КУЧЕРОВ Ю. Н.
АРХИТЕКТУРА И ТРЕБОВАНИЯ К ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЕ МОДЕЛИРОВАНИЯ ЭЛЕКТРОЭНЕРГЕТИЧЕСКИХ СИСТЕМ
Рассматриваются методологические аспекты решения сложных задач моделирования электроэнергетических систем (ЭЭС) (диспетчерское управление, проектирование, научные исследования) с применением теории искусственного интеллекта. Формулируются требования и принципы построения инструментальной вычислительной среды, включающей пакеты прикладных программ, экспертную систему и дружественный интерфейс. На примере задачи оперативной оценки надежности ЭЭС дан содержательный анализ продукционных правил для соответствующей базы знаний.
Введение. Задачи управления развитием и функционированием ЭЭС характеризуются сложностью и многообразием условий. Фактически единственный способ решения многих из них заключается в математическом моделировании. При разработке соответствующих вычислительных моделей необходимо учитывать: возрастающие требования к надежности и экономичности работы ЭЭС, быстродействию анализа, робастности алгоритмов, объективности решений; развитие системы автоматизированного проектирования (САПР) ЭЭС, предполагающей комплексное решение сложных задач: расширение функций автоматизированных систем диспетчерского управления (АСДУ) ЭЭС и особенно функций оперативно-информационных управляющих комплексов.
До последнего времени решение исследовательских и прикладных задач по названным направлениям в электроэнергетике шло по пути универсализации программно-вычислительных комплексов (ПВК) объединением подзадач, расширением функций, повышением сервиса и информационной обеспеченности. Этому способствовало создание высокопроизводительных ЭВМ, языков программирования высокого уровня, диалоговых средств коллективного доступа и банков данных, хотя применение последних очень незначительно вследствие реального отсутствия национальной и отраслевых сетей ЭВМ, без которых невозможно построение и информационных распределенных сетей. Такими крупными ПВК, создаваемыми и поддерживаемыми коллективами разработчиков на протяжении 15— 20 лет, является: В-2, В-6, СДО — расчета и оптимизации режимов ЭЭС в стационарных условиях; КУ, МУСТАНГ — расчета установившихся и динамических режимов: АМОН, ОРИОН, ЯНТАРЬ — определения резервов мощности в ЭЭС п некоторые другие.
Однако постепенно сложились объективные условия, показывающие, что необходимо и главное возможна принципиально новая технология решения задач, а именно технология, основанная на стремительно развивающихся в мире идеях искусственного интеллекта [1—8]. Причины этого заключаются в осознании невозможности решения сложных задач строгими математическими методами, в том числе методами глобальной оптимизации, следствием чего явился методологический дрейф исследований к созданию вычислительных систем, объединяющих имитационное и эвристическое моделирование. Обусловлены эти тенденции не только некоторыми естественными пределами универсализации (комплексирования) ПВК и пределами их жизни, после которых резко возрастают проблемы сопровождения, модификации и использования, и не только ограничениями по требованиям к вычислительным ресурсам ЭВМ и сложности информационного взаимодействия, которое может быть выполнено через локальные базы данных отдельных ПВК, объединяемых для решения одной задачи, а обоснованными надеждами на возможность более быстрого и качественного решения новых и более сложных задач. Эти задачи связаны с разработкой инструментального программного обеспечения, автоматизацией проведения научных исследований, решением практических проблем. В рассматриваемой прикладной области для последних имеется чрезвычайно широкая область применения, например: восстановление ЭЭС после тяжелых аварий, построение не только тренажеров-советчиков диспетчера различных иерархических уровней ЭЭС, но и систем поддержки решений, которые должны быть, видимо, у всех лиц, ответственных за принятие решений (ЛПР); оптимальное планирование и оперативное управление ЭЭС; исследование принципов развития основной электрической сети Единой ЭЭС страны, при решении которой должны учитываться факторы надежности и живучести, неопределенность информации и не поддающиеся формализации ограничения, такие, как экологические, социальные, политические; создание технологии автоматизированного проектирования ЭЭС; проверка надежности и корректировка проектных решений и др.
