Приклади оцінок

(а) – випадкові похибки при відсутності зсуву;

(б) – випадкові і систематичні похибки

10.2. Критерії значущості. Довірчі інтервали

Для того, щоб оцінити ступінь вірогідності висновків відносно проведеного моніторинргу, здебільшого користуються методом критеріїв значущості, який базується на тому, що погодження з нульовою гіпотезою Н₀ досліджується шляхом обчислення Р-значення імовірності (за нульовою гіпотезою) отримати не менше відхилення, ніж те, що спостерігається. Тут Р обчислюється з огляду на припущення щодо істинності Н₀. Існує декілька шляхів формулювання нульової гіпотези, яку необхідно перевіряти:

• вважати, що ця гіпотеза абсолютно слушна, або дуже правдоподібно, що вона слушна (наприклад, узгодженість даних з певною фізичною теорією);

• вибрати дві альтернативні гіпотези Н₀₁ і Н₀₂, які розбивають ряд можливостей на два якісно різних типи, коли одна гіпотеза (Н₀₁) відокремлює ситуації, в яких вона є більш плідною, ніж інша (Н₀₂), і доки дані узгоджуються з Н₀₁, доти керуються саме нею (і навпаки).

Для побудови критерію суттєві певні відомості про найважливіші відхилення від гіпотези Н₀. Критерій значущості не пов’язаний безпосередньо з величиною будь-якого відхилення від Н₀. Він лише вимірює ступінь узгодження з нульовою гіпотезою. Дані можуть виявитися узгодженими як з Н₀, так і з гіпотезами, які радикально відрізняються одна від одної за своїми практичними наслідками. Таким чином, критерій значущості не є процедурою для прийняття рішення. Останнє залежить від того, чи мають місце й інші свідоцтва, а також від економічних міркувань. Звідси випливає, що критерії значущості відіграють важливу, але обмежену роль під час аналізу результатів. Вони висвітлюють питання типу “чи достатньо твердо встановлені такі чи інші ефекти на підставі цих даних?”, а не питання типу “а чи є тут що-небудь, що гідне більш детального вивчення?” Тому майже завжди необхідне і певне уявлення про величину відхилення від нульової гіпотези, яке фактично має місце.

Існує щільний формальний зв’язок між критеріями значущості і довірчими інтервалами, в яких з великою імовірністю може знаходитися той чи інший невідомий параметр. Довірчі інтервали обчислюються на підставі процедури, яка надає верхню границю (1 - ), яка у разі повторень експерименту була б помилкова лише у частці  усіх іспитів. Нижні довірчі границі обчислюються таким же самим чином. На (1 - )-довірчий інтервал можна дивитися як на сукупність можливих значень параметра, які можна розглядати з точки зору двостороннього критерію значущості як такі, що узгоджуються з даними на рівні .

На практиці рідко необхідно знаходити Р дуже точно. Часто може виявитися достатнім, наприклад, таке міркування: якщо Р  0,1 – має місце добре узгодження з Н₀ ; якщо Р  0,05 – існує певне свідоцтво проти Н₀ ; якщо Р  0,01 – існує сильне свідоцтво проти Н₀. Так, наприклад, якщо Р  0,05, кажуть, що відхилення від Н₀ значуще на 5%-рівні.

Величина Р визначається як імовірність отримати більше чи рівне відхилення від Н₀ , ніж те, що спостерігається, тобто Р – це частка тих експериментів за умови їхнього багаторазового проведення, в яких вважалося б, що дані, які аналізуються, містять переконливі свідоцтва проти Н₀ , тобто, що Н₀ може бути помилково відхилена, коли насправді вона має рацію.

Таким чином критерій значущості, безумовно, відіграє важливу, але обмежену роль під час аналізу й оцінки даних, оскільки необхідне і деяке уявлення про величину відхилення від нульової гіпотези, яке має місце. Використання критеріїв значущості найбільше поширене у тих сферах, де випадкова відмінність є суттєвим моментом моделі і де є велика небезпека необгрунтованого визначення ефектів і залежностей на підставі даних обмеженого об’єму.

10.3. Ймовірність і можливість

У світлі існуючої думки, яка народжена так званою декартовою раціоналістичною методологією, традиційно існує тенденція відкидати такі терміни, як неясність, невизначеність, нечіткість і неточність через їхню ненаукову або ірраціональну концепцію. Однак у реальному світі ми повсякденно зустрічаємося з безліччю випадків, коли неможливо уникнути проблеми урахування неясної або неточної інформації про відомості, явища, випадки тощо. Така ситуація існувала до 1965 року, коли американський вчений Л. Заде запропонував теорію нечітких множин для аналізу та представлення неясних або неточних понять, які використовуються у твердженнях про події і факти для опису відношень між об’єктами або діями. Теорія нечітких множин дала схему вирішення проблем, в яких суб’єктивне судження або оцінка відіграють центральну і значну роль під час урахування чинників неясності або невизначеності. Базу для цієї теорії створили методи й практика правдоподібних міркувань. У повсякденному житті нам неодноразово приходиться мати справу з такими нечіткими множинами, як, наприклад, сукупність високих людей, сукупність гарненьких дівчат, множина чисел як таких тощо. При цьому виникає проблема визначення функції належності тих чи інших об’єктів до зазначених нечітких множин, оскільки індивідуальність або суб’єктивність людини впливає на визначення ступеня належності. Так, для людини, зріст якої ледве сягає 160 см, усі люди, що мають зріст 170 см і вище, належать до множини високих людей, у той час як для людини, чий зріст перевищує 180 см цей поріг починається із 180 см. Або автомобіль, який сягає швидкості 250 км на годину, відноситься до множини швидкісних наземних рухомих засобів, у той час, як літак, чия швидкість не перевищує 400 км на годину, відноситься до повільних засобів авіатранспорту. Що ж таке функція належності? Функція належності - це залежність ступеня належності елемента нечіткій множині від деякої базової змінної та від правил, що використовуються (іноді конфліктуючих), яка знаходиться у одиничному інтервалі. Як приклад можна навести функцію належності  тієї чи іншої людини до категорій „низького росту” і „високого росту” (рис. 10.3).

Ступінь розподілу

Рис. 10.3

Функція належності людини  до категорій „низька” та „висока”.

Ступінь розподілