МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ

РОССИЙСКОЙ ФЕДЕРАЦИИ

ФИЛИАЛ ГОСУДАРСТВЕННОГО ОБРАЗОВАТЕЛЬНОГО УЧРЕЖДЕНИЯ

ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ
«МОСКОВСКИЙ ЭНЕРГЕТИЧЕСКИЙ ИНСТИТУТ
(ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ)»
в г. Смоленске

Е.Д. КАРАСЁВ

Компьютерные
модели надѐжности
электроэнергетических систем
Методическое пособие по курсу
«Надѐжность электроэнергетических систем»

Смоленск 2010
УДК 621.311:004 (076.5)
К 21

Допущено учебно-методическим советом филиала ГОУВПО «МЭИ (ТУ)» в г.Смоленске

в качестве методических рекомендаций для студентов филиала «МЭИ (ТУ)», обучаю-
щихся по направлению 140200 «Электроэнергетика» и специальности 140205 «Электро-
энергетические системы и сети».

Подготовлено на кафедре «Электроэнергетических систем»

Рецензент
канд. техн. наук, доцент каф. электроэнергетических систем ГОУВПО «МЭИ (ТУ)» в г.
Смоленске Л.И.Долецкая

Карасѐв, Е.Д. Компьютерные модели надѐжности электроэнергети-ческих

К21 систем [Текст]: Методические рекомендации к практическим занятиям по
курсу «Надѐжность электроэнергетическихсистем». – Смоленск: РИО филиала
ГОУВПО «МЭИ (ТУ)» в г.Смоленске. – 48 с.

В пособии описан комплект документов MathCAD’а, демонстрирующих принципы

построения математических моделей электроэнергетических систем, предназначенных
для анализа структурной надѐжности. Студенты, обучающиеся по специальности «Элек-
троэнергетические системы и сети», работают с этими документами в дисплейном клас-
се при проведении практических занятий по курсу «Надѐжность электроэнергетических
систем». В пособии рассмотрены основные законы распределения случайных величин,
методы оценки параметров распределений и проверки статистических гипотез, прогно-
зирования надѐжности на основе аппарата марковских цепей, аналитические и имитаци-
онные средства оценки надѐжности структур электроэнергетических систем.

Учебно-методическое издание

Карасѐв Евгений Дмитриевич

Компьютерные модели надѐжности электроэнергетических систем.

Методические рекомендации к практическим занятиям по курсу
«Надѐжность электроэнергетических систем»

Технический редактор М.А. Андреев

Корректор Л.И.Чурлина.
_________________________________________________________________
Темплан издания ГОУВПО «МЭИ (ТУ)» в г.Смоленске, 2010 г., метод.
Подписано в печать 24.11.2010 г.
Формат бумаги 6084 116 . Тираж 50 экз. Печ. л. 3,0. Усл. печ. л. 2,79.
________________________________________________________________
Издательский сектор издания филиала ГОУВПО «МЭИ (ТУ)» в г.Смоленске
214036 г.Смоленск, Энергетический проезд, 1
 филиал ГОУВПО «МЭИ (ТУ)» в г. Смоленске, 2010
 3

Содержание
Содержание 3
Предисловие 5
1. ЗАКОНЫ РАСПРЕДЕЛЕНИЯ СЛУЧАЙНЫХ ВЕЛИЧИН 6
1.1. Принципы именования в MathCAD’е функций
распределения случайных величин 6
1.2. Нормальное распределение 6
1.3. Биномиальное распределение 8
1.4. Распределение Пуассона 9
1.5. Экспоненциальное распределение 10
1.6. Гамма-распределение 10
2. СТАТИСТИЧЕСКИЕ ОЦЕНКИ 12
2.1. Предмет исследования 12
2.2. Точечные оценки 13
2.2.1. Расчѐт значений 13
2.2.2. Достоверность оценки математического ожидания 14
2.2.3. Достоверность оценки среднеквадратического
уклонения 14
2.3. Проверка гипотезы о виде распределения 15
3. Марковские процессы 17
3.1. Прогнозирование работоспособности энергоблока 17
3.1.1. Расчѐт стационарных значений вероятностей 18
3.1.2. Аналитический расчѐт временны' х зависимостей 19
3.1.3. Численное решение дифференциальных уравнений
Колмогорова 20
3.2. Расчѐт показателей надѐжности системы с поглощающим
состоянием 22
3.2.1. Расчѐт стационарных значений вероятностей 22
3.2.2. Прогнозирование отказа 22
3.2.3. Наработка до отказа 22
4. РАСЧЁТ НАДЁЖНОСТИ ПРОСТЕЙШИХ СТРУКТУР 24
4.1. Показатели надѐжности элементов 24
4.2. Показатели надѐжности системы в целом 25
5. РАСЧЁТ НАДЁЖНОСТИ СТРУКТУР ОБЩЕГО ВИДА 27
5.1. Формализация и расчѐтные соотношения 27
 4

5.2. Операции с множествами 28

5.3. Расчѐтная схема 30
5.4. Формирование минимальных сечений 31
6. ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ НАДЁЖНОСТИ 36
6.1. Расчѐтная схема 37
6.2. Параметры элементов 37
6.3. Функция работоспособности системы 39
6.3.1. Идея расчѐта 39
6.3.2. Программная реализация 39
6.4. Имитация хронологии событий 40
6.5. Статистическая обработка результатов 42
6.6. Гипотеза о пуассоновском характере потока
восстановлений 43
6.7. Достоверность статистических оценок 43
Приложение Операции с множествами 45
Список литературы 48
 5

Предисловие
При изучении надѐжности электроэнергетических систем широко
используют вероятностные математические модели. Их применяют
для составления прогнозов, при статистической обработке и интерпре-
тации данных эксплуатации, в процессе технико-экономической про-
работки проектных решений, а также для оценки рисков, присущих
текущему оперативному состоянию. Исследование надѐжности самых
простых систем зачастую требует построения отнюдь не тривиальных
моделей. Для их адекватного восприятия нужно не только знать прин-
ципы построения электроэнергетических систем, но и обладать навы-
ками создания математических моделей и работы с ними. Пособие
призвано помочь в приобретении этих навыков.
В качестве средства построения моделей в настоящем пособии
принята система MathCAD (версия 14). Она широко используется в
учебном процессе, и, когда студенты на пятом курсе приступают к
изучению теории надѐжности, этой системой они уже владеют. Даже
не искушѐнный в программировании пользователь, обладающий мате-
матической подготовкой в объѐме, предусмотренном образовательным
стандартом, способен просто и скоро решать умеренно сложные мате-
матические задачи на MathCAD’е. Разработчикам этой системы уда-
лось найти удачный компромисс между скромностью палитры ин-
струментов и богатством еѐ возможностей. Применение же традици-
онной математической нотации в документах MathCAD’а облегчает их
восприятие, делая модели наглядными и легко модифицируемыми.
Пособие демонстрирует, как в знакомой программной среде мож-
но решать типичные задачи надѐжности. Оно дает возможность эти
модели прочувствовать, поэкспериментировать с ними, ощутить смысл
основных понятий и концепций теории надѐжности применительно к
электроэнергетике. Теоретические вопросы затрагиваются в той мере,
которая обеспечила бы целостность и однозначность восприятия.
Практические занятия по курсу «Теория надѐжности электроэнер-
гетических систем» проводятся в дисплейном классе. Документ
MathCAD’а, описанный в соответствующем разделе настоящего посо-
бия, студент получает в виде файла. Основа модели в нѐм уже заложе-
на. Но некоторые формулы, графики или их фрагменты скрыты, или
заменены заглушками в облике символов ■ или ъ. Требуется, дополнив
модель, получить ответы на поставленные в документе вопросы.
 6

1. ЗАКОНЫ РАСПРЕДЕЛЕНИЯ
СЛУЧАЙНЫХ ВЕЛИЧИН
1.1. Принципы именования в MathCAD’е функций
распределения случайных величин
В MathCAD встроены1 средства для работы с основными распре-
делениями случайных величин, используемыми в математической ста-
тистике и теории надѐжности. Закон распределения закодирован в
имени функции, начиная со второго символа. Начальный же символ
указывает на принадлежность функции к одной из четырѐх категорий:
d (density – плотность) – (локальная) функция распределения: веро-
ятность конкретного значения для дискретной случайной величи-
ны и плотность вероятности для величины непрерывной;
p (probability – вероятность) – (интегральная) функция распределе-
ния, т.е. вероятность того, что случайная величина не превзойдѐт
конкретного значения;
q (quantile) – функция, обратная предыдущей, квантиль, она равна
пороговому значению, вероятность не превзойти которое задана;
r (random – случайный) – функция, генерирующая выборку (вектор)
значений случайной величины с заданным законом распределе-
ния.

1.2. Нормальное распределение

Встроенные функции:
1  x 2
1   
2   
dnorm( x,  ,  )  e – плотность вероятности;
 2
x
pnorm( x,  ,  )   dnorm( ,  ,  )d – функция распределения;

qnorm(p,,) – p-квантиль: корень q уравнения p = pnorm(q,,);
rnorm(m,,) – вектор из m случайных величин.

1
Полный перечень встроенных функций законов распределения можно найти
в справочной системе MathCAD'а по адресу «Functions / Statistics / Density and
distribution functions».
 7

Сгенерируем выборку из m:=1000 случайных чисел, построим для

неѐ гистограмму, которую и сравним с графиком ожидаемого числа
точек выборки в интервалах группировки.
Математическое ожидание:   0
Среднеквадратическое уклонение:   2
Число интервалов на гистограмме: NInt  20
Вектор случайных чисел: N  rnorm( m )
Границы диапазона значений выборки:
Low er  floor( min( N ) ) Upper  ceil( max( N ) )
Upper  Low er
Ширина интервалов группировки: h 
Границы интервалов группировки: NInt
i  0  NInt Int  Low er  h  i
i
Числа попадания случайных значений в интервалы:
k  0  NInt  1 f  histogram( Int N )
Теоретическая кривая нормального распределения:
F( x)  m h  dnorm( x )

 

 1 100
f
 
F ( Int )
50

0
5 0 5
 0
f

Гистограмма
Теоретическая кривая
Сгенерируйте последовательно1 несколько выборок случайной
величины, отображая каждый раз значения на графике. Выясните, как

1
Принудительный пересчѐт документа можно заказать горячей комбинацией
клавиш Ctrl+F9 или через меню: Tools / Calculate / Calculate Worksheet.
 8

зависит различие между гистограммой и теоретической кривой от объ-

ѐма выборки m. Для этого выполните несколько серий расчѐтов, с раз-
ными m.
1.3. Биномиальное распределение
Если в каждом из n независимых опытов серии событие наступает
с вероятностью p, то общее число k наступивших событий в серии
подчинено этому закону.
n k n k
dbinom ( k n p )  p  ( 1  p)
Встроенные pbinom(k,n,p) k ( n  k)
функции: qbinom(p,n,r)
rbinom(m,n,p)
Воздушный выключатель с номинальным напряжением 35 кВ
отказывает в срабатывании [1, с.181] с вероятностью p  0.013.
На подстанции имеется B  20 таких выключателей.
В год каждый из них получает K  8 команд на срабатывание.
Таким образом, за год поступает n  B K  160 заявок.
Ожидаемое число отказов
Вероятности того, что за это время
составит ъ ъ 
произойдѐт ровно k  0  5 отказов
Ровно один выключатель
0.3 откажет с вероятностью
dbinom ( 1 n p )  0.26
0.2 Отказов не будет
с вероятностью ъ 
0.1 Отказы возникнут
с вероятностью ъ  ъ 
0 1 2 3 4 5 6 Найдѐм медиану распределения.
С вероятностью r  50 % число
Вероятности того, что
1 за год произойдѐт отказов не превзойдѐт величины
0.8 более k отказов k  qbinom ( r n p )  2 .
Убедимся, что
0.6
p ( k  1)  r  p ( k)
0.4
0.2 pbinom ( k  1 n p )  38%
pbinom ( k n p )  65%
0 1 2 3 4 5 6
Найдите 99-процентную квантиль самостоятельно.
 9

1.4. Распределение Пуассона

Оно характеризует вероятность появления ровно k независимых
событий в единицу времени, если ожидаемое число событий для лю-
бого единичного временнóго интервала одинаково и составляет .
k
 
dpois ( k  ) e
Встроенные ppois(k,) k
функции: qpois(p,)
rpois(m,)
На каждые 100км ЛЭП 110кВ на металлических опорах в среднем
за год приходится [1, с.183]   0.89 аварийных отключений.
Общая протяжѐнность таких линий, находящихся в оперативном
подчинении РЭС, составляет L  500 км.
Интенсивность потока отказов:     L %  4.45 раз в год.
Вероятности того, что за t  1 год про- Ожидаемое число отка-
изойдѐт ровно k  0    t  2.5 отказов: зов составит ъ ъ 

0.2 Ровно один выключатель

откажет с вероятностью
0.15
dpois ( 1   t )  0.052
0.1
Отказов не будет
0.05
с вероятностью ъ 
0 2 4 6 8 10 12 Отказы возникнут
с вероятностью ъ  ъ 
Вероятности того, что за
1 Найдѐм 50- и 99-процентную
это время произойдѐт
квантили распределения.
0.8 более k отказов
0.6
С вероятностью r  ( 50 99 )  %
число отказов не превзойдѐт:
0.4  
k  ъ( ъ ъ ъ)
0.2
k  ( 4 10 )
0 2 4 6 8 10 12 Убедимся, чтоp ( k  1)  r  p ( k):
 
ppois ( k  1   t )  ( 35.1 98.4) %
 
ppois ( k   t )  ( 54.2 99.4) %
 10

1.5. Экспоненциальное распределение

Оно присуще временнóму интервалу t между событиями в про-
стейшем потоке (потоке Пуассона), если его (средняя) интенсивность
составляет  событий в единицу времени.
Положим, что потоки событий повреждения и восстановления
ЛЭП сетевого района являются простейшими. Тогда плотность веро-
ятности интервалов между авариями, по данным предыдущего пункта,
будет иметь вид:
6   t
dexp t    e
Встроенные pexp(t,)
pexp(t,)
4 функции:
 
dexp t  
qexp(p,)
qexp(p,)
rexp(m,)
2 rexp(m,)
Время до очередной аварии не
превысит год с вероятностью
0 0.5 1 ъ( ъ , ъ) =

t t  0.0001, 0.0011 ..1 час  (36524)–1 лет

Положим, что среднее время восстановления работоспособности
составляет tв  5 час . Тогда вероятность того, что прежде чем будет
ликвидирована одна авария, произойдѐт новая, составит:
p2  pexp(ъ  ъ)=
Вероятность наложения двух аварий в течение года составит примерно
 p2  0.011288 .
Более строго (но точнее ли?) еѐ можно рассчитать, приняв во вни-
мание, что, в принципе, по времени могут наложиться и более двух
аварий. Фактически, мы имеем дело с потоком наложений аварий, ко-
торый характеризуется средней интенсивностью ·p2 раз в год. Ис-
пользуя формулу для закона Пуассона, найдѐм вероятность появления
в этом потоке хотя бы одного события. Она чуть отличается от оце-
нѐнной ранее и составляет 1 – ppois( ъ , ъ· ъ) =

1.6. Гамма-распределение
Оно характеризует время x накопления в потоке Пуассона группы
из k событий, измеренное в долях от ожидаемого интервала между
отдельными событиями, или, в более общем случае, интервал между
событиями в потоке Эрланга k-го порядка (k при этом может быть и
нецелым).
 11

1
Плотности вероят-
ности для k=1,2,3
 
dgamma   t  1 Встроенные функции:
k1
x x
dgamma   t  2 dgamma( x k) e
0.5 pgamma(x,k)  ( k)
dgamma   t  3 qgamma(p,k)
rgamma(m,k)

0 1 2 3 4 5

 t
xВероятность того, что прежде чем будет ликвидирована одна
авария, произойдѐт новая, составит pgamma  tв  1  0.00254 .
Вероятность того, что число аварий за год превзойдѐт ожидаемое,
составит 1  pgamma( ъ  ъ)  .
С вероятностью r := 0.99 число аварий не превзойдѐт величины
k  ъ( ъ  ъ)= .
Убедимся в этом, рассчитав вероятности непревышения числа
аварий значений floor( k)  и ceil( k)  .
1  ъ( ъ  floor( k) )  % 1  ъ( ъ  floor( k) )  %
Время восстановления трансформатора с номинальным напряже-
нием 500 кВ подчинено [2, C.31] Г-распределению с =5 лет –1 и пара-
метром формы k=1.45. Проверьте, насколько сильно отличается поток
событий восстановления от простейшего, той же интенсивности /k.
Для этого постройте графики плотности вероятности времени
восстановления для потоков Пуассона и Эрланга, а, кроме того, сопо-
ставьте вероятности восстановления за указанные ниже времена.
За время t := ( 0.25 0.5 1 2 3 4 5 7 10 12 ) мес
работоспособность будет восстановлена с вероятностью:

 

Фактически: ъ ъ  k 
 tt  k 

 

Если принять гипотезу о про-  
ъ t    
стейшем потоке восстановлений: ъ t  k  
 k
 12

В каком диапазоне времѐн можно прогнозировать продолжитель-

ность аварийного ремонта, приняв допущение о простейшем потоке
событий восстановления? Попытайтесь объяснить расположение этого
диапазона времѐн конструктивными особенностями трансформатора.
Велика ли точность прогноза? Каким показателем вы бы эту точность
оценили? В каких единицах решили бы еѐ измерять: месяцах, процен-
тах? Как думаете, для трансформатора меньшего напряжения точность
прогноза будет выше? А переход к пуассоновской модели будет при-
емлем в большей или меньшей степени? – Получите ответ экспери-
ментально и попробуйте объяснить результат. Для сравнения возьмите
трансформатор напряжением 35 кВ, он, согласно [2, c.31], имеет
  23 лет -1 и k  0.08.

2. СТАТИСТИЧЕСКИЕ ОЦЕНКИ
2.1. Предмет исследования
При внезапном отключении силового оборудования регистриру-
ются времена его отключения и последующего включения. По этим
данным можно найти не только усреднѐнные числовые характеристи-
ки потока восстановления, но и оценить достоверность полученных
значений, а также выдвинуть и проверить гипотезу о законе распреде-
ления времени восстановления как случайной величины.
Сымитируем ситуацию. Положим, что предметом статистическо-
го анализа являются аварийные погашения секции сборных шин рас-
предустройств напряжением 110 кВ c масляными выключателями.
Отказы шин опишем, сгенерировав выборку случайных значений
времѐн восстановления по данным [2, c.44]. Примем для времѐн
Г-распределение с параметром формы k := 0.91 и  := 1.1 час-1.
Число аварий за год: n10. Именно для этого значения представ-
лены расчѐты в настоящем пособии (ширины страницы хватает для
размещения векторов). Вы же должны вести основные расчѐты для
выборки объѐмом n=20. Определите n не как переменную, а как кон-
станту, чтобы можно было область с присвоенным ей значением пере-
мещать по документу туда, где вы хотите увидеть результат.
1
Времена восстановления: t  rgamma( n  k)  
T
t  ( 0.66 0.28 0.78 1.49 1.67 0.68 0.18 1.02 0.35 0.16)
Постройте по этим цифрам гистограмму времѐн восстановления.
 13

2.2. Точечные оценки

2.2.1. Расчёт значений
Оценим по этим данным математическое ожидание и среднеквад-
ратическое уклонение времени восстановления.
Теоретические значения:
Математическое Среднеквадратическое
ожидание: уклонение: Дисперсия:
k k 2
   0.827    0.867 D    0.752
 n 
1
mean( t)
n
  t
i – выборочное среднее
i1
Встроенные n
 t  mean( t)  – оценка дисперсии
1

2
функции: Var( t) 
n1 i
i1
Stdev( t) Var( t) – оценка среднеквадрат. уклонения
Статистические оценки:
Математическое Среднеквадратическое
ожидание: уклонение: Дисперсия:
m  mean( t)  0.726 s  Stdev( t)  0.53 d  Var( t)  0.281
Повторите расчѐты 5–7 раз, вызывая принудительно пересчѐт до-
кумента и сравнивая каждый раз статистические оценки с фактиче-
скими значениями, которые даѐт теория. Выясните экспериментально:
как зависит точность оценок и их разброс от объѐма выборки. Для это-
го повторите серию оценок для n=50 и 500.
Повторите расчѐты 5–7 раз, вызывая принудительно пересчѐт до-
кумента и сравнивая каждый раз статистические оценки с фактиче-
скими значениями, которые даѐт теория. Выясните экспериментально:
как зависит точность оценок и их разброс от объѐма выборки. Для это-
го повторите серию оценок для n=50 и 500.
Вы могли убедиться, что полученные путѐм статистической обра-
ботки значения сами носят случайный характер. Оценим их достовер-
ность количественно. Чтобы воспользоваться стандартными приѐмами
оценки, предположим, что закон распределения времѐн не очень силь-
 14

но отличается от нормального. В дальнейшем обоснованность этой

гипотезы будет проверена.
2.2.2. Достоверность оценки математического ожидания
Чтобы оценить насколько близкó выборочное среднее m к мате-
матическому ожиданию , введѐм в рассмотрение статистику1, про-
порциональную их разности m  μ n  1 , которая распределена по
s
закону Стьюдента с (n–1) степенями свободы.
1
 k 1

 2 2
 k 1  x 
2 
dt( xk)  k B     1   
Встроенные pt(x,k)   2 2  k 
функции: qt(p,k) ( m)  ( n )
где B – бета-функция: B( mn )
rt(m,k) ( m  n )
Постройте график плотности вероятности этого распределения.
Чтобы проверить достоверность оценки математического ожида-
ния, оценим вероятность того, что m находится в :=10%-й зоне ис-
тинного значения .
 m   m 
ъ ε n  1, n  1  ъ  ε n  1, n  1  %
 s   s 
2.2.3. Достоверность оценки среднеквадратического
уклонения
Пропорциональная расчѐтной дисперсии статистика (n–1)d /D рас-
пределена по закону 2 c (n–1) степенями свободы, т.е. эквивалентна
сумме квадратов (n–1) независимых нормально распределѐнных слу-
чайных величин с =0 и =1.
0.5 k 1
( 0.5 x)  0.5 x
dchisq ( xk) 0.5 e
Встроенные pchisq(x,k)  ( 0.5 k)
функции: qchisq(p,k)
rchisq(m,k)
Постройте график плотности вероятности этого распределения.

1
Статистикой называют функцию от вектора случайных значений в выборке.
 15

Чтобы проверить достоверность оценки среднеквадратического

уклонения, оценим вероятность его попадания в  := 20%-ю зону ис-
тинного значения 
   
ъ 1  ε   n 1 , n 1  ъ 1  ε   n 1 , n 1  %
2 2

Выясните экспериментально: как зависит достоверность оценок от

объѐма выборки. Для этого повторите оценки для n=50 и 500. Про-
верьте, а насколько можно доверять самой оценке достоверности
оценки: велика ли дисперсия этого показателя?

2.3. Проверка гипотезы о виде распределения

Мы генерировали времена восстановления на базе -распределе-
ния, т.е. имели дело с выборками случайных величин, распределѐнных
именно по этому закону. Правда, при проверке достоверности точеч-
ных оценок исходили из нормального закона распределения этих же
величин. На практике закон распределения никогда достоверно из-
вестным не бывает. Его обычно выбирают, исходя не только из теоре-
тических соображений, но и традиций, опыта, удобств построения мо-
дели. Однако то, насколько принятый закон адекватен данным стати-
стики, проверяют – с помощью критериев согласия.
Проверим правдоподобие гипотезы о том, что времена восстанов-
ления шин распределены по нормальному закону с помощью критерия
Колмогорова. Его идея состоит в следующем [3, с.107].
Строят теоретическую F и эмпирическую f функции распределе-
ния. Определяют их максимальное расхождение – D = max|f—F| – и
определяют вероятность столь большого уклонения. Если она мала, то
теоретическое распределение считают ошибочным.
Значение функции распределения F(t), по определению, равно ве-
роятности того, что время восстановления  не превысит величины t.
Как построить эмпирическую функцию?
Будем рассуждать следующим образом. Упорядочим значения
времѐн восстановления в выборке t. Ось времени будет разбита этими
значениями на полуинтервалы, включающие левую границу и исклю-
чающие правую. В каждый из таких полуинтервалов, по определению,
может попасть ровно одно значение. Таким образом, вероятности по-
падания значений в каждый из n интервалов одинаковы и составляют
1/n. При этом вероятности непревышения некоторого значения скач-
ком возрастают на 1/n именно при переходе через границу полуинтер-
вала. Так что график эмпирической интегральной функции представ-
ляет собою неубывающую ломаную с одинаковыми высотами ступе-
 16

ней и разрывами на границах полуинтервалов, т.е. в точках очередных

значений упорядоченного вектора t. И, наконец, последний штрих.
Значение функции левее минимального из значений t равно нулю
(время восстановления не может оказаться ещѐ меньше), а еѐ значение
правее максимального из значений t равно единице (время восстанов-
ления наверняка это значение не превысит).
Упорядочим по возрастанию значения времѐн: t := sort(t)
T
t  ( 0.13 0.16 0.16 0.23 0.49 0.57 0.72 1.17 2.17 4.14)
Эмпирическая функция: f   return 0 if   t
1
return 1 if   t
n
for k  1  n  1
1
return k n
if t      t
k k 1

Вектор значений эмпирической функции: f  f( t).
T 1
f  ( 1 2 3 4 5 6 7 8 9 10) n
Вектор значений теоретической функции распределения с пара-
метрами  и , полученными путѐм статистической оценки:

F  ъ( ъ  ъ  ъ)
T 1
F  ( 2.49 2.55 2.55 2.75 3.45 3.7 4.16 5.53 8.23 9.93) n
1 Уклонение эмпирической
функции от теоретической:
0.8 
f
  max  f  F  0.284 
0.6
Колмогоров показал, что
0.4
F при n>20 статистика   n 
0.2 имеет функцию распределения
вида:
0
0 1 2 3 4 5 
 i  2 ( i x) 2
t K( x)  1  2  ( 1)  e 
i 1
Величина  может превзойти
Величина  может
заданное превзойти
значение x сзаданное значение x с вероятностью
вероятностью
Kol( x)  1  K( x)
 17

Kol(x) := 1 – K(x).
Запрограммируем эту функцию.
Kol( )  K  0 Плотность вероятности  :
2
sign  1
for i  1  23456789 1.5

s  exp2 ( i ) 
2 f ( ) 1
K  K  s  sign 0.5
sign  sign
0
7 0 0.5 1 1.5 2
return 2 K if s  10

По сымитированным данным эксплуатации:  √n −∙∆ = 0.9.
Вероятность такого или ещѐ большего уклонения равна ъ(ъ) = %
Исходя из =10%-го уровня значимости, оцените достоверность
гипотезы о том, что времена восстановления имеют:
 нормальное распределение с  и , полученными путѐм статисти-
ческой оценки;
 нормальное распределение с истинными значениями и ;
 Г-распределение с  и , полученными путѐм статистической
оценки;
 Г-распределение с истинными значениями  и .
На каждый из четырѐх поставленных вопросов ответьте, проанализи-
ровав 5 различных выборок объѐмом n=30, а затем объѐмом 300.
Попробуйте предсказать, а затем проверьте экспериментально:
будет ли отвергнута не отвергнутая прежде гипотеза, если
 одно из времѐн заменить нулѐм?
 одно из времѐн заменить значением ?
 все времена удвоить?
 к каждому времени добавить по 5.

3. Марковские процессы
3.1. Прогнозирование работоспособности
энергоблока
Конденсационный энергоблок мощностью 500 МВт характеризу-
ется [4] наработкой на отказ to := 16 суток и средним временем восста-
новления tв := 4 суток. Считая поток отказов-восстановлений простей-
 18

шим, из уравнений Колмогорова получим расчѐтные формулы для ко-

эффициентов готовности и вынужденного простоя, а также построим
временны ' е зависимости для вероятностей возможных состояний бло-
ка, когда его текущее состояние достоверно известно.
Условимся различать два состояния блока:
0. вынужденный простой – интенсивность переходов в него – ;
1. работоспособное – интенсивность переходов в него – .
Граф переходов и уравнение Колмогорова при таком понимании
состояний будут иметь следующий вид.

d  p0        p0 
0 1  
dt  p1        p1 

3.1.1. Расчёт стационарных значений вероятностей
Автоматизируем вывод формул, воспользовавшись средствами
символьной математики MathCAD'а.
Чтобы решить систему уравнений аналитически, еѐ нужно пред-
ставить в форме F(p0,p1…)=0. Получим вектор-функцию левых частей
уравнений, заказав символьное преобразование (<Ctrl> <Shift> .) вида
solve и перечислив искомые переменные через запятую.  