Каждую из этих задач отличает комплексность учитываемых факторов, невозможность получения решения применением только численных методов анализа и экспертных систем, обязательным участием человека в процессе принятия или согласования решений на отдельных этапах расчетных экспериментов. Основными пользователями вычислительных систем, реализующих эти задачи, являются оперативно-диспетчерский персонал ЭЭС, технологи, руководители проектов, исследователи, ЛПР, т. е. специалисты, по роду непосредственной деятельности не связанные, как правило, с работой на ЭВМ, другими словами, неквалифицированные с точки зрения программирования пользователи.
Общие требования к интеллектуальной вычислительной системе. Общая структура решения сложных задач с применением методологии искусственного интеллекта показана на рис. 1 и включает сочетание пакетов прикладных программ (ППП) численных расчетов (имитаторов), экспертной системы (ЭКСИ) и человека-пользователя.
Такая структура организации вычислений, назовем ее интеллектуально-вычислительной системой (ИВС), принципиально расширяет область применения ЭКСИ, разрабатываемых изначально для решения задач, не поддающихся формализации математическими методами: техническая диагностика уникальных объектов, медицинский и психологический контроль, обучение, распознавание, перевод и др. Применительно к рассматриваемым условиям на ЭКСИ возлагаются функции представления оригинальных эвристических знаний о конкретной предметной области, накопления, хранения и активного использования этих знаний, генерации проблемной ситуации. Кроме того, важным требованием к построению ЭКСИ является реализация принципа синергизма, когда целое получается большим, чем простая сумма составляющих. Другими словами, в ЭКСИ должна быть заложена способность на основе имеющихся фактов выводить новые, а также хоть и ограниченная, но способность обосновывать и объяснять человеку свои решения, по крайней мере демонстрацией используемых правил.
Рис. 1. Общая схема организации вычислений при решении сложных задач
Наиболее распространенным является способ представления знаний в ЭКСИ в виде иерархической семантической сети фреймов, каждый узел которой определяет некоторое понятие или правило (продукцию) типа «если-то», группа правил характеризует свойство объекта, а направленные связи между узлами — отношения.
Фреймовое представление позволяет хорошо структурировать соответствующую базу знаний (БЗ), а использование систем правил облегчает объяснение и интерпретацию результатов.
Не останавливаясь на стратегии инициации и проверки продукций, в основе которых лежит принцип расчленения задачи и поиск с использованием правил здравого смысла более высокого порядка (метаправил), а также на механизмах целеполагания и дедуктивного вывода, отметим важность динамичности БЗ, заключающейся в способности к обучению и расширению без нарушения целостности системы. Узлы семантической сети знаний постепенно в процессе накопления опыта заполняются конкретными понятиями, которые могут быть введены как экспертами (разработчиками ИВС), так и получены в результате работы ППП, а в перспективе — «обмена опытом» с различными прикладными ИВС. По мере появления новых понятий в сети автоматически добавляются новые узлы, а при стабилизации их числа в процессе обучения (самообучения) между узлами устанавливаются новые связи; причем поскольку эвристические правила типа «если-то» в общем случае не выражают отношений, которые всегда истинны, целесообразно устанавливать и силу (степень уверенности) этих связей, возрастающую при каждом полезном их использовании. Достоверность окончательного решения формируется объединением этих оценок с использованием, например, формулы Байеса в последовательности «неформальных рассуждений» ЭКСИ.
Рис. 2. Схема распараллеливания задачи анализа надежности ЭЭС
Другие аспекты построения и использования ИВС, такие, как параллелизм, проблема реального времени и некоторые другие, специфичные для решения отдельных задач и при работе с ППП, и с БЗ ЭКСИ, более подробно рассматриваются ниже. Функции интерпретатора заключаются в обеспечении средствами дружественного интерфейса возможности работы с ИВС неподготовленному пользователю на профессиональном языке.
