лемпеля і Якоба Зіва). В такому випадку, подальше входження певного підрядка, вже відомого кодувальнику, замінюється посиланням на його перше входження.

Друга група методів - це статистичні методи стиснення. У свою чергу, ці методи поділяються на адаптивні (або потокові), і блокові. У першому (адаптивному) варіанті, обчислення ймовірностей для нових даних відбувається за даними, вже оброблених при кодуванні. До цих методів належать адаптивні варіанти алгоритмів Хаффмана і Шеннона-Фано. У другому (блочному) випадку, статистика кожного блоку даних вираховується окремо, і додається до самого стислому блоку. Сюди можна віднести статичні варіанти методів Хаффмана, Шеннона-Фано, і арифметичного кодування.

Третя група методів - це так звані методи перетворення блоку. Вхідні дані розбиваються на блоки, які потім трансформуються цілком. При цьому деякі методи, особливо засновані на перестановці блоків, можуть не приводити до істотного (або взагалі будь-якого) зменшення обсягу даних. Однак після подібної обробки, структура даних значно поліпшується, і подальше стиснення іншими алгоритмами проходить більш успішно і швидко [1].

Мета статті - підвищення швидкодії та відклику системи моніторингу параметрів режимів електропостачання за рахунок побудови їх стисненої бази даних.

Властивості ортогональних перетворень у процесах стиснення/відновлення інформаційних сигналів

Однією із найкращих технологій аналізу інформації на сьогоднішній день є вейвлет-аналіз, який знайшов застосування у найрізноманітніших сферах діяльності. Розглянемо детальніше деякі приклади застосування вейвлетів при виконанні задач, пов'язаних із обробкою інформації. Очистка сигналу від шуму являється актуальною задачею цифрової обробки сигналів. Як відомо, окрім корисної інформації будь-який сигнал містить також деякі по сторонні впливи, такі як шум, завади та ін. Модель такого сигналу можна записати рівнянням, яке виглядає наступним чином:

де s(t) - досліджуваний сигнал; /(ї) - корисний сигнал; о - рівень шуму; є(ґ) - шум [2].

В основному вважають, що інформація про завади міститься у високочастотній області спектру сигналу, а корисна інформація - у низькочастотному, так як функцію е(4) можна описати як модель гаусівського шуму. При використанні такої моделі видалення шуму відбувається за допомогою вейвлет-перетворень та виконується в декілька етапів: 1 - розклад сигналу по базису вейвлетів; 2 - вибір для кожного рівня розкладу порогового значення шуму; 3 - порогова фільтрація коефіцієнтів деталізації; 4 - реконструкція сигналу.

Вейвлет-перетворення є засобом кратномасштабного аналізу. Такий аналіз дозволяє розглядати досліджуваний сигнал з різними масштабами. З одного боку, аналіз дозволяє виділити короткочасні локальні особливості сигналу, які є непомітними на фоні його глобальних змін. З другого боку - можна «відфільтрувати» незначні високочастотні зміни сигналу, зосередившись на вивченні його глобальних змін. Однією із корисних функцій вейвлет-перетворень є можливість розпізнавати локальні короткочасні особливості сигналу, які неможливо виявити при його дослідженні класичними методами. Наприклад, збій в показниках датчиків або подряпини на дзеркальній поверхні [3]. Розглядається синусоїдальний сигнал, що має невелике локальне спотворення. На спектрограмі сигналу це ніяк не позначиться, але на діаграмі коефіцієнтів деталізації ця особливість чітко виражена (рис. 1).

Зміна масштабу вейвлета призводить до пропорційної зміни його центральної частоти:

де Ра - частота на масштабі а; Рє - центральна частота вейвлета на масштабі 1; А - період дискретизації [3].

Рис. 1. Аналіз синусоїди з невеликим спотворенням

Розробка методу стиснення з урахуванням властивостей частотно-впорядкованих та функціонально-залежних коефіцієнтів вейвлет-перетворень. Масове використання автоматизованих систем обліку і контролю споживанням електричної енергії і, як наслідок, зростаючий об'єм інформації, яка підлягає зберіганню, обробці і передачі, потребує розробки ефективних алгоритмів попереднього її стиснення з подальшою можливістю відновлення і обробки [4].

Кратномасштабний аналіз заснований на представленні простору сигналів и у вигляді системи вкладених підпросторів Ц , які відрізняються один від одного тільки перемасштабуванням незалежної зміни. Даний вид аналізу базується на:

- простір сигналів и може бути розбитий на ієрархічно вкладені підпростори и , які не пересікаються і об'єднання яких дає в межах Ь2 (Я);

для будь-якої функції s(t) є Uj її стиснена версія належить простору U-i;

існує така функція ф(х) є Uo, для якої її зсув 9oj(t) = ф(Ск) при k є Z утворюють ортонормований базис простору Uo.