Матрица интенсивностей переходов: A       


   
Коэффициенты уравнений для предельных вероятностей состояний:
 1 1
uA          
uA     stack( 1 1 )  A   
 
   
Левые части уравнений для предельных вероятностей cостояний,
записанных в форме F(p)=0:
  1 
  p 0   
F p 0  p 1       uA          0
  p 1   0 
  
 p0  p1  1 
 
 
F p0  p1         p0   p1 
   p   p 
 0 1 
 19

Решив уравнения относительно p0 и p1, найдѐм таким образом

значения коэффициентов вынужденного простоя и готовности.
 p0 
F p 0 p 1    solve    
  

 p1   
Сколько дней в году простаивает энергоблок из-за аварий?
3.1.2. Аналитический расчёт временны
' х зависимостей
Решим теперь аналитически дифференциальные уравнения Кол-
могорова. Непосредственно этого MathCAD самостоятельно сделать не
сумеет. Поможем ему. Для этого перейдѐм к изображениям Лапласа,
решим полученную линейную систему уравнений аналитически, а за-
тем выполним обратное преобразование.
Переход к изображениям переведѐт исходные дифференциальные
уравнения в форму: p·1·X– X0 = A·X, где X – изображение вектора веро-
ятностей, X0 – значение этого вектора в начальный момент времени,
p – комплексный аргумент функций-изображений, заменяющий время.
Если исходное состояние агрегата нерабочее, то изображение
Лапласа для решения задаѐтся формулой:
1
 1   1 0 
X0    Lap( p  )  p    A(  )  X0
 0   0 1 
Чтобы получить временны' е зависимости, применим обратное
преобразование Лапласа. Учтѐм при этом, что оно на MathCAD'е опре-
делено только для скалярных функций, и закажем отдельное преобра-
зование для каждого элемента вектора изображений. Для большей
компактности результата сгруппируем члены, пропорциональные +.
     e (   )  t 
invlaplace  p
  
i  0 1 Lap  p      i substitute      
 
collect    1  e (    )  t 
  
substitute        
 20

3.1.3. Численное решение дифференциальных уравнений

Колмогорова
Решим в числах эти же дифференциальные уравнения. Для этого
воспользуемся встроенной функцией, реализующей метод Булирша-
Штѐра – Bulstoer(X0, t0, t , n , F).
Функция предназначена для решения задачи Коши, т.е. матрично-
го дифференциального уравнения вида dX/dt = F(t,X) при известном
значении вектора X0 в начальный момент времени t0. Значением функ-
ции является таблица из (n+1) равноотстоящих по времени отсчѐтов во
временнóм диапазоне от t0, до t включительно. Каждая строка соот-
ветствует одному отсчѐту времени, который указывается еѐ начальным
элементом. Далее в строке перечисляются значения всех компонентов
вектора X для этого момента времени.
Протяжѐнность интервала моделирования: ∞ := 20.
Число временны ' х интервалов
Число временных наинтервалов
этом диапазоне:
на этом = ∞·5.
n :диапазоне: n   5
Правые части дифференциальных
Правые части диф. уравнений: уравнений: F( t  p )  A       p.
X0  0X0 0 n 
 Bulstoer
B  BBulstoer   F n  F

 0 1 0  1
 
 0.2 0.952 0.048  1
 1 B
 0.4 0.906 0.094 B
B   0.6 0.137
 2
0.5
0.863  2 B
  B
 0.8 0.823 0.177
 1 0.785 0.215
  0  0
 1.2 0.75 0.25  0 B
10 20
 0
B
Сконструируем функцию Duration(B, ), которая определит про-
должительность переходного процесса. Допустим, что установивший-
ся режим наступает при вхождении вероятности простоя в зону еѐ
предельного значения, ширина которой составляет долю  от разницы
между начальным и предельным значениями.
 21

Duration  B    Start  B
0 1
Final  B
rows( B)  1  1
for t  0  row s( B)  1
B  Final
t1
return B if 
t0 Start  Final
Задание
1. Рассчитайте время вхождения в 10-, 5-, 2- и 1-процентные зоны.
2. Повторите расчѐты п.3.1.3, предположив, что энергоблок первона-
чально находится в рабочем состоянии.
3. Постройте графики переходного процесса и рассчитайте его про-
должительность для более типичного (т.е. более надѐжного) эле-
мента – масляного выключателя напряжением 220кВ. Для него
наработка на отказ составляет [5, с.96] to := 25 лет, а среднее время
восстановления – tв := 2 суток.
4. Получите ответы на следующие вопросы:
4.1. Какая из вероятностей скорее достигает стационарного значе-
ния: вероятность простоя или работоспособного состояния?
4.2. Стационарный процесс наступает скорее, если объект в исход-
ном состоянии был работоспособен, или нет?
4.3. Чем определяется скорость затухания переходного процесса:
временем восстановления или наработкой на отказ?
4.4. Сейчас энергоблок простаивает из-за аварии. Какова вероят-
ность, что он будет работоспособен через сутки?
4.5. Энергоблок только что был экстренно остановлен. Какова ве-
роятность, что он будет работоспособен через сутки? А вероят-
ность того, что он успеет восстановить работоспособность за
сутки (но, быть может, вновь еѐ утратит)?
4.6. По статистике, ремонтная бригада с вероятностью 70% за сутки
восстанавливает работоспособность энергоблока. С какой веро-
ятностью ей хватит двух суток? А недели? Каково ожидаемое
время ремонта?
 22

3.2. Расчѐт показателей надѐжности системы

с поглощающим состоянием
Построим модель для решения задачи [6, с.54]. Промышленное
предприятие с непрерывным циклом производства получает электро-
энергию по двум взаиморезервирующим друг друга цепям ЛЭП, сред-
няя наработка до отказа которых составляет t0=2/3 лет, а среднее время
восстановления равно tв=8 часов.
Обозначим через pi вероятность состояния, в котором неработо-
способны i элементов. Граф переходов при таком понимании состоя-
ний будет иметь следующий вид.
2 
0 1 2

3.2.1. Расчёт стационарных значений вероятностей
 2   0
Матрица интенсивностей переходов: A     2     0 

 
 0  0
Состояние 2 является единственным поглощающим, так что в нѐм
система в конце концов и должна оказаться: если подождать достаточ-
но долго, отказ непременно произойдѐт, т.е. предельные вероятности P
состояний предсказуемы и без уравнений Колмогорова. Укажите их, а
затем убедитесь, что уравнения Колмогорова соблюдаются, т.е. что
AP=0 и pi =1.
3.2.2. Прогнозирование отказа
Решая численно дифференциальное уравнение Колмогорова,
определите вероятность безотказной работы системы электроснабже-
ния в течение двух лет, а также время, за которое вероятность отказа
достигнет величины =10%.
Попробуйте найти 10-процентный ресурс, предположив, что ин-
тенсивность потока отказов экспоненциально убывает по мере прира-
ботки повреждѐнной цепи (t)=∞·(2–e– t/2).
3.2.3. Наработка до отказа
Используя средства символьной математики MathCAD'а, получим
формулу для ожидаемой наработки до отказа.
 23

Система электроснабжения рассматривается как невосстанавлива-

емая. p2(t) – это вероятность того, что в момент времени t система не-
работоспособна, т.е. того, что наработка до отказа не превзойдѐт зна-
чения t. Таким образом, p2(t) = F(t) представляет собою функцию рас-
пределения наработки до отказа. Математическое ожидание этой слу-
чайной величины, по определению, равно:

dF (t )
T 0
dt
tdt .

Для его расчѐта воспользуемся преобразованием Лапласа. При

этом нам потребуются следующие его свойства:
d d
t  F (t )   F ( p) , F (t )  p  F ( p ) ,
dp dt

 
t
1
 F ( )d 
0
p
F ( p) , lim F (t )  lim p  F ( p) .
t   p 0

Надчѐркиванием отмечено изображение.


Из двух последних формул следует, что  F (t )dt  F ( p)
0
p 0
.

 

dF (t ) d
Таким образом,
 dt
tdt  
dp
p F ( p) .
0 p 0

Если исходное состояние рабочее, то изображение Лапласа для

p2(t) имеет вид:
   1 1  
F( p F p ( pidentity ( 3)  A(  ) )    10 
1
  
 )  
  p identity ( 3)  A     0  .
   002 2
Отсюда d 
 ( p F( p  ) ) substitute p 0 
  3 
.
dp  2 
2

Получите численное значение сами.

Как вы думаете, можно ли будет рассчитать таким способом нара-
ботку до отказа в ситуации, когда интенсивность потока отказов убы-
вает по мере приработки повреждѐнной цепи? Можно ли такой поток
отказов-восстановлений считать марковским процессом?
 24

4. РАСЧЁТ НАДЁЖНОСТИ
ПРОСТЕЙШИХ СТРУКТУР
Построим модель для расчѐта показателей надѐжности электро-
снабжения по схеме, изображѐнной на рисунке.

QF1 QR T QF2

Потребитель
W1
Л
I
QK

АВР QF2

QF1 QR T QF2 II
W1 Л

QK
Пренебрежѐм при этом вероятностями отказа источников питания
и любых элементов во время преднамеренных отключений. Выключа-
тели объединим на расчѐтной схеме с разъединителями, оперируя ин-
тегральными показателями потока отказов такого блока.

