2. Головна
  3. АРХІВ НОМЕРІВ
  4. 2023 рік
  5. Том 45, № 6 (2023)
  6. c. 03-14
  7. Архив номеров
  8. 2025 год
  9. 47-1

Електронне моделювання

Том 47, №1 (2025)

https://doi.org/10.15407/emodel.47.01

ЗМІСТ

Математичне моделювання та обчислювальні методи

 

КЛЮЗКО  О.І.
Огляд моделей та методів моделювання задач оптимізації портфелю компанії-постачальника електричної енергії та підтримки прийняття стратегічних рішень
3-21

Інформаційні технології

 

СІНЬКО  Д.П.,  СІНЬКО  К.Д.
Методи машинного навчання в задачах прогнозу факторів, що вказують на  потенційне партиціювання кластеру
22-39
 

НІКОЛЮК П.К., ЗЕЛІНСЬКА О.В.
Використання штучного інтелекту та алгоритмів теорії графів для регулювання трафіку транспортних засобів
40-52

Обчислювальні процеси та системи

 

ВДОВІЧЕНКО О.О.,  ХАРЧЕНКО В.С.
Програмовні пристрої з керованою багаторівневою деградацією: моделі, методи реконфігурації та аналізу реконфігуропридатності
53-76
 

ТЕЦЬКИЙ А.Г., СУШКО С.В., ПЕРЕПЕЛИЦИН А.Є.
Створення балансира літій-іонної збірки на базі малопотужних мікроконтролерів
77-100

Паралельні обчислення

 

ШКАРУПИЛО В.В., ЧЕМЕРИС О.А., ЗАЙКО Т.А.,  ДІМІТРІЄВА Д.О.,  ШКАРУПИЛО В.В.
Тривимірна концепція аналізу ризиків критичної енергетичної інфраструктури
101-115

Застосування методів та засобів моделювання

 

ЗОЛОТАРЬОВ Є.О., БУРАУ Н.І.
Моделювання колового руху автономного безпілотного підводного апарату та сигналів датчиків інерціальної навігаційної системи
116-132

Огляд моделей та методів моделювання задач оптимізації портфелю компанії-постачальника електричної енергії та підтримки прийняття стратегічних рішень

О.І. Клюзко, аспірант

Інститут проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України
Україна, 03164, Київ, вул. Генерала Наумова, 15
e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.

Èlektron. model. 2025, 47(1):03-21

https://doi.org/10.15407/emodel.47.01.003

АНОТАЦІЯ

Визначено проблему прийняття стратегічних рішень постачальником електричної енер­гії в умовах значної невизначеності, зумовленої високою волатильністю цін на оптовому ринку та коливаннями обсягів споживання електроенергії. Виконано огляд математич­них моделей та методів, представлених в науковій літературі, спрямованих на розв'язан­ня задач, що виникають перед окремими учасниками ринку, з урахуванням їх специфіч­них цілей, нормативних та технологічних обмежень. Проведено аналіз основних методів та моделей, що використовуються для оптимізації діяльності електропостачальників з метою підвищення їх рентабельності через удосконалення процесів формування та уп­равління портфелем закупівель, а також прийняття стратегічних рішень. Запропоно­вано рекомендації щодо оптимізації діяльності електропостачальників, спрямованої на підви­щення їх рентабельності та ефективності управління портфелем закупівель.

КЛЮЧОВІ СЛОВА:

математичне моделювання, оптимізаційна модель, програму­ван­ня, ринок електричної енергії, постачання електричної енергії.