Так як функції фо,к(0 утворюють ортонормований базис простору Uo, то наступні функції утворюють ортонормований базис простору Uj

(p,k(t) = 2cp-j/2(2j/2t-k). (1)

Ці функції створюють свої масштабовані вершини в просторі сигналу і саме тому називаються масштабуючими. При цьому сигнал s(t) може бути представлений множиною послідовних наближень Sj(t) в субпросторах Uj. Змінна j при цьому називається масштабним коефіцієнтом. Сигнал s(t) є межею апроксимації л;/() є Uj ; при j--> -оо можна записати:

s(t) = lim Sj(t) , (2)

У відповідності з (2) при великих j ми отримуємо грубе наближення сигналу, а при малих - точне. Наближення (апроксимація) сигналу відповідає ітераційній формулі:

5,(0 = ї.]СЦ,к) ¦ (рі'к(ї),

(3)

(4)

Тут 11 к деяка послідовність. Сума приближеної та деталізуючої складових в кінцевому рахунку і дає вихідний сигнал з певним наближенням. Розглянемо застосування кратномасштабного аналізу для аналізу графіка електричних навантажень із застосуванням функції Хаара (Haar) [5]. Функція Хаара записується наступним чином:

де Р “21/1, коефіцієнт ортонормування, який забезпечує одиничну норму т.н. скейлинг-функції.

Нехай маємо почасовий графік електричного навантаження підприємства {p(t)}. Даний графік представлений 24 значеннями з рівномірним інтервалом дискретизації (1 година). Число ступенів графіка навантаження 24 не відповідає цілому числу степені 2. Тому бракуюче значення графіка (25^31) доповнюємо нульовим значенням (при цьому масштабний коефіцієнт j = 5). При зсувній ортогональності прямокутних базисних функцій розкладу пряме перетворення (проекція сигналу на базис) виконується по формулі:

(6)

В нашому випадку для дискретного зображення графіка по інтервалам “ я, максимальна деталізація відповідає j = 5. Тобто:

(7)

Відновлення графіка навантаження з п'ятого рівня виконується по формулі:

(8)

при цьому функція ф5,к виходячи з формули (1) прийме значення:

(9)

для к=0... 31.

У зв'язку з тим, що графік навантаження задається дискретно, його відновлення скейлинг функції Хаара (множенням константи шириною Дґ на відповідні значення С5,к) відбувається без похибок.

На наступному рівні декомпозиції графіка навантаження, при j = 4, скейлинг-функція розширюється по ґ до 1/16 шляхом усереднення відліків по двум сусіднім інтервалам вихідного графіка. Кількість коефіцієнтів відповідно зменшується вдвічі. Розрахунок коефіцієнтів С4,к виконується або по формулі (6), або по відомим значенням коефіцієнтів попереднього рівня декомпозиції Сда з урахуванням змін нормованого множника 1 !р в формулі (6):

(10)

(11)

Аналогічно виконують декомпозицію наступних рівнів при у = 3, 2, 1, 0. Довільний інформаційний сигнал в теорії цифрових часових рядів зазвичай розглядається у вигляді суми різнотипних складових [6]: -зміна функції тренда середніх значень по великим інтервалам усереднення; - циклічні компоненти з певним періодом повторення; - локальні особливості різного порядку, які викликані різкими змінами, флуктуаціями, розривами та ін.

Виділення з вихідного графіка навантаження коефіцієнтів його зміни в межах нового інтервалу усереднення відбувається по формулі:

(12)

Деталізуючі коефіцієнти визначаються як різниця значень апроксимуючих коефіцієнтів першої і другої половини інтервалу і являють собою різницю між вихідним сигналомр(к-А0 та апроксимованим графікомр(4;2-кА0.

Аналіз графіків дозволяє визначити локальні особливості графіка навантаження по інтервалу, на якому він заданий. Значення коефіцієнтів

(13)

і по ним можливе відновлення вихідного графіка навантаження. Необхідно звернути увагу, що для відновлення значень у вихідних інтервалах апроксимуючого коефіцієнта на першій половині інтервалу С-і,к додається до деталізуючого коефіцієнта 4-і,к , а на другій половині - віднімається.

В загальному вигляді, починаючи з останнього рівня розкладу 0=0), повне відновлення графіку електричних навантажень відбувається по формулі:

(15)

Аналіз формули (15) показує, що:

- значення апроксимуючого коефіцієнта Со являє собою середнє значення графіка електричного навантаження Рср на інтервалі, де він заданий;

- апроксимуючу коефіцієнти відповідають «низькочастотній» частині відновлюваного графіку навантаження, в якій зосереджена більша кількість корисної інформації;

- деталізуючи коефіцієнти відповідають високочастотній частині графіка навантаження і мають відносно невеликі значення;

- точність і кількість інформації, яка необхідна для зберігання та відновлення графіка електричного навантаження залежить від степеню деталізації, тому занулюючи частину деталізуючих коефіцієнтів можна з необхідною точністю зберегти і відновити значення графіка навантажень.

Аналіз похибки при відновленні графіка електричних навантажень проведемо в залежності від методу фільтрації деталізуючи коефіцієнтів і рівня деталізації.

Використання методики обнуління деталізуючих коефіцієнтів дозволяє ефективно реалізувати стиснення з втратами (відновлений графік навантаження відрізняється від вихідного в заданих межах). Похибка відновлення графіка електричних навантажень залежить від рівня декомпозиції, виду порогової фільтрації, величини деталізуючи коефіцієнтів і форми графіка навантаження.

Аналіз і передачу даних про електроспоживання можна здійснювати послідовно, починаючи з самих грубих рівнів, які містять в компактній формі основний об'єм інформації, з подальшим послідовним (при необхідності) уточненням, до повного відновлення. На необхідному рівні деталізації (точності) передачу даних можна припинити і перейти до наступного пакету передачі даних.

Унікальні математичні властивості кратномасштабного аналізу зробили його потужним інструментом аналізу і синтезу будь-якого сигналу.

Властивість ортогональності дозволяє отримувати незалежну інформацію на різних масштабах, а нормованість забезпечує збереження величини інформації на різних етапах деталізації.

Висновки

Отже, інформаційні потоки є важливим чинником для нормального функціонування сучасних електроенергетичних підприємств. Надмірний чи недостатній обсяг інформації призводить до необхідності створення ефективної системи управління цими потоками. В результаті переходу до ринкової економіки з'являється необхідність у підвищенні ефективності управління енергоспоживанням, так як це задовольняє економічні інтереси постачальників та споживачів електроенергії. Контроль та облік електроенергії є одним із варіантів вирішення поставленої задачі. На основі цього приймається рішення розробити модель стиснення інформаційних сигналів, що дозволило б підвищити швидкодію системи моніторингу кількісних характеристик параметрів режимів електроспоживання.

Таким чином, за результатами роботи можна зробити висновок, що застосування такого способу стиснення інформаційних потоків на основі методу порогової фільтрації коефіцієнтів ортогонального перетворення графіка електричного навантаження дасть велику можливість підвищити швидкодію проведення моніторингу кількісних характеристик режимів електроспоживання на 50%.

Література

1. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео: книга / Д. Ватолин, А. Ратушняк, М. Смирнов, В. Юкин. -- Москва: Диалог-МИФИ, 2002. -- С. 255-274.

2. Приложения вейвлет-анализа. -- [Електронний ресурс]. -- Режим: https://basegroup.ru/community/articles/wavelet-applications.

3. Добеши И. Десять лекций по вейвлетам: учебник. И. Добеши. - И: Регулярная и хаотическая динамика, 2001. - 464 с.

4. Волошко А.В. Интерполяция и повышение точности проведения гармонического и спектрального анализа / А.В. Волошко // Техническая электродинамика. - 1991. - № 3. -С. 8-13.

5. Федоренко С.В. Розробка інформаційного забезпечення та інформаційні потоки промислового підприємства / С.В. Федоренко, Д.О. Правоторов // Економіка та держава. -- 2006. -- № 11. -- С. 33--34.

6. Черемісін М.М. Автоматизація обліку та управління електроспоживанням: навч. посібник / М.М. Черемісін, В.М. Зубко. - К.: Факт, 2005. -192 с.

References

1. Vatolin D., Ratushnyak A., Smirnov M., Yukin V. (2002). Metody szhatiya dannykh. Ustroistvo arkhivatorov, szhatiye izobrazheniy i video [Data compression methods. Device of archivers, compression of images and video]. Moskow: Dialogue MEPhI [in Russian].

2. Prilozheniya veivlet-analiza [Wavelet analysis applications]. (n.d.). https://basegroup.ru. Retrieved from https://basegroup.ru/community/articles/wavelet-applications [in Russian].

3. Dobeshi I. (2001). Deciat lektsii po veivletam [Ten lectures on wavelets]. - Izhevsk: Regular and chaotic dynamics [in Russian].

4. Voloshko A.V. (1991). Interpoliatsiya i povysheniye tochnosti provedeniya garmonicheskogo i spektralnogo analiza [Interpolation and increase of accuracy of carrying out the harmonic and spectral analysis for]. Technologicheskaya elektrodinamika - Technical electrodynamics. 3, 8-13 [in Russian].

5. Fedorenko S.V., & Pravotorov D.O. (2006). Rozrobka informatsiinogo zabezpechennia ta informatsiini potoky promyslovogo pidpryiemstva [Development of information support and information flows of an industrial enterprise]. Ekonomika ta derzhava--Economy and State 11, 33--34 [in Ukrainian].

6. Cheremisin M.M. (2005). Avtomatyzatsiia obliku ta upravlinnia elektrospozhyvanniam [Automation of accounting and management of electricity consumption]. Kyiv: Fakt [in Ukrainian].

Размещено на Allbest.ru