4.1. Показатели надѐжности элементов

Наработку на отказ tО и среднее время восстановления tВ для эле-
ментов системы примем по [5], считая одинаковыми параметры верх-
ней и нижней цепей, а длины ЛЭП (W1) равными 20км. Будем считать,
что каждая секция шин распредустройства (подстанции потребителя)
отказывает в среднем 1 раз в 20 лет, а на восстановление еѐ работоспо-
собности уходит в среднем полчаса. Для удобства ввода разместим эти
времена в матрице, дополнив столбцы tО и tВ столбцами номеров и
наименований типов элементов, а также строкой-шапкой.
Времена восстановления в третьем столбце укажем в часах, как в
[5], а затем пересчитаем в годы, – это упростит формулы. Константа
–1
час := (24365) представляет собою число лет в одном часу.
 25

 "№" "to, год" "tв, час" "Наименование типа" 

 1 100 30 "Масляный выключатель 110 кВ"

 
 2 8 9 "ЛЭП 110кВ длиной 20 км" 
 3 66 3 "Отделитель" 
t   
 4 100 4 "Короткозамыкатель"

 5 83 70 "Трансформатор" 
 6 111 20 "Выключатель 35 кВ" 
 
 7 20 0.5 "Секция сборных шин 35 кВ" 
Наработки на отказ, год: tо  submatrix( t  2 row s( t)  2 2)
T
tо 
Времена восстановления, год: tв  submatrix( t  2 row s( t)  3 3)  час
T
t в  час
T
Интенсивности потоков восстановлений, год –1:    
T 3
Интенсивности потоков отказов, год –1:     10
Коэффициенты вынужденного простоя из-за собственного отказа:
T 6
q  q  10
4.2. Показатели надѐжности системы в целом
Расчѐтная схема по надѐжности исследуемой системы имеет ту же
конфигурацию, что и схема электрических соединений, и может быть
расчленена на параллельные и последовательные структуры. Отдель-
ные показатели надѐжности таких структур получаются путѐм пере-
множения или сложения одноимѐнных параметров образующих их
элементов. Другая группа параметров вычисляется по показателям
первой группы с помощью формул, которые использовались в п.4.1.
Правила расчѐта параметров структур этих типов сведены в
табл.Таблица 4.1. В ней использованы следующие обозначения:
 p – вероятность работоспособного состояния;
 q – вероятность состояния вынужденного простоя;
 kг – коэффициент готовности;
 kп – коэффициент вынужденного простоя;
  – интенсивность потока отказов;
  – интенсивность потока восстановлений;
 26

 x – логическое состояние (1 – работоспособное, 0 – нет).

Таблица 4.1
Формулы расчѐта надѐжности простейших структур
Отказ наступает при отказе… Любого элемента Сразу всех эл-тов
Тип структуры Последовательная Параллельная
Перемножаются p, x, kг q, kп
Складываются q, , kп , x
– Вопрос: Как определить интенсивность потока отказов  для па-
раллельной структуры?
– Ответ: Из уравнения: kп = /, рассчитав kп и  по формулам таб-
лицы.
– Вопрос: Как определить среднее время восстановления для после-
довательной структуры?
– Ответ: Как величину, обратную , найденному из того же уравне-
ния после расчѐта kп и  по формулам таблицы.
Применив формулы для последовательных структур, заменим ли-
нию, трансформатор, выключатель, отделитель и короткозамыкатель
эквивалентным элементом, который характеризует надѐжность основ-
ного варианта питания нагрузки.
ос :=  – 7 tос.о := ■ qос := ■ ос := ■ tв.ос := ■
Надѐжность резервного варианта питания оценим, присоединив
последовательно ещѐ два элемента: секцию шин II и секционный вы-
ключатель QF2.
рез := ■ tрез.о := ■ qрез := ■ рез := ■ tрез.ос := ■
Объединим обе цепочки в параллель.
q := ■  := ■ tв := ■  := ■ tо := ■
Учтѐм возможность отказа секции шин I, включив еѐ последова-
тельно с полученным эквивалентом.
q := ■  := ■ tо := ■  := ■ tв := ■
Допустим, что поток отказов системы электроснабжения стацио-
нарен, ординарен и ему не присуще последействие.
1. Вычислите:
1.1. вероятность того, что в течение года отказ произойдѐт;
1.2. коэффициент вынужденного простоя;
 27

1.3. ожидаемое время, в течение которого нагрузка вследствие ава-

рии не получает питания.
2. Рассчитайте эти же показатели для схемы без резервирования.
3. Выясните, надѐжностью какого элемента определяется в основном
надѐжность электроснабжения потребителя.
4. Повторите расчѐты для схемы с резервированием, отказавшись от
учѐта повреждений шин распредустройств. Каким элементом те-
перь определяется надѐжность электроснабжения потребителя?
Оправдан ли учѐт вероятности отказа шин?

5. РАСЧЁТ НАДЁЖНОСТИ
СТРУКТУР ОБЩЕГО ВИДА
5.1. Формализация и расчѐтные соотношения
Расчѐтную схему по надѐжности сформируем из многополюсни-
ков (МП). Узлами схемы будем считать точки соединения полюсов
МП. При такой формализации отказать могут только МП, но не узлы.
Типичным примером МП с числом полюсов, отличным от двух, явля-
ются секции шин распредустройств. Их отказы бывают обусловлены
как повреждениями в самих шинопроводах, так и в присоединѐнных к
ним ячейках с оборудованием, а также повреждениями отходящих ли-
ний при отказе в срабатывании защищающих их выключателей.
Некоторые элементы допускают передачу мощности лишь в од-
ном направлении. Поэтому условимся различать два типа полюсов:
входы и выходы. Если элемент работоспособен, то представляющий
его МП пропускает сигнал с любого своего входа на любой выход.
Если элемент неработоспособен, то ни с одного входа ни на один вы-
ход сигнал не проходит. МП должны быть соединены так, чтобы из
абсолютно надѐжной точки в расчѐтную сигнал проходил тогда и
только тогда, если система работоспособна.
Показатели надѐжности системы в целом можно рассчитать по
показателям отдельных элементов. Положим в основу алгоритма поня-
тие минимального сечения. Определим его как множество МП, одно-
временный отказ которых влечѐт за собою отказ системы, но при
наличии хотя бы одного работоспособного элемента в котором систе-
ма должна быть уже работоспособной.
Отказ системы наступает при отказе любого из минимальных се-
чений. На языке теории множеств это означает, что отказ системы
 28

представляет собою дизъюнкцию (объединение) отказов сечений. Ве-

роятность этого сложного события можно вычислить по формуле:
q  Q   Q   Q
i
i
i j i
ij
i j i k  j
ijk  ,

где Qijk… – вероятность совместного отказа сечений с номерами i,j,k….

Вероятность отказа i-го сечения равна произведению вероятно-
стей отказа образующих его элементов:
  qe
s ie
Qi .
e
Булев коэффициент sie представляет собою индикатор принадлежности
элемента №e сечению №i.
Несколько сечений отказывают тогда и только тогда, если отказы-
вают все составляющие их элементы. Поэтому вероятность отказа не-
скольких сечений равна произведению вероятностей отказа образую-
щих их элементов. Один и тот же элемент может входить в несколько
сечений, но должен быть представлен только одним сомножителем:
n n n n n n
  q e    q    q
sie s je sie s je s ke
 .
sie
q e e
i 1 e i 1 j i 1 e i 1 j i 1 k  j 1 e
При записи этой формулы подразумевается, что показатели сте-
пени вычисляются по правилам булевой алгебры, а затем преобразу-
ются в целое число.
Интенсивность потока восстановлений  будем рассчитывать по
формуле 2.54 [7]:
1  qΣ
 
q
е  q q еμ е .
е
Интенсивность потока отказов рассчитаем из соотношения:
q  (1–q)

5.2. Операции с множествами

Процедуры формирования минимальных сечений и расчѐта коэф-
фициента вынужденного простоя основаны на операциях с множе-
ствами номеров МП и узлов. Встроенных операций над множествами в
MathCAD'е нет, и их пришлось запрограммировать. Тексты соответ-
ствующих программ вынесены в Приложение, а формы вызова этих
операций указаны в таблице ниже.
 29

Таблица 5.1
Перечень операторов над множествами
Форма
Семантика
обращения
m M Принадлежит ли элемент m множеству M?
mM Принадлежит ли множество m множеству M?
A B Объединение множеств A и B c сортировкой результата
M  m Удаление из множества M множества m
Есть ли во множестве M элемент, принадлежащий мно-
m M
жеству m?
Есть ли во множестве M элемент, не принадлежащий
m M
множеству m?
Пополнение множества сечений.
Сечение m попадает в объединѐнное множество U лишь
тогда, если оно не поглощается каким-либо элементом из
m  M
M, т.е. если не выполняется условие M k  m. Элемент M
попадает в U лишь тогда, если он не поглощается сече-
нием m.
Каждая операция оформлена в виде функции с двумя аргумента-
ми. Например, функция (m,M) – булев индикатор принадлежности
элемента m множеству M. Символ ―‖ и многие иные специальные
символы MathCAD разрешает включать в состав имѐн1. Обращаться к
такого рода функциям в математике принято в форме инфиксных 2 опе-
раторов: mM. Воспользуемся и мы этой нотацией.

1
Ввести специальный символ можно, скопировав его через буфер Windows из
перечня, вызываемого через меню Help / Quick Sheets / Extra Math Symbols.
Перечень насчитывает свыше сотни символов.
2
При инфиксной записи символ
операции размещают между опе-
рандами. На MathCAD'е вызвать
такой оператор можно кнопкой
xfy из палитры, показанной спра-
ва. Палитра выводится на экран
командой главного меню
View/Toolbars/Evaluation.
 30

5.3. Расчѐтная схема

Главной схеме электрических соединений, изображѐнной в п.4,
сопоставим расчѐтную схему по надѐжности, изображѐнную ниже. В
ней каждая секция шин на низкой стороне представлена 3-полюсником
и изображена кружком: . МП пронумерованы последовательными
натуральными числами от 1 до 15, номера заключены в пятиугольни-
ки. Узлы имеют вид жирной точки – , их нумерация несквозная. Аб-
солютно надѐжным узлам присвоен номер . На схеме таких узлов
два. Они разнесены, чтобы облик расчѐтной схемы по надѐжности
совпал с обликом главной схемы электрических соединений. Обе точ-
ки, помеченные номером , соответствуют единому узлу на схеме по
надѐжности.
3
1 5 6 7

Потребитель
4
2 15 16
10 11 12 13 14
 17

8
13
11 14 15 10
12 27

20 21 23 24 25 26
 9

Схему соединения многополюсников зададим, сформировав два

вектора-столбца: In и Out. Элементом № i вектора In будет вектор-
столбец номеров узлов, к которым подключены входы МП № i. Вектор
Out состáвим из номеров узлов, к которым подключены выходы МП.
T
  15  17   
 