СПИСОК ЛІТЕРАТУРИ

  1. Закон України № 2019-VIII вид 13.04.2017 «Про ринок електричної енергії».
  2. Саух С.Є., Борисенко А.В. Математичне моделювання електроенергетичних систем в ринкових умовах: монографія. К.: «Три К». 2020. 340 с
  3. Постанова Національної комісії, що здійснює державне регулювання у сферах енергетики та комунальних послуг № 307 від 14.03.2018 «Про затвердження Правил ринку».
  4. Постанова Національної комісії що здійснює державне регулювання у сферах енергетики та комунальних послуг № 308 від 14.03.2018 «Про затвердження правил ринку «на добу наперед» та внутрішньодобового ринку»
  5. Блінов І.В., Парус Є.В. Оптовий та роздрібний ринок електричної енергії: розрахункова робота [Електронний ресурс]: навч. посіб. для студ. які навчаються за спе­ціальністю 141 «Електроенергетика, електротехніка та електромеханіка» / КПІ ім. Іго­ря Сікорського; уклад.: Електронні текстові дані (1 файл: 1,1 Мбайт). Київ: КПІ ім. Ігоря Сікорського, 2022. 44 с.
  6. Євдокімов В.А., Іванов Г.А. Методи визначення обсягів та цін на електричну енер­гію в контрактах в умовах лібералізованого ринку [Електронний ресурс] Моделювання та інформаційні технології. 2017. Вип. 81. С. 142—152. Режим доступу: http://nbuv.gov.ua/UJRN/Mtit_2017_81_22
  7. Leandro, J., Cesini Silva, Cindy P., Guzman, Marcos J. Rider, Contracting Strategy for Con­sumers with Distributed Energy Resources in the Liberalized Electricity Market, ACCESS vol. 10, 2022, pp 80437—80447. https://ieeexplore.ieee.org/document/9844706
  8. Han F., Pu T., Li M., Taylor, G. “Short-term forecasting of individual residential load based on deep learning and K-means clustering”, in CSEE Journal of Power and Energy Systems, vol. 7, no. 2, pp. 261—269, March 2021, doi: 10.17775/CSEEJPES.2020.04060.
  9. Dudek G., Pełka P. and Smyl S. “A Hybrid Residual Dilated LSTM and Exponential Smoothing Model for Midterm Electric Load Forecasting”, in IEEE Transactions on Neural Networks and Learning Systems, vol. 33, no. 7, pp. 2879—2891, July 2022, doi: 10.1109/TNNLS.2020.3046629.
  10. Bedi, J. and Toshniwal, D. “Empirical Mode Decomposition Based Deep Learning for Electricity Demand Forecasting”, in IEEE Access, vol. 6, pp. 49144—49156, 2018, doi: 10.1109/ACCESS.2018.2867681.
  11. Shi, H., Xu, M.H. and Li, R. “Deep learning for household load forecasting-a novel pooling deep RNN,” IEEE Transactions on Smart Grid, vol. 9, no. 5, pp. 5271—5280, Sep. 2018.
  12. Hongsheng Xu, Jinyu Wen, Senior Member, CSEE, Qinran Hu, Jiao Shu, Jixiang Lu, Zhihong Yang, Energy Procurement and Retail Pricing for Electricity Retailers via Deep Reinforcement Learning with Long Short-term Memory, CSEE Journal of Power and Energy Systems, vol. 8, no. 5, September 2022, pp. 1338—1351. https://ieeexplore.ieee.org/ document/9713968
  13. Kong, W.C., Dong, Z.Y., Hill, D.J., Luo, F.J. and Xu, Y. “Short-term residential load forecasting based on resident behaviour learning,” IEEE Transactions on Power Systems, vol. 33, no. 1, pp. 1087—1088, Jan. 2018.
  14. Kong, W.C., Dong, Z.Y., Jia, Y.W., Hill, D.J., Xu, Y. and Zhang, Y. “Short-term residential load forecasting based on LSTM recurrent neural network,” IEEE Transactions on Smart Grid, vol. 10, no. 1, pp. 841—851, Jan. 2019.
  15. Dash, S.K., Dash, P.K. “Short-term mixed electricity demand and price forecasting using adaptive autoregressive moving average and functional link neural network”, in Journal of Modern Power Systems and Clean Energy, vol. 7, no. 5, pp. 1241—1255, September 2019, doi: 10.1007/s40565-018-0496-z.
  16. Hyun-kyeong Hwang, Ah-yun Yoon, Hyun-koo Kang Seung-il Moon, Retail Electricity Pricing Strategy via an Artificial Neural Network-Based Demand Response Model of an Energy Storage System, ACCESS vol 9, 2021, pp 13440—13450. https://ieeexplore. ieee.org/document/9310260
  17. Azam, M.F., Younis, M.S. "Multi-Horizon Electricity Load and Price Forecasting Using an Interpretable Multi-Head Self-Attention and EEMD-Based Framework," in IEEE Access, vol. 9, pp. 85918—85932, 2021, doi: 10.1109/ACCESS.2021.3086039.
  18. Hu, F., Feng, X., & Cao, H. (2018). A Short-Term Decision Model for Electricity Retai­lers: Electricity Procurement and Time-of-Use Pricing. Energies, 11(12), 3258. https://doi.org/10.3390/en11123258
  19. Josue Campos do Prado, J., & Qiao, W. (2019, May). A Stochastic Decision-Making Model for an Electricity Retailer with Intermittent Renewable Energy and Short-Term Demand Response. IEEE Transactions on Smart Grid, 10(3), 2581—2592. https://doi.org/10.1109/TSG.2018.2805326
  20. Guo, L., Sriyakul, T., Nojavan, S., & Jermsittiparsert, K. (2020). Risk-Based Traded Demand Response Between Consumers’ Aggregator and Retailer Using Downside Risk Constraints Technique. IEEE Access, 8, 90957—90968. https://doi.org/10.1109/ACCESS. 2993868
  21. Prado, J.C.D., Qiao, W. ‘‘A stochastic bilevel model for an electric- ity retailer in a liberalized distributed renewable energy market,’’ IEEE Trans. Sustain. Energy, vol. 11, no. 4, pp. 2803—2812, Oct. 2020, doi: 10.1109/TSTE.2020.2976968.
  22. Golmohamadi, H., & Keypour, R. (2018, July). Stochastic optimization for retailers with distributed wind generation considering demand response. Journal of Modern Power Systems and Clean Energy, 6(4), 733—748. https://doi.org/10.1007/s40565-017-0368-y
  23. Xu, H., Wen, J., Hu, Q., Shu, J., Lu, J., & Yang, Z. (2022, September). Energy Procurement and Retail Pricing for Electricity Retailers via Deep Reinforcement Learning with Long Short-term Memory. CSEE Journal of Power and Energy Systems, 8(5), 1338—1351. https://ieeexplore.ieee.org/document/9713968
  24. Liu, Y., Zhang, D., & Gooi, H.B. (2021, March). Data-driven Decision-making Strategies for Electricity Retailers: A Deep Reinforcement Learning Approach. CSEE Journal of Power and Energy Systems, 7(2), 358—367. https://ieeexplore.ieee.org/document/ 9215156
  25. Takigawa, F.Y.K., Scuzziato, M.R., Tenfen, D. and Fernandes, R.C. ‘‘A mathematical modeling for contract flexibility optimization by Brazilian free consumers,’’ IEEE Latin Amer. Trans., vol. 18, no. 09, pp. 1530—1537, Sep. 2020, doi: 10.1109/TLA.2020.
  26. Cesini Silva, L., Guzman, C., & Rider, M. (2022). Contracting Strategy for Consumers with Distributed Energy Resources in the Liberalized Electricity Market. IEEE Access, 10, 80437-80447. https://ieeexplore.ieee.org/document/9844706
  27. Oprea, S., Bâra A., Preotescu, D., Bologa, R., & Coroianu, L. (2020). A Trading Simulator Model for the Wholesale Electricity Market. IEEE Access, 8, 184210-184230. https://doi.org/10.1109/ACCESS.2020.3029291