Принципы реализации и архитектура ИВС. При разработке и реализации ИВС необходимо учитывать ряд существенных особенностей, характерных для отдельных крупных классов задач, относящихся к оперативно-диспетчерскому управлению, проектированию и научным исследованиям.
Реализация ИВС для целей диспетчерского управления ЭЭС предполагает высокую надежность и робастность ИВС, распределенность комплекса технических средств для решения отдельных задач и, как следствие, наличие многоуровневых информационных обменов, использование избирательных адаптивных вычислительных алгоритмов, обеспечивающих в зависимости от ресурсов времени и целей управления требуемую полноту математического описания, решение задач в реальном времени, что представляет в целом очень жесткие условия.
Можно предложить несколько перспективных и в настоящее время в достаточной степени еще не разработанных для практического применения принципов преодоления данных проблем. К ним в первую очередь относятся: параллельная обработка информации, эвристическое моделирование и технология непрерывных вычислений.
Распараллеливание на уровне независимых заданий, частей программ и процедур при наличии комплекса технических средств или многопроцессорных ЭВМ реализуется достаточно просто. Особенно эффективно использование этого приема для задач, включающих перебор множества исходных состояний при одинаковом подходе к схеме вычислительного процесса анализа последствий. В первую очередь сюда относятся многовариантные расчеты электрических режимов, а также анализ надежности ЭЭС, представляющий одну из наиболее трудоемких в вычислительном аспекте задач. Схема распараллеливания последней при графической интерпретации представляет дерево (рис. 2), вершинами которого являются уровни нагрузок, распределительные устройства (РУ) станций и/или подстанций (либо схема сети нижнего иерархического уровня), элементы сети (линии, трансформаторы) и РУ (выключатели, генераторы, секции шин и другие присоединения), разделенная в итерационном процессе по активной Р и реактивной Q мощности модель расчета установившегося режима (УР) ЭЭС.
Более глубокое распараллеливание — на уровне циклов, итерации, операторов и команд — предполагает использование как специальной вычислительной техники, аппаратно реализующей эти функции, так и применение специальных вычислительных методов. Следует иметь в виду конечный эффект от применения идей параллелизма, а именно рост накладных расходов с увеличением числа параллельных процессов. Так, при использовании п параллельных процессов быстродействие в решении задачи всегда увеличивается значительно меньше, чем в п раз, а при использовании традиционных языков программирования оно ограничено сверху примерно четырехкратным уровнем. Поэтому актуально применение специализированных диалектов языков программирования высокого уровня, таких, как АДА, ЛИСП, МОДУЛА-2, ПАСКАЛЬ, СИ и некоторых других.
Другой способ повышения быстродействия анализа, дополняющий предыдущий, заключается в организации БЗ с хранением информации о видах и последствиях отказов силового оборудования РУ станций и подстанций (вид отказа, тип отказавшего и отключенного вследствие этого оборудования, его загрузка и др.), получаемой в режиме off-line как в процессе имитационного моделирования, так и в процессе эксплуатации ЭЭС. Отказы целесообразно группировать по тяжести (последствиям) с учетом вероятности возникновения, например, приводящие к разделению узла, потере питания собственных нужд, выпадению присоединений с действием противоаварийной автоматики станционного или системного уровней, нарушению устойчивости и др. Эта информация, а также приоритетность отказов в процессе эксплуатации системы обновляется, дополняется и используется для оперативной оценки надежности текущих и планируемых режимов с целью проверки способности противостоять вероятным возмущениям. Повышение быстродействия расчетов, таким образом, достигается ликвидацией собственно цикла моделирования отказов оборудования РУ с выходом на непосредственный анализ последствий по параметрам послеаварийного режима ЭЭС по приоритетному списку выпадающего в результате отказов оборудования.
Значительного повышения эффективности использования математических методов и программ, большей доступности их для пользователя с привлечением к процессу выработки решения практического опыта специалистов высокой квалификации можно ожидать от применения ЭКСИ. Практический опыт — основа для формализации эвристических знаний и формирования причинно-следственных заключений.
Рис. 3. Общая блок-схема алгоритма выбора и проверки отказов
Однако главное здесь — не подмена численных методов анализа режимов ЭЭС эвристическими знаниями, закладываемыми в ЭКСИ, а разумное сочетание этих направлений моделирования в вычислительных системах нового поколения.
Следует иметь в виду, что математически формализованные процессы изменения электрических величин, выраженные в виде законов, уравнений, моделей, а также методы их решения представляют собой тоже знания и эти знания являются в настоящее время наиболее аккумулированными и универсальными и, конечно, имеют определяющую роль в процессе моделирования ЭЭС.
В таком аспекте рассмотрим схему работы модели выбора наиболее значимых отказов линий электропередач в задаче анализа надежности ЭЭС (рис. 3). Это наиболее тонкий момент соответствующих разработок, так как при успешном решении в значительно большей степени повышается быстродействие анализа надежности в целом по сравнению с совершенствованием метода расчета электрического режима. Рациональный подход заключается в сочетании экспертного метода выделения значимых отказов, сужающего их исходное многообразие с помощью эвристических правил, и алгоритмов численного анализа для последующего отсеивания и ранжирования [9].
К отказам, имеющим приоритет перед другими в соответствии с эвристическими правилами, относятся: 1) имеющие наибольшую вероятность возникновения (в основном одиночные отказы компонентов системы) ; 2) имеющие предположительно (априори) наиболее тяжелые последствия по послеаварийному (п/а) режиму (наиболее загруженные линии, линии высшего класса напряжения); 3) приводящие к разделению схемы сети либо узла; 4) характеризующие отказ двухцепной линии, когда загрузка одной цепи при отказе другой приближается или превосходит предельное значение; 5) приводящие к нарушению допустимого режима (перегрузка линий, недопустимые снижения либо повышения напряжения, расходимость итерационного процесса решения уравнений установившегося режима) в предыдущих циклах анализа (режимах работы ЭЭС); 6) осуществляющие взаиморезервирование; 7) изменяющие направления потоков мощности других линий в п/а режимах (принцип ориентации); 8) взаимосвязанные по режиму напряжения.
Запишем формализованные соотношения, например, для правил 6)—8), имеющих важное значение для выделения множественных отказов линий, включаемых в так называемую локальную группу (ЛГ) отказавшей линии. Для этого зададим граф сети G (V, L) множеством вершин V— ={1, . .., n} и ветвей L={1, ..., т}, а для ориентации ветвей введем вектор sign (X=J), j=L, в котором запоминаются и хранятся значения знаков потоков мощности ветвей исходного режима.
Тогда по признаку взаиморезервирования в ЛГ i-й отключаемой линии входит подмножество LG1, линий, нагрузка которых в п/а режиме превысила заданное значение:
где X0j — нагрузка ветви j в нормальном режиме; Хij — нагрузка ветви j при отключении ветви i; К — коэффициент взаиморезервирования по току или мощности, величина которого для практических расчетов может быть принята из диапазона 1,1—1,2 и в конечном итоге определяет количество состояний при одновременном простое двух элементов схемы. Например, при задании Кi=1 получим |LGli|=m—1 и в ЛГ i-й линии войдут все т—1 линий схемы (кроме ситуаций, приводящих к более легкому п/а режима).
По признаку ориентации в ЛГ г-й отключаемой линии входят все линии, для которых знак потока мощности в п/а режиме sign (Хц) изменился на противоположный по сравнению со знаком в исходном режиме. Таким образом, множество линий, образующих ЛГ i-й линии, формируется как
Пo признаку взаимосвязи по напряжению или углу в ЛГ i-й отключаемой линии входят все линии, одиночные отказы которых приводят к снижению напряжения или возрастанию угла на заданные значения в тех же узлах или линиях, что и при отказе i-й линии. Таким образом, для любой отключаемой ветви г определяется подмножество узлов Vi со сниженным напряжением по правилу
где Xov, Xiv — напряжение узла v в исходном режиме и при отключении ветви i соответственно; K — коэффициент взаимосвязи по напряжению, величина которого может быть принята из диапазона 0,95—0,97. Тогда в соответствии с выражением (3) подмножество взаимосвязанных по напряжению пар линий, одна из которых г, равно
На основании полученных по этим признакам локальных групп для каждой линии исключением дублирующих создается результирующая (рис. 4):
Количество элементов, входящих в ЛГ отключаемой линии, зависит от принятой модели расчета электрического режима и коэффициентов формирования ЛГ. Однако при рекомендуемых значениях коэффициентов Kl и Κυ количество анализируемых состояний в среднем сокращается в несколько раз по сравнению с полным перебором. Эти же правила могут быть использованы для выделения не только взаимосвязанных пар линий (двойных отказов), но они легко обобщаются для выделения отказов более высокого уровня, каждые из которых определяются на предшествующем цикле анализа, т. е. двойные отказы при моделировании одиночных, тройные — при моделировании двойных и т. д. Применение эвристических правил, совокупность которых, очевидно, не является полной, может быть осуществлено различным образом: предварительным изучением поведения системы в результате расчетных экспериментов и заданием фиксированного списка отказов, используя также ретроспективный опыт и интуицию; введением соответствующих логических условии в программы оценки надежности; применением ЭКСИ, что, видимо, наиболее перспективно. Так или иначе правила используются в режиме off-line, т. е. предшествующем оценке надежности ЭЭС. Однако такой путь, да и сами по себе правила, не гарантируют адекватного изменяющимся в реальном времени условиям функционирования ЭЭС списка. Обычно такой список включает избыточное число отказов, например все линии 500 кВ при анализе сети 500/220 кВ и др.
Формально данную проблему решает последующее применение специальных методов отсеивания и/или ранжирования. Условия их применения в режиме on-line должны удовлетворять двум важным требованиям: машинное время, необходимое для выбора расчетных отказов (усеченный список) н последующего анализа режимов ЭЭС при них должно быть меньше времени анализа режимов для всех возможных отказов (полный список); точность выбора отказов должна быть достаточно высокой, чтобы не пропустить отказов, опасных для ЭЭС.
При использовании метода отсеивания для каждого отказа из первоначального списка, полученного после применения эвристических правил, проводится расчет УР по упрощенной модели. Обычно такой моделью являются уравнения, идеализированные по постоянному току Р—δ, либо одна итерация линеаризованного разделенного метода. В список для последующего более детального анализа в алгоритме оценки надежности включаются все отказы, которые приводят к нарушению ограничений на контролируемые параметры режима. Метод не застрахован от пропуска отказов в связи с приближенным расчетом УР.
Наиболее интересен метод, использующий классификацию отказов по тяжести или ранжирование. Для этого необходимо определить критерий (критерии) ранжирования, а также обеспечить их вычисление и точность, удовлетворяющие названным выше двум требованиям. Мера оценки тяжести может быть различна.
Рис. 4. Принципы выделения значимых отказов
При ранжировании в offline тяжесть отказа лучше всего оценивать по абсолютной величине перегрузки, снижению напряжения, величине управляющих воздействий и их виду. Здесь применимы и правила 1)—8).
Правил такого рода, а также правил, управляющих всей технологией расчетов, например в ПВК анализа надежности ЭЭС, наберется в своей совокупности несколько сотен. К последним относятся не только рассмотренные выше правила выделения отказов, но и правила их моделирования, выбора моделей расчета электрического режима, контроля допустимости электрических величин, определяющие логику действия противоаварийной автоматики и стратегию диспетчерского управления, ведения вычислительного процесса и др. В традиционном исполнении ПВК алгоритмическая схема представляет жесткую конструкцию, хотя и с возможностью прохождения решаемых задач по различным путям, в зависимости от ключей управления, задаваемых на уровне исходных данных или в диалоговом режиме. При таком подходе введение любых новых знаний (моделей, правил или условий) всегда сопряжено с большими трудностями и в большинстве случаев невыполнимо. Другими словами, выигрывая фактически в простоте построения программного продукта и скорости получения результатов, в конечном итоге пришли к проблеме усложнения или невозможности совершенствования ПВК. Здесь и важно вынесение этих правил в отдельную подсистему, только функционально связанную с модулями численного анализа. Несомненно, что организация вычислений в такой схеме сложнее, как и больше затраты на получение результатов, однако обеспечивается высокая доступность к подсистеме знаний. Естественно, что в каждом конкретном случае разработчик сам должен принимать решение о степени разделения подсистем численного и эвристического моделирования.
Наряду с проблемой разукрупнения ПВК необходимо и создание инструментальной вычислительной среды с интеграцией нескольких ПВК для решения комплексных задач, например, в рамках технологической цепочки проектирования объекта. Важную роль здесь могут иметь разработанные универсальные базовые средства, реализованные в таких оболочках, как ИНТЕР-Эксперт (версия 2) для микроЭВМ типа IBM PC/АТ, позволяющие создавать базы данных и знаний, иметь встроенные текстовой и графический редакторы, организовывать многофункциональные вычисления и обработку данных и знаний с применением процедурного моделирования, обмениваться данными с другими ЭВМ.
Можно с уверенностью сказать, что по мере создания глобальной и локальных сетей ЭВМ, реализующих в полном объеме автоматизированное диспетчерское и автоматическое управление ЭЭС [10], а также развития информационного обеспечения посредством создания интегрированных банков данных и семантических баз знаний, именно ИВС позволяет обеспечить доступность всех знаний для решения всех задач. Возможно, при этом потребуется реализация новой теории непрерывных расчетов, при которой предполагается, что обработка данных никогда не прекращается, а результат работы может потребоваться в любой момент процесса вычислений, более того, входные данные могут поступать из источников, непредвиденных до начала вычислений.
Частью такой технологии может быть теория непредвиденных обстоятельств (НО), с помощью которой организуется распределенное решение задачи на сети ЭВМ и вырабатываются рекомендации по предотвращению НО и наиболее целесообразным действиям в условиях НО, а также теория смешанных вычислений [11]. В последнем случае подразумевается проведение расчетов при неполностью заданных значениях переменных. При этом происходит частичная редукция протоколов программы методами трансформационной семантики, состоящей из правил преобразования текста программы; часть протоколов отбрасывается как противоречащая доступным данным; нередуцируемые присваивания и альтернативы, нераскрытые итерации образуют в совокупности остаточную программу, как проекцию или специализацию универсальной программы на суженное многообразие условий.
Рис. 5. Архитектура интеллектуальной вычислительной системы:
БМ - база моделей,
СБП — система блочного программирования, СПР — система принятия решений
На эти новые и оригинальные подходы к решению сложных задач со всей очевидностью необходимо ориентироваться при организации параллельных вычислений, построения специализированных алгоритмов, адаптации и автоматической генерации ППП.
При решении задач проектирования ЭЭС фактор реального времени выражен в значительно меньшей степени, так как время разработки проектов развития крупных объектов составляет не менее полугода. Однако время реакции системы должно удовлетворять требованиям пользователя. Основные функции ИВС заключаются в выполнении большого объема вычислений, организации эффективного взаимодействия пакетов программ численных расчетов, реализации принципов иерархического моделирования, заключающихся в последовательном уточнении модели системы при одновременном сужении многообразия условий, анализа и обобщения результатов решения отдельных задач в технологической цепочке, обменах с банками априорных данных, подготовки технической документации, активного использования и обобщения знаний наиболее опытных инженеров-проектировщиков. В целом ИВС позволяет автоматизировать и ускорить процесс создания и внедрения проектов и, видимо, повысить в среднем их качество.
В научных исследованиях, как и при проектировании, ИВС обеспечивает поддержку соответствующих рабочих мест, максимально приближая работу квалифицированных научных сотрудников (не программистов) к непосредственному общению с ЭВМ с помощью дружественного интерфейса. Архитектура ИВС показана на рис. 5 и характеризуется широким арсеналом возможных средств как для проведения конкретных научных исследований, заключений, экспертиз, так и для создания методического и программного обеспечения (ПО).
ИВС, как инструмент научных исследований, должна обеспечить: доступность к информационному и программному обеспечению ведущих научных (национальных и международных) и информационных центров; язык сверхвысокого уровня (язык проектирования); интерфейсную оболочку, обеспечивающую эффективное взаимодействие разнородных ППП между собой и пользователем, включая возможность формулирования заданий на профессиональном ограниченном языке.
На БЗ возлагаются функции управления вычислительным процессом, накопление опыта эксплуатации вычислительной системы, накопление и обобщение знаний экспертов (исследователей) о предметной области.
Главная особенность ИВС для целей разработки ПО — реализация работы пользователя не только с числовыми типами данных по традиционной схеме: данные — алгоритм — программа — данные, или со сложными их структурами, списками, таблицами, но и с выражениями. Для этого ИВС должна включать подсистему аналитических вычислений (САВ). Причем на САВ целесообразно возложить не только функции автоматической генерации программ [12] для последующего численного расчета, которые могут быть частично реализованы в системах общего назначения, таких, как FORMAC, REDUCE, MACSYMA, АНАЛИТИК-79, но и развитые функции преобразования и упрощения многомерных выражений, действий комплексной арифметики и матричной алгебры, операций на разреженных графах и языках математической логики высокого порядка, теории математического программирования и оптимального управления и др. Эти требования связаны с общими тенденциями в мире к снижению трудоемкости разработки ПО. Большие возможности здесь открываются применением кроме процедурных языков программирования высокого уровня, на которых создаются программы численных расчетов (АЛГОЛ, ФОРТРАН, ПЛ-1 и др.), также языков логического программирования типа ПРОЛОГ или функционального программирования — типа ЛИСП и языков проектирования — типа АДА [13], СЭТЛ [14], PDL [15] и др. Особенности и преимущества их в первую очередь заключаются в представлении программных объектов с помощью множеств и отображений, а отношений и операций над ними — с помощью терминов теоретикомножественных и логико-предикатных отношений и операций [16]. Основной конструкцией таких языков является формирователь множества Ф(х)
задающий правило построения множества тех элементов М. которые обладают свойством Р. Элементами множеств могут быть любые объекты, которые изображаются или вычисляются средствами языка, а также любые конструкции, исполнение которых приводит к появлению подходящего объекта. Эти средства позволяют осуществлять: конструирование программ и вычислительных процессов на уровне задания абстрактных алгоритмов; оперирования различными типами и структурами данных; ассоциативный поиск; взаимодействие с реляционными базами данных. Кроме того, они срастаются с метаязыком продукционного программирования, в котором для каждого оператора, если выполняется множество условий, должно быть выполнено определенное множество действий.
Выводы. 1. Для решения новых и сложных задач моделирования ЭЭС необходима разработка прикладных интеллектуальных вычислительных систем, обеспечивающих эффективное взаимодействие пакетов программ численного анализа, экспертных систем и человека-пользователя.
2. Реализация ПВО всеет существенные отличия для классов задач оперативно-диспетчерского управления, проектирования и научных исследований. Выражается это не только в принципах организации базы знаний и способах представления знаний, но и особых требованиях к надежности ИВС, времени решения задач, интерфейсу, алгоритмам параллельных вычислений, системе аналитических вычислений и др.