In     ( 10 ) ( 11 ) ( ) ( ) ( )  16      ( ) ( ) ( ) ( ) ( ) ( )
    27    
     
T
   27   
 
Out  ( 10 ) ( 11 ) ( 12 ) ( ) ( ) ( )  16      ( ) ( ) ( ) ( ) ( ) ( )
    17    
     
Вход головного выключателя №1 подключѐн к узлу № ∞, а вы-
ход – к узлу № 10. Поэтому In1= (∞), Out1= (10). Скобки вокруг номера
 31

указывают на то, что значением элемента вектора является вектор из

одного элемента, а не скаляр (число строк которого MathCAD счѐл бы
нулевым). Через секционный выключатель мощность может переда-
ваться в обоих направлениях. Поэтому каждый полюс МП №8 играет
роль как входа, так и выхода. In8 и Out8 состоят из одинаковых пар
номеров узлов: 17 и 27.
Матрицу t с показателями надѐжности отдельных элементов поза-
имствуем из п.4.1. Каждый тип представлен в схеме несколькими эле-
ментами. И, чтобы не тиражировать одинаковых чисел, организуем
матрицу ссылок по имени Тип. В еѐ i-м столбце будем размещать
схемный номер i-го МП и номер типа этого МП.
 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 "№ МП" 
Тип   
 1 2 3 4 5 6 7 6 7 6 1 2 3 4 5 "Тип" 
Выделим из матрицы t векторы наработок на отказ и времѐн вос-
становления элементов схемы (а не их типов):
i  1 cols (Тип)  1 tо  t tв  t  час
i Тип2  i 1 2 i Тип2  i 1 3
:= ■ := ■
Коэффициенты вынужденного простоя из-за собственного отказа:

q 


5.4. Формирование минимальных сечений

Процедура формирования множества минимальных сечений отно-
сительно расчѐтной точки  оформлена в виде функции Сеч(). Идея
алгоритма состоит в следующем.
Поэтапно формируются множества номеров узлов, до которых от
абсолютно надѐжного узла № можно добраться по цепочке из МП,
проходя их в направлении от входа к выходу. Эти множества попол-
няются так, чтобы в них не попала расчѐтная точка, номер которой
хранится в переменной : ( if (Outmp)). Пополнение ведѐтся так:
вначале объединяется множество n с множеством выходных полюсов
МП: (   nt  Outmp ), а затем, если этого множества ещѐ нет в N, оно
туда добавляется: ( Nrows(N)+1   if (  N)). Каждое множество n
порождает своѐ сечение m и свой набор множеств N следующего эта-
па. Процедура продолжается, пока очередной набор n порождает хотя
бы один новый набор N (while N0).
 32

Очередной МП включаем в сечение m в том случае, если хотя бы

один его вход принадлежит очередному множеству n, (nt  Inmp), а хо-
тя бы один выход – нет (nt Outmp).
Сеч     M0 M – минимальные сечения;
N    m – сечения, претендующие на
1
минимальность;
while N  0 N-дерево задаѐтся множеством
породивших его узлов.
nN
N – N-деревья текущего этапа;
N0 n – N-деревья прошлого этапа;
for t  1  row s( n ) t – номер прошлого N-дерева;
 – очередное дерево;
m 0 mp – номер очередного МП.
for mp  1  row s( In)

if n  In
t mp   nt  Outmp 
m  mp
rows( m)  1


if    Out
mp 
  n  Out
t mp
N   if    N
rows( N)  1
M  m  M if row s( m)  ЁмкостьСечений
M
Сформированное сечение m добавляем к множеству M тех сече-
ний, что были сформированы прежде. Но делаем это так, чтобы ни
один элемент вновь образованного множества не мог поглотить какой-
либо иной его же элемент.
Если в только что сформированное сечение m попадают все МП
какого-то сформированного прежде сечения M k , это означает, что для
отказа системы достаточно отказа всех элементов M k , независимо от
состояния прочих элементов m. Иными словами, сечение m оказывает-
ся неминимальным: оно поглощается сечением M k. При этом m в но-
вое множество M вводиться не должно.
 33

Аналогичная ситуация возникает при поглощении какого-то из

прежде сформированных сечений M k новым сечением m: это M k в
новое множество минимальных сечений тоже не попадает.
Описанная выше процедура пополнения множества сечений M
вновь сформированным сечением m реализуется оператором m  M.
Чем больше элементов в сечении, тем меньше вероятность отказа
их всех. Поэтому сечения, число элементов в которых превышает зна-
чение, указанное в константе ЁмкостьСечений, считаются абсолютно
надѐжными и не включаются в то множество, по которому будет рас-
считываться коэффициент вынужденного простоя.
Сформируем множество минимальных сечений относительно точ-
ки подключения потребителя. S := ■(■) SТ =
Лаконичную процедуру расчѐта коэффициента вынужденного
простоя сконструируем, воспользовавшись рекурсией. Поясним идею
на примере.
Положим, что по расчѐтной схеме можно сформировать три ми-
нимальных сечения. Формула для коэффициента вынужденного про-
стоя имеет вид:
Q1+Q2+Q3–Q12–Q13–Q23+Q123.
Перегруппируем слагаемые.
Q1–[Q12+Q13–(Q123)]+Q2–(Q23)+Q3
Вероятность Q12 совместного отказа сечений 1 и 2 можно рассчи-
тать, перемножив вероятность Q1 отказа сечения 1 на условную веро-
ятность Q2–1 отказа сечения 2 в предположении, что сечение 1 отказало
(и, значит, неучѐте вероятности отказа образующих его элементов се-
чений). Q2–1 равно произведению вероятностей отказа элементов
сечения 2, не входящих в сечение 1. То есть для расчѐта Q2–1 нужно
перемножить значения q элементов множества S2  S1.
Аналогично, вероятность совместного отказа сечений 1, 2, 3 мож-
но рассчитать по формуле
Q123=Q1Q2–1Q3–2–1,
где Q3–2–1 – это произведение вероятностей отказа всех элементов
множества S3  S2  S1.
Таким образом, все вероятности Q, первый индекс которых – i,
имеют общий множитель Qi. Те Q, первая пара индексов которых – i, j,
имеют общий множитель QiQj–i. И т.д.
Формула для коэффициента вынужденного простоя примет вид:
Q1{1–[Q2–1(1–Q3–2–11)+Q3–11]}+Q2[1–Q3–2(1)]+Q31.
 34

Она представляет собою сумму произведений неких вероятностей на

единицу минус точно такую же по структуре сумму. – Вот и предмет
для рекурсии.
Для расчѐта этой суммы сконструируем функцию q(n,s,O)1. Еѐ
значением будет условная вероятность вынужденного простоя систе-
мы из-за отказа хотя бы одного сечения с номером №≥ n и отказе сразу
всех элементов из множества s, когда, кроме того, заменена нулѐм ве-
роятность простоя элемента №O.
rows( S)
q ( n  s  O)   

S s
i 

in
   i  row s( S)  row s( s )  ТяжестьАварий
 
 rows( ) 
 

Q  if   0  1 
   
if e O  0  q 
e  
  e1  
 Q  1  q  i  1  S  s  O  if  
 i 
Первый оператор формирует множество  элементов сечения № i
за вычетом тех, что вошли в s (их мы считаем отказавшими).
Второй оператор определяет2, нужно ли рассчитывать условные
вероятности простоя системы при одновременном отказе ещѐ каких-то
элементов, помимо вошедших в s. Этого делать не нужно, если теку-
щее сечение имеет последний номер [i=Rows(S)], и, стало быть, не су-
ществует сечений с бóльшим номером, вероятность отказа которых
учитывает четвѐртый оператор, а также если в s вошло число элемен-
тов, превосходящее значение константы ТяжестьАварий, – вероятно-
стью одновременного отказа большего числа элементов пренебрежѐм.
Третий оператор вычисляет вероятность Q отказа сразу всех эле-
ментов множества .
И, наконец, четвѐртый оператор умножает эту вероятность на до-
полнение до единицы условной вероятности вынужденного простоя
системы при отказе хотя бы одного сечения с номером №≥ i+1 и сов-
местном отказе не только элементов из s, но и из Si. При …=0 эта ве-
роятность не вычисляется, а полагается равной нулю.

1
Обратите внимание: буква q набрана стилем Курсив, и потому обозначенный
ею объект не тождественен вектору q, имя которого набрано стилем Variables.
2
Многоточие – это не бланк имени переменной, а само имя (см. Прил. 2).
 35

Для оценки интенсивности потока восстановлений требуется рас-

считывать частные производные q/qe. q(q) – полилинейная функ-
ция1. Это позволяет предельно просто и в то же время без погрешности
рассчитывать частные производные, заменив дифференциалы конеч-
ными приращениями. Рассчитаем значение q при двух разных значе-
ниях qe – фактическом и нулевом – и разницу разделим на фактиче-
ское значение qe. Для этого нужно иметь возможность рассчитывать
значение q при обнулѐнном и необнулѐнном значениях q e. Третий
аргумент функции q(n,s,O) как раз и служит для указания номера об-
нуляемого элемента вектора q. Если указать O=0, то обнуления не бу-
дет.
Итак, рассчитаем коэффициент вынужденного простоя.
q := q( ■ , ■ , ■ ) =
Для расчѐта частной производной определим специальную функ-
цию с именем :
q  q(   )
q/qe= ( e)  .
q
Рассчитаем оставшиеся показатели надѐжности.
Интенсивность потока восстановлений:
1  
rows ( In)
  
      
 e1 
■
Среднее время восстановления: tв := = ■час
■

Интенсивность потока отказов:    
1
Наработка на отказ: tо := ■■ =
Ответьте:
1. Можно ли для секционного выключателя указать номера входов и
выходов одинаковыми, например, (17 27)T? А для секции шин?
2. Можно ли для ЛЭП №2 указать не один входной узел 10, а два:
(10 11)T, сохранив при этом единственный выходной узел?