КЛЮЗКО Олексій Іванович, аспірант Інституту проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України. У 2017 р. закінчив Івано-Франківський національний технічний університет нафти і газу. Область наукових досліджень — математичне моделювання, нейронні мережі, оптимізація портфелю купівлі-продажу електроенергії енергетичними компаніями, прогнозування цін на енергоринку.

Повний текст: PDF

Методи машинного навчання в задачах прогнозу факторів, що вказують на потенційне партиціювання кластеру

Д.П. Сінько 1, аспірант, К.Д. Сінько 2

1 Інститут проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України
  Україна, 03164, Київ, вул. Генерала Наумова, 15
  e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.;
2 Національний технічний університет України
  «Київський політехнічний інститут ім. Ігоря Сікорського»
  Україна, 03056, Київ, проспект Берестейський, 37
  e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.

Èlektron. model. 2025, 47(1):22-39

https://doi.org/10.15407/emodel.47.01.022

АНОТАЦІЯ

Запропоновано підхід, який передбачає додавання спеціальної ноди до кластеру з метою прогнозування настання стану, що передує партиціювання кластеру. За результатами аналізу алгоритмів машинного навчання визначено алгоритми, які доцільно застосовувати для вирішення задачі попередження виникнення критичних станів кіберфізичної системи в контексті партиціювання мережі.

КЛЮЧОВІ СЛОВА:

split brain problem, партиціювання, алгоритми машинного нав­чан­ня, кластер, кіберфізична система.

СПИСОК ЛІТЕРАТУРИ

  1. Söylemez M., Tekinerdogan B., Kolukısa Tarhan A. Challenges and solution directions of microservice architectures: a systematic literature review. Applied sciences. 2022. Т. 12, № 11. С. 5507. URL: https://doi.org/10.3390/app12115507 (дата звернення: 03.07.2024).
  2. Bhuiyan S., Zheludkov M. Apache ignite book. Lulu Press, Inc., 2019. (дата звернення: 13.06.2024)
  3. Ситуація в енергосистемі на 13 травня: через значні пошкодження енергооб’єктів і нестачу електроенергії можливі обмеження для промислових споживачів. Урядовий портал. URL: https://www.kmu.gov.ua/news/sytuatsiia-v-enerhosystemi-na-13-travnia-cherez-znachni-poshkodzhennia-enerhoobiektiv-i-nestachu-elektroenerhii-mozhlyvi-obme- zhennia-dlia-promyslovykh-spozhyvachiv (дата звернення: 28.05.2024).
  4. Ongaro D., Ousterhout J. In search of an understandable consensus algorithm // Proceedings of the 2014 USENIX Conference on USENIX Annual Technical Conference. ser. USENIX ATC’14. USA: USENIX Association, 2014. С. 305—320. ISBN 9781931971102 (дата звернення: 01.07.2024).
  5. Shapiro M., Preguiça N., Baquero C., Zawirski M. Conflict-Free Replicated Data Types // In: Défago X., Petit F., Villain V. (eds) Stabilization, Safety, and Security of Distributed Systems. SSS 2011. Lecture Notes in Computer Science. vol 6976. Berlin, Heidelberg: Springer, 2011. URL: https://doi.org/10.1007/978-3-642-24550-3_29 (дата звернення: 03.07.2024).
  6. Read-Write quorum systems made practical / M. Whittaker та ін. PaPoC ‘21: proceedings of the 8th workshop on principles and practice of consistency for distributed data. 2021. С. 1—8. URL: https://doi.org/10.1145/3447865.3457962 (дата звернення: 01.07.2024).
  7. Lakshman A., Malik P. Cassandra. ACM SIGOPS operating systems review. 2010. Т. 44, № 2. С. 35—40. URL: https://doi.org/10.1145/1773912.1773922 (дата звернення: 03.07.2024).
  8. AWS whitepapers & guides. Amazon Web Services, Inc. URL: https://aws.amazon.com/ whitepapers/ (дата звернення: 23.06.2024).
  9. Louppe G. Understanding random forests: from theory to practice. Choice reviews online. 2014. Т. 45, № 02. С. 45-0602-45- URL: https://doi.org/10.5860/choice.45-0602 (дата звернення: 03.07.2024).
  10. Maulud D., Abdulazeez A. M. A review on linear regression comprehensive in machine learning. Journal of applied science and technology trends. 2020. Т. 1, № 4. С. 140—147. URL: https://doi.org/10.38094/jastt1457 (дата звернення: 21.07.2024).
  11. Distributed computing and artificial intelligence, special sessions, 17th international conference / ред.: S. Rodríguez González та ін. Cham: Springer International Publishing, 2021. URL: https://doi.org/10.1007/978-3-030-53829-3 (дата звернення: 23.06.2024).
  12. Narayan Y. Direct comparison of SVM and LR classifier for SEMG signal classification using TFD features. Materials today: proceedings. 2021. Т. 45. С. 3543—3546. URL: https://doi.org/10.1016/j.matpr.2020.12.979 (дата звернення: 29.06.2024).
  13. Ahmed M., Seraj R., Islam S.M.S. The k-means algorithm: a comprehensive survey and performance evaluation. Electronics. 2020. Т. 9, № 8. С. 1295. URL: https://doi.org/ 3390/electronics9081295 (дата звернення: 27.07.2024).
  14. Machine learning-based method for predicting compressive strength of concrete / D. Li та ін. Processes. 2023. Т. 11, № 2. С. 390. URL: https://doi.org/10.3390/pr11020390 (дата звернення: 25.06.2024).
  15. Brownlee J. A gentle introduction to the gradient boosting algorithm for machine learning. Machine Learning Mastery. URL: https://machinelearningmastery.com/gentle-introduction- gradient-boosting-algorithm-machine-learning/ (дата звернення: 03.07.2024).
  16. LightGBM: accelerated genomically designed crop breeding through ensemble learning / J. Yan та ін. Genome biology. 2021. Т. 22, № 1. URL: https://doi.org/10.1186/s13059-021-02492-y (дата звернення: 01.07.2024).
  17. Hancock J.T., Khoshgoftaar T.M. CatBoost for big data: an interdisciplinary review. Journal of big data. 2020. Т. 7, № 1. URL: https://doi.org/10.1186/s40537-020-00369-8 (дата звернення: 13.06.2024).
  18. Water quality prediction and classification based on principal component regression and gradient boosting classifier approach / M.S. Islam Khan та ін. Journal of king saud university — computer and information sciences. 2021. URL: https://doi.org/10.1016/ j.jksuci.2021.06.003 (дата звернення: 21.06.2024).
  19. Ridge regression and its applications in genetic studies / M. Arashi та ін. Plos one. 2021. Т. 16, № 4. С. e0245376. URL: https://doi.org/10.1371/journal.pone.0245376 (дата звернення: 02.07.2024).
  20. Lee J.H., Shi Z., Gao Z. On LASSO for predictive regression. Journal of econometrics. 2021. URL: https://doi.org/10.1016/j.jeconom.2021.02.002 (дата звернення: 20.06.2024).
  21. Advanced machine learning technologies and applications / ред.: A.E. Hassanien, R. Bhatnagar, A. Darwish. Singapore : Springer Singapore, 2021. URL: https://doi.org/ 10.1007/978-981-15-3383-9 (дата звернення: 21.06.2024).

СІНЬКО Дмитро Павлович, аспірант Інституту проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України. В 2009 р. закінчив Луганський державний університет внутрішніх справ ім. Е.О. Дідоренка. Область наукових досліджень — теорія та методи штучного інтелекту.

СІНЬКО Костянтин Дмитрович, студент Національного технічного університету України «Київський політехнічний інститут ім. Ігоря Сікорського». Область наукових досліджень — штучний інтелект, розподілені обчислювальні системи, програмування.

Повний текст: PDF

Використання штучного інтелекту та алгоритмів теорії графів для регулювання трафіку транспортних засобів

П.К. Ніколюк, д-р фіз.-мат. наук, О.В. Зелінська, канд. техн. наук.

Донецький національний університет ім. Василя Стуса
Україна, 21021, Вінниця, вул. 600-річчя, 21
тел. +38(096)0113638, e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.
тел. +38(096)6702918, e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.

Èlektron. model. 2025, 47(1):40-52

https://doi.org/10.15407/emodel.47.01.040

АНОТАЦІЯ

Принциповим питанням міського трафіку є час проїзду транспортного засобу (ТЗ) по вибраному маршруту. Зрозуміло, що цей час треба зробити мінімальним для кожного водія. У великому місті таких водіїв може бути понад мільйон. Базовим елементом а заодно і базовою проблемою регулювання трафіку у мегаполісі є окреме перехрестя. Саме цей об’єкт, де перетинаються міські дороги, є і основною причиною а також і джерелом заторів. Тому першочергово необхідно здійснити інтелектуальну регуляцію проїзду ТЗ через окреме перехрестя. Організувавши ефективний рух через такий об’єкт, досягнемо високої ефективності трафіку по всьому місту. Існує цілий спектр підходів до вирішення проблеми регулювання трафіку через перехрестя. Важливим напрямком є використання комп’ютерного моделювання на основі методів штучного інтелекту (ШІ). Запропонова­но модель перехрестя та алгоритм реалізації проїзду автомобілів через такий об’єкт на основі ШІ, що дозволяє оптимізувати трафік. Запропоновано другий важливий аспект оптимізації трафік-процесу, що базується на моделюванні міської транспортної мережі з допомогою орієнтованого непланарного зваженого мультиграфа. Для оптимізації проїз­ду кожного ТЗ по вибраному маршруту використовуються алгоритми теорії графів.

КЛЮЧОВІ СЛОВА:

міський трафік, штучний інтелект, транспортний засіб, тео­рія графів.

СПИСОК ЛІТЕРАТУРИ

  1. Yao H., Li X., Li Q., Yu C. Safety aware neural network for connected and automated vehicle operations // Transportation Research Part E: Logistics and Transportation Review, 2024, 192, 103780, DOI: 10.1016/j.tre.2024.103780.
  2. Bharadiya J. Artificial Intelligence in Transportation Systems a Critical Review // Ame­rican Journal of Computing and Engineering, 2023, Vol. 6, Is. 1, pp. 35—45, DOI: 10.47672/ajce.1487.
  3. Liang X., Guler S., Gayan V. An equtable traffic signal control scheme at isolated inter­sections using Connected Vehicle technology // Transp. Research Part C, 2020, Vol. 110, pp. 8—97. DOI: 10.1016/j.trc.2019.11.005
  4. Majid , Lu C., Karim H. An integrated approach for dynamic traffic routing and ramp metering using sliding mode control // J. of Traffic and Transportation Engineering (English Edition), 2018, Vol. 5, DOI: 10.1016/j.jtte.2017.08.002
  5. Boguto D.G., Kadomskiy K.K., Nikolyuk P.K., Pidgurska A.I. Algorithm of intelligent urban traffic // Bulletin of V. Karazin Kharkiv National University, Series “Mathematical Modeling. Information Technology. Automated Control System”, 2019, Vol. 42, pp. 12— Режим доступу: https://cutt.ly/uPR3J6w
  6. Porwal S., Khamesra J., Gupta R. et. al. Density based smart traffic control and mana­ge­ment system // Journal of Emerging Technologies and Innovative Research, 2021, Vol. 8, Is. 10, pp. 416— DOI: 10.1729/Journal.28283
  7. Tao T., Qian S. Do Smart Loading Zones help reduce traffic congestion? A causal ana­lysis in Pittsburgh // Transportation Research Part E, 2024, Vol. 192, 103796, DOI: 1016/j.tre.2024.103796
  8. Rahimipour S., Moeinfar R., Hashemi S. Traffic prediction using a self-adjusted evolu­tio­nary neural network //J. Mod. Transport, 2019,Vol. 27, pp. 306—316, DOI: 1007/ s40534-018-0179-5
  9. Zargiannaki E., Tzouras P., Antoniou E. et. al. Assessing the impacts of traffic calming at net­work level: A multimodal agent-based simulation // Journal of traffic and transportation engi­neering (English edition), 2024, Vol. 11, No 1, pp. 41—54, DOI: 10.1016/j.jtte. 01.003.
  10. Chetan G., Tushar N., Vinit P. et. al. Applying Advanced Technology For Traffic Management System // IOSR Journal of Mechanical and Civil Engineering, 2021, 18, Is. 4, pp. 8—12, DOI: 10.9790/1684-1804030812.
  11. Ganga B., Nagamani K. Implementation of intelligent traffic management system using IoT // International Journal of Electrical Engineering and Technology, 2020, Vol. 11, Is. 5, pp. 22—30, DOI: 10.34218/ijeet.11.5.2020.003.
  12. Godson S., Monday O., Oluwaseun E. et. al. Smart Transportation System for Solving Urban Traffic Congestion // Review of Computer Engineering Studies, 2020, Vol. 7, No. 3, 55—59, DOI: 10.18280/rces.070302.
  13. Olayode I., Du B., Severino A. et. al. Systematic literature review on the applications, impacts, and public perceptions of autonomous vehicles in road transportation system // Journal of traffic and transportation engineering (English edition), 2023, Vol. 10, No. 6, pp. 1037—1060, DOI: 10.1016/j.jtte.2023.07.006.
  14. Hoang A., Walton N., Hai L. Optimal decentralized signal control for platooning in connected vehicle networks // Transportation Research Part C, 2024, Vol. 167, article 104832, DOI: 10.1016/j.trc.2024.104832.
  15. Nikolyuk P., Neskorodieva T., Fedorov E. et. al. Intellectual algorithm implementation for megacity traffic management // CEUR Workshop proceedings, Information Technology and Interactions. 2021, V. 2845, pp. 400—408. Режим доступу: https://ceurspt.wikidata.dbis.rwth-aachen.de/Vol-2845/Paper_37.html.

НІКОЛЮК Петро Карпович, д-р фіз.-мат. наук, професор кафедри інформаційних тех­нологій Донецького національного університету ім. Василя Стуса. У 1977 р. закінчив Київський національний університет ім. Тараса Шевченка. Область наукових дослід­жень — моделювання систем, інформаційні технології, фізика високотемпературної надпровідності.

ЗЕЛІНСЬКА Оксана Владиславівна, канд. техн. наук, зав. кафедри інформаційних тех­нологій Донецького національного університету ім. Василя Стуса. У 2001 р. закінчила Вінницький державний технічний університет. Область наукових досліджень — інфор­маційні технології, бази даних, економіко-математичне моделювання, web технології.

Повний текст: PDF

Програмовні пристрої з керованою багаторівневою деградацією: моделі, методи реконфігурації та аналізу реконфігуропридатності

О.О. Вдовіченко, В.С. Харченко, д-р техн. наук

Національний аерокосмічний університет
«Харківський авіаційний інститут»
Україна, 61070, Харків, вул. Вадима Манька, 17
е-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.;
е-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.

Èlektron. model. 2025, 47(1):53-77

https://doi.org/10.15407/emodel.47.01.053

АНОТАЦІЯ

Досліджено моделі керованої багаторівневої деградації (КБД), надійності та живучості програмовних пристроїв (ПП). Розглянуто та класифіковано відомі платформи ПП, їх потенційні можливості щодо реконфігурації при відмовах. Надано якісну оцінку кож­но­му класу ПП, досліджено ознаки реконфігуропридатності (РП), запропоновано відпо­від­ні метрики для аналізу РП. Запропоновано моделі компонентів, дефектів і процедур реконфігурації при відмовах, які призводять до погіршення якості функціонування ПП. Проаналізовано структурні схеми надійності для нерезервованих ПП і різних процедур реконфігурації. Надано формальне визначення КБД та умов її реалізації. Описано бага­тофрагментну марковську модель для обчислення функції готовності ПП з КБД. Запро­поновано послідовність аналізу і визначення метрик РП ПП. Надано приклади аналізу реальних ПП з БКД.

КЛЮЧОВІ СЛОВА:

програмовні пристрої, моделі надійності, реконфігурація, керо­вана багаторівнева деградація, реконфігуропридатність, метрики.

СПИСОК ЛІТЕРАТУРИ

  1. Харченко В.С., Благодарный Н.П. О реконфигуропригодности цифровых систем. Електронне моделювання № 6. 1998; с. 81—93.
  2. Pan G., Li D., Li Q., Huang C., Mo B. A Reliability Evaluation Method for Multi-per­formance Degradation Products Based on Accelerated Degradation Testing. 2022 IEEE 10th Joint International Information Technology and Artificial Intelligence Conference (ITAIC). 2022; pp. 1871—1875, Chongqing, China, DOI: 10.1109/ITAIC54216.2022. 9836924.
  3. Lisnianski, A., Levitin, G., Multi-State System Reliability. World Scientific Publishing Company. 2003; Available at: https://www.perlego.com/book/853040/multistate-system-reliability-assessment-optimization-and-applications-pdf (Accessed: 14 October 2022).
  4. Zaitseva E., Sedlacek P., Forgac A. The matrix procedures for calculation of importance measures. Radioelectronic and computer systems. 2019; pp. 71—78, DOI: 10.32620/reks. 2019.4.08.
  5. Zaitseva E., Levashenko V., Mysko V., Czapp S., Zhaxybayev D. Availability of UAV Fleet Evaluation Based on Multi-State System. IEEE vol. 12. 2024; pp. 15290—15307, DOI: 10.1109/ACCESS.2024.3358198.
  6. Zaitseva E., Levashenko V., Rabcan J. A new method for analysis of Multi-State systems based on Multi-valued decision diagram under epistemic uncertainty. Reliability Engineering & System Safety, Vol. 229, 2023; ISSN 0951-8320, DOI: 1016/j.ress.2022.108868.
  7. Tahiri I., Philippot A., Carré-Ménétrier V., Tajer A. A Fault-Tolerant and a Reconfigurable Control Framework: Application to a Real Manufacturing System. Processes. 2022; 10(7):1266. DOI:10.3390/pr10071266.
  8. Gui Y., Jia Q., Li H., Cheng Y. Reconfigurable Fault-Tolerant Control for Spacecraft Formation Flying Based on Iterative Learning Algorithms. Applied Sciences. 2022; 12(5):2485. DOI:10.3390/app12052485.
  9. Wang Y., Chen R. Multiple Sensor Fail-Operational Architecture for Electric Vehicle Powertrain Control System. Electronics. 2021; 10(11):1306. DOI:10.3390/electronics10111306.
  10. Abbaspour A., Mokhtari S., Sargolzaei A., Yen K. A Survey on Active Fault-Tolerant Control Systems. Electronics. 2020; 9(9):1513. DOI:10.3390/electronics9091513.
  11. Li J., Zhang S., Bao C. DuckCore: A Fault-Tolerant Processor Core Architecture Based on the RISC-V ISA. Electronics. 2022; 11(1):122. DOI:10.3390/electronics11010122.
  12. Gantel L., Berthet Q., Amri E., Karlov A., Upegui A. Fault-Tolerant FPGA-Based Na­nosatellite Balancing High-Performance and Safety for Cryptography Application. Electronics. 2021; 10(17):2148. DOI:10.3390/electronics10172148.
  13. Zhang F., Zhang Z., Zhang Z., Wang T., Han J., Amirat Y. A Fault-Tolerant Control Method Based on Reconfiguration SPWM Signal for Cascaded Multilevel IGBT-Based Propulsion in Electric Ships. Journal of Marine Science and Engineering. 2024; 12(3):500. DOI:10.3390/jmse12030500.
  14. Stetter R., Pulm U. Strategies and Methods for the Fault-Tolerant Function Development of Multi-Domain Systems. Applied Sciences. 2024; 14(24): DOI:10.3390/ app142411646.
  15. Wang M., Wang J., Huang J. Concomitant Observer-Based Multi-Level Fault-Tolerant Control for Near-Space Vehicles with New Type Dissimilar Redundant Actuation System. Symmetry. 2024; 16(9):1221. DOI:10.3390/sym16091221.
  16. Melo M., Aquino G. FaTEMa: A Framework for Multi-Layer Fault Tolerance in IoT Systems. Sensors. 2021; 21(21):7181. DOI:10.3390/s21217181.
  17. Li C., Wang W., Yang M., Wang J., Ma T., Wang D. Research on the Classification Method of Reliability Critical Parts and Important Parts. 2022 4th International Conferen­ce on System Reliability and Safety Engineering (SRSE). 2022; pp. 1—6, Guangzhou, China, DOI: 10.1109/SRSE56746.2022.10067334.
  18. Deng R., Deng C., Wang R., Gong W., Cai Z., Jiang K. Research on Reliability Life Evaluation Method Based on Airborne T/ R Components. 2021 22nd International Conference on Electronic Packaging Technology (ICEPT). 2021; pp. 1—4, Guangzhou, China, DOI: 10.1109/ICEPT52650.2021.9568016.
  19. Tian W., Zha W., Lei H., Yang X. Research and Analysis of Reliability Evaluation Methods for Automotive Electronic Components. 2024 25th International Conference on Electronic Packaging Technology (ICEPT). 2024; pp. 1—4, Tianjin, China, DOI: 10.1109/ 2024.10668438.
  20. Федасюк Д.В., Волочій С.Б. Cтруктурно-автоматна модель відмовостійких систем для автоматизації використання методу фаз Ерланга. Радіоелектронні і комп’ютерні системи. 2016; № 3 (77), с. 78—92, ISSN 1814-4225, DOI: 10.32620/reks.2016.3.10.
  21. Одарущенко О.М., Одарущенко О.Б., Харченко В.С. Марковські моделі оцінювання функціональної безпеки програмно-технічних комплексів на самодіагностовних програмовних платформах з урахуванням помилок засобів контролю. Радіоелект­ронні і комп’ютерні системи. 2019; с. 15—29, DOI: 10.32620/reks.2019.4.02.
  22. Ozirkovskyy L., Volochiy B., Shkiliuk O., Zmysnyi M., Kazan P. Functional safety analysis of safety-critical system using state transition diagram. Radioelectronic and computer systems. 2022; pp. 145—158, DOI:10.32620/reks.2022.2.12.
  23. Vdovichenko, O., Kharchenko, V., Perepelitsyn, A. Fault-tolerant Microcontroller Chip with Controlled Degradation: Models of Failures, Bootloader-based Reconfiguration and Dependability Assessment. Proceedings of the 14th International Conference on Dependable Systems, Services and Technologies (DESSERT-2024), Athens, Greece, October 11—13; pp. 1—7.

ВДОВІЧЕНКО Олександр Олександрович, магістр комп’ютерної інженерії, асистент кафедри комп’ютерних систем, мереж і кібербезпеки Національного аерокосмічного університету «Харківський авіаційний інститут». Область наукових досліджень — за­безпечення надійності програмовних пристроїв і вбудованих систем.

ХАРЧЕНКО Вячеслав Сергійович, д-р техн. наук, професор, зав. кафедри комп’ютерних систем, мереж і кібербезпеки Національного аерокосмічного університету «Харківський авіаційний інститут». У 1974 р. закінчив Харківське вище військове командно-інженер­не училище ракетних військ. Область наукових досліджень — теорія, методи і техно­логії критичного комп’ютингу та гарантоздатних систем, функційна та кібербезпека, надійність інтелектуальних безпілотних комплексів, якість і резильєнтність систем штучного інтелекту.

Повний текст: PDF