1
Полилинейной называют функцию, линейную относительно каждого из сво-
их аргументов, если все прочие считать константами.
 36

3. Можно ли поменять местами номера входа и выхода для транс-

форматора в векторах In, Out?
4. От каких факторов зависит время счѐта? Что бы вы предложили
для ускорения процедуры?
5. Может ли интенсивность потока отказов вовсе не зависеть от
надѐжности одного из элементов связной расчѐтной схемы?
6. Насколько удачным представляется вам решение о рекурсивном
построении процедуры расчѐта коэффициента вынужденного про-
стоя? Каковы альтернативы?
7. От каких факторов зависит точность полученных оценок?
8. Насколько обоснованным представляется вам решение рассчиты-
вать частные производные q/qe путѐм численного дифференци-
рования? Потери точности произойти не может? Величина шага
выбрана верно? Может быть, лучше задать его равным 1 или 1000?
Выясните экспериментально:
1. В каком диапазоне можно задавать константы ЁмкостьСечений и
ТяжестьАварий?
2. Какие их значения кажутся вам оптимальными? Компромисс меж-
ду какими показателями качества приходится искать?
3. Так ли уж необходимо удалять неминимальные сечения? Если это-
го не делать, точность пострадает? А время счѐта? А затраты памя-
ти? – Ощутимо?
Попробуйте:
Ввести (хотя бы топологические) данные для схемы своего рас-
чѐтного задания по курсу ―Надѐжность электроэнергетических систем‖
и выполнить расчѐты.

6. ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ
НАДЁЖНОСТИ
Метод Монте-Карло состоит в имитации потоков случайных со-
бытий отказов-восстановлений элементов ЭЭС с последующей стати-
стической обработкой результатов. Общая идея состоит в том, что для
каждого элемента индивидуально настроенный генератор случайных
чисел формирует время наступления очередного события – отказа или
восстановления работоспособности. По состояниям элементов с учѐ-
том схемы их соединения определяется: работоспособна ли система.
Таким образом, организуется наблюдение за функцией работоспособ-
 37

ности в течение длительного времени: чем оно продолжительнее, тем

выше будет достоверность полученных результатов.
Имитационные модели позволяют отказаться от многих допуще-
ний, на которых базируются аналитические методы расчѐта надѐжно-
сти. Их можно использовать не только для оценки параметров кон-
кретных систем, но и в качестве эталона при проверке упрощенных
расчѐтных методик.

6.1. Расчѐтная схема

Построим модель, пригодную для исследования надѐжности си-
стем произвольной конфигурации, расчѐтная схема которой составле-
на из двухполюсников, и апробируем еѐ на примере простейшей си-
стемы, в которой нагрузка получает питание от тупиковой однотранс-
форматорной подстанции, как показано на рисунке.
QF1 QR T QF2
W
Л

QK
Разъединители, как и раньше, не будем выделять в качестве само-
стоятельных элементов, объединив их с выключателями. Таким обра-
зом, на расчѐтной схеме по надѐжности последовательно соединим:
 "QF1" "Головной масляный выключатель 110 кВ" 
 "W1" "ЛЭП 110кВ длиной 30 км" 
 
"QR" "Отделитель"
Элементы   
 "QK" "Короткозамыкатель" 
 "T" "Трансформатор"

 
 "QF2" "Выключатель 35 кВ" 
Именно
Именно в этой
в этой очерѐдности
очерѐдности условимся
условимся впредь
впредь перечислять
перечислять эле-
элементы
векторов.
менты ПриПри
векторов. этомэтом
положим, что ветвь
положим, № i выходит
что ветвь из узла
№ i выходит из № i и№i
узла вхо-
дит в узел
и входит № №(i+1).
в узел (i+1). Разъединители, как и раньше, не будем выделять в
качестве самостоятельных элементов, объединив их с выключателями.
6.2. Параметры элементов
Допустим, что отказы и восстановления элементов ЭЭС незави-
симы, а их потоки ординарны и стационарны, т.е. относятся к классу
потоков Пальма. С достаточной для практики точностью можно при-
нять, что времена безотказной работы, а также восстановления подчи-
 38

нены Г-распределению. Оно характерно для одной из разновидностей

потоков Пальма – потока Эрланга. Его можно получить из простейше-
го потока, отбирая из него каждое k-е событие. Величина k характери-
зует последействие: чем больше k, тем более отчѐтливо выражен эф-
фект последействия. Простейшему потоку (потоку Пуассона) после-
действие не присуще: для него k=1, а интервалы между событиями
распределены экспоненциально. Поток Пуассона можно рассматривать
как частный случай потока Эрланга. Объявление потока восстановле-
ний простейшим может сильно загрубить модель.
Числовые характеристики потоков Эрланга событий восстановле-
ния и отказов элементов примем по монографии [2], в которой приве-
дены значения k и интенсивность порождающего потока Пуассона.
Параметры потока восстановлений:
Порядок (коэффициент формы): kв  ( 0.25 0.27 0.67 0.67 T
  0.16 0.25)
–1  k  1 (
Интенсивность, год :   –1 1470 1470 13 200 ) 
T 

год  ::   kв  ( 91 537 1470 1470 13 200 ) 
–1 в 91 537
1 T
Интенсивность, год
Интенсивность,  
T
  ( 364 1989 2194 2194 81 800 )
Время восстановления, год –1: tв 
1 T
дн  365 tв  ( 1 0.2 0.2 0.2 4.5 0.5)  дн
Потоки отказов условимся считать простейшими. Их параметры:
Порядок (коэффициент формы): kо  ( T
)
 
Интенсивность, год :    kо
–1 1 T 2
 ( 1.7 1.28 30 2 1 1 0.9 )
  10
T T 3 3
  ( 17
 384
10 20 10 10 9 ) 10
Наработка на отказ, год: t 
Наработка на отказ,огод: о t 
T
tо  ( 58.8 2.6 50 100 100 111.1)
Очередное
Очередное событие событие
наступаетнаступает через случайное
через случайное время: время:
1
T   k   k   rgamma( 1 k)
1
Потоки отказов условимся считать простейшими. Их параметры:
 39

6.3. Функция работоспособности системы

6.3.1. Идея расчёта
Функция работоспособности системы должна по состояниям эле-
ментов ―вычислять‖ состояние системы в целом. Работоспособному
состоянию сопоставляют логическую единицу, а неработоспособно-
му – ноль. Будем понимать под работоспособным состоянием системы
такое, при котором расчѐтная точка получает питание.
Каждый элемент на схеме представляют вентилем. Его открытое
положение соответствует работоспособному состоянию элемента (1), а
запертое – неработоспособному (0). Система работоспособна, если из
абсолютно надѐжного узла можно попасть в расчѐтную точку по це-
почке из открытых вентилей.
Чтобы определить, существует ли такая цепочка,
1) составим матрицу смежности W: еѐ i,j-й элемент равен 1, если в
направлении от узла j к узлу i включѐн хотя бы один открытый
вентиль, и равен нулю в противном случае;
2) сформируем вектор состояний узлов z, в котором i-й элемент ра-
вен 1, если априорно известно, что система работоспособна от-
носительно узла i, и равен нулю в противном случае;
3) будем многократно умножать матрицу на вектор (W·z  z), пока
тот не перестанет изменяться.
i-й элемент вектора z после k умножений отвечает на вопрос о
том, существует ли от какого-либо абсолютно надѐжного узла до узла i
цепочка, образованная не более чем из k открытых вентилей. Таким
образом, как только после очередного умножения вектор z не изменит-
ся, в этот момент его i-й элемент уже даст значение функции работо-
способности системы относительно узла i.
6.3.2. Программная реализация
T
T
Узлы начал ветвей: Beg  ( 1 2 )
T
Узлы концов ветвей: End  ( 2 3 )
Число ветвей: nB  length ( Beg )  6

Число узлов: nNodes  max 

  max( Beg )  
  7
  max( End )  
Матрица смежности как функция вектора состояний элементов:
 40

W ( X)  W  identity ( nNodes ) – от узла i к узлу i цепочка

есть всегда, по определению.
for B  1  nB
WEnd Beg  WEnd Beg  XB
B B B B
Рассчитайте, эту матрицу для случая, когда все элементы работо-
способны, и укажите в ней единицу, которая является индикатором,
работоспособности выключателя на головном участке ЛЭП.
Вектор функций работоспособности относительно всех узлов при
состоянии ветвей X и априорной работоспособности узлов z:
Z ( X z)  w  W ( X) W(X) вычисляем 1 раз.
while 1
Цикл по длинам цепочки вентилей.
zold  z

z  w z  1 Выход, если после

умножения W на z

break if max z  zold  0 z не изменился.
Определите работоспособность системы относительно всех узлов,
считая абсолютно
Определите надѐжным источник
работоспособность питания
системы и работоспособными
относительно всех узлов,
считая
все абсолютно
элементы, надѐжным
кроме источник питания и работоспособными
трансформатора.
все элементы, кроме трансформатора.

6.4. Имитация хронологии событий

После очередного события в системе генераторы случайных чисел
сформируют возможные времена смены состояния каждого из элемен-
тов. При этом для работоспособных элементов момент очередного со-
бытия будем извлекать из потока отказов, а для неработоспособных –
из потока восстановлений. Самое первое из таких событий будем реги-
стрировать в качестве системного события, а прочие будем игнориро-
вать. В протокол будем вносить время события, номер элемента, сме-
нившего состояние в этот момент, и новое состояние системы. Все
протоколы объединим в журнал. А для его формирования сконструи-
руем функцию Chron от вектора z априорных состояний узлов и номе-
ра • расчѐтной точки.
 41

Chron( z )  for B  1  nB

X  1 Вначале все элементы работоспособны.
B
for i  1  Events Цикл по событиям.

time   Интервал до очередн. регистрир. события

for B  1  nB Перебираем все ветви.
t  T  kо  if X t – интервал до очеред.
 B B B
события в ветви №В.
t  T  kв  otherw ise
 B B
if t  time Если ветвь сменила
состояние прежде других,
time  t
запоминаем еѐ номер и
branch  B время события.
X 1X
branch branch Новое состояние ветви.
Time  time Время
i
Запись
Branch  branch № ветви
i о событии
Новое состо- в системе.
State  Z( X z) яние cиcтемы
i
( Time Branch Сформируем
State ) журнал хроники событий.
Сформируем хронику событий: ( Time Branch State )  Chron(  )
T
Time 
T
Branch 
T
State 
Сымитируйте не 4 события, а 200, присвоив это значение
константе Events. (Новую реализацию случайного процесса можно
получить, нажав на клавишу F9, когда текущей является область, в
которой задаѐтся число событий.)
 42

6.5. Статистическая обработка результатов

Число событий: Events  4
Продолжительность исследуемого периода, год:
 Time 
Число отказов системы:
Events
Failures  1    Statei1   Statei 
i2 

(В)
Число отказов ветви № В: Faults ( В)  0.5 

b  1  nB Bb  b  1  T
Faults  augment Элементы Faults ( B) 
Faults 

Время простоя, год: IdleTime   IdleTime   дн

3
Вероятность простоя: q  q   10

Средняя  Time Интенсивность по-
наработка на  

отказ, год: Failures тока отказов, год-1:

Среднее время
  дн Интенсивность потока
восстановления, год: 
восстановлений, год -1:
Какой бы вы предложили способ для учѐта повреждаемости сбор-
ных шин? Или, если сформулировать задачу в более общем виде: как
методом Монте-Карло можно было бы оценить надѐжность системы,
расчѐтная схема которой составлена из многополюсников? Документ
MathCAD'а изменился бы радикально, или лишь слегка? Если приме-
нить метод Монте-Карло для выполнения расчѐтного задания по курсу
―Надѐжность электроэнергетических систем‖, это облегчило бы вашу
задачу? А ресурсов вашего домашнего компьютера хватило бы?
 43

6.6. Гипотеза о пуассоновском характере

потока восстановлений
Часто
Часто длядля упрощения
упрощения расчѐтныхформул
расчѐтных формулпоток
поток восстановлений
восстановлений
считают
считают простейшим.
простейшим. Выясним,
Выясним, какуюпогрешность
какую погрешностьпорождает
порождает эта
эта
гипотеза,
гипотеза, приняв
приняв еѐ и еѐ и рассчитав
рассчитав показатели
показатели надѐжности
надѐжности аналитичес-
аналитически
ки для последовательной
для последовательной структуры.
структуры.

Вероятности вынужденного простоя 
элементов из-за собственного отказа: q  


3
Вероятность простоя системы: q  q q   10
Средняя наработка на отказ, год: tо  tо 
Среднее время восстановления, год: tв  tв   дн

СравнитеСравните полученные
полученные значения
значения с теми, счто
теми,
далакоторые дала имитационная
имитационная модель.
модель.
6.7. Достоверность статистических оценок
Проведѐм исследование точности и достоверности статистических
оценок двух параметров: наработки на отказ и среднего времени вос-
становления.
Для этого сгенерируем n выборок по Events событий в каждой. В
каждой выборке найдѐм среднее значение t оцениваемого параметра
(по формулам п.6.5). Осреднив n значений t, получим оценку m мате-
матического ожидания  исследуемого параметра.
Число событий в каждой выборке исчисляется сотнями, т.е. вели-
ко. Поэтому есть основания полагать, что действует закон больших
чисел, и случайная величина m распределена по нормальному закону.
Математическое ожидание у m то же, что и у t – а вот дисперсия
меньше. В главе, посвящѐнной статистическим оценкам, отмечалось,
что точность и достоверность оценки математического ожидания 
величиной m удобно измерять, введя в рассмотрение статистику
mμ
n  1 , где s – расчѐтное значение среднеквадратического укло-
s
нения m. Эта статистика распределена по закону Стьюдента с (n–1)
степенями свободы.
Чтобы получить возможность осреднения статистик t по всем n
выборкам (реализациям случайного потока отказов-восстановлений),
будем записывать расчѐтные их значения в файл по имени ―t‖. Каждая
 44

реализация будет добавлять в файл своѐ t. Предварительно такой файл,

если он есть надо стереть.
Начнѐм расчѐты с оценки наработки на отказ.

Time
1
Очередное значение параметра: t  Failures
1
Добавляем новое значение файл: APPENDPRN( "t." )  t
Читаем из файла все значения: t  READPRN( "t." )
Число реализаций: n  last ( t)  7 .
Вектор значений оцениваемого параметра в выборках:
T
t  ( 4.48 0.16 0.16 0.16 4.48 8.95 4.48)

Его усреднѐнное значение: m  mean t  .
Среднеквадратичное уклонение: Stdev ( t)  .
Чтобы проверить достоверность оценки математического ожидания,
оценим вероятность того, что m находится в   10 %-й зоне .
 (  n )  pt    n  1 n  1  pt    n  1 n  1
m m
 s   s 
 (  n )   %
Сгенерируйте столько выборок по 200 событий в каждой, сколько
нужно для обеспечения доверительной вероятности =95%.
Выясните: что обещает более надѐжный результат: 10 выборок по
200 событий или 4 по 500?
Чтобы выполнить сразу серию из n расчѐтов, можно
нажать на кнопку с надписью «Пересчитать», показан-
ную справа, указав значение n в поле под ней. Щелчок
по этой кнопке запустит скрипт, написанный на диалекте Бейсика, по-
нятном MathCAD'у. C текстом скрипта можно ознакомиться, щѐлкнув
по кнопке «Пересчитать» правой кнопкой мышки и выбрав из меню
пункт «Edit script».
Попробуйте найти с достоверностью =50% и точностью =10%
среднее время восстановления системы (в днях), генерируя выборки по
500 событий.
Предскажите, сколько выборок потребуется, чтобы довести до-
стоверность до 95%? А если и точность повысить до 5%? Сколько на
это уйдѐт машинного времени? Попытайтесь объяснить результат.
 45

Приложение
Операции с множествами
Принадлежит ли элемент m множеству M?
 ( m M)  return m M if row s( M) 0
for k  1  row s( M)
return 1 if m M
k
0
 ( 6 4 )T 
   T
 6
  2   
  (6 4)
 1  1  1 6
    0 1    1  4      2  1
 2  2  2  4 3  
 1  3 
2 21 3   0 4  (4)  1
 2
Принадлежит ли множество m множеству M?
 ( m M )  return m  M if row s( m) 0
return 1 if m  M
for k  1  row s( m)
return 0 if m  M
k
1
 1  ( 6 4 )T  T   ( 6 4)(T6 4 )T 
 3  6   6   ( 6 4 )   6   6     
 2   1          
     
2 2    1  
   2 2   1
 1     4   4      4   4    
 3  3 3   3 3 
 1  1

3 2 1 4   2  0 4  (4)  1 3 31
   
 3  3
 46

Объединение множеств A и B с сортировкой

 ( A  B)  U0
for k  1  row s( A ) if row s( A )  0
U
rows( U)  1
A
k 
if  A  U
k 
for k  1  row s( B) if row s( B)  0
U
rows( U)  1
B
k 
if  B  U
k 
sort ( U)

A  ( 4 3 2 2 )
T    A T  ( 2 3 4)
T T
B  ( 3 4 4 6 4 ) ( A  B)  ( 2 3 4 6 )

Удаление из множества M множества m

 ( M  m)  return M if row s( m) 0  1
 1  
   2 0
return 0 if row s( M ) 0
 2  
d0  3
for i  1  row s( M )  1
 1  
   1  (2)
Add  1  2  
for j  1  row s( m)  3
 1  1
if m M    0 
j i  2  2
Add  0  1
0   0
break  2
d  M if Add    1
2
rows( d)  1 i       (2)
 3  3
d
 47

Есть ли во множестве M элемент, принадлежащий множеству m?

 ( m M )  for k  1  row s( M )
return 1 if M  m
k
0
 2  1  3  1
     1      0
 3  2  4  2
 3  3
   (2)  1 (2)     1
 2  2
Есть ли во множестве M элемент, не принадлежащий множеству m?
 ( m M)  for k  1  row s( M)
return 1 if M  m
k
0
 1  2  2
      1 (2)     1
 2  3  3
Пополнение множества сечений
Сечение m попадает в объединѐнное множество U лишь тогда, ес-
ли оно не поглощается каким-либо элементом из M, т.е. если не вы-
полняется условие M k  m. Сечение M k попадает в U лишь тогда, если

T
 ( m M )  if row s( M ) 0  3   ( 2 )   3  2
     
M m
1  1    1  
return M
 (1) 
( 3 )
( 3 )   2     
for k  1  row s( M )
return M if M  m    ( 1 )
k  3  
U m  2
1
   [(3) ]  [(3) ]
for k  1  row s( M )  3
U
rows( U )  1
M
k
if m  M
k  3  3  
   0    
U  1  1  
 48

оно не поглощается сечением m, т.е. только при (m  M k ).

Список литературы
1. Гук Ю.Б. Теория надѐжности в электроэнергетике. – Л.: Энерго-
атомиздат, 1990. – 208 с.
2. Непомнящий В.А. Учѐт надѐжности при проектировании энерго-
систем. – М.: Энергия, 1978. – 200 с.
3. Ивченко Г.И., Медведев Ю.И. Математическая статистика. – М.:
Высш. шк., 1984. – 248 с.
4. Понасечкин С.А., Терентьев И.А. Итоги работы энергетических
блоков мощностью 150–1200 МВт. – Энергетик, №1, 2001. – c.12.
5. Трубицын В.И. Надѐжность электрической части электростан-
ций. – М.: МЭИ, 1993. – 112 с.
6. Фокин Ю.А. Вероятностные методы в расчѐтах надѐжности элек-
трических систем. – М.: МЭИ, 1983. – 216 с.
7. Китушин В.Г. Надѐжность электрических систем. – М.: Высшая
школа, 1984. – 256 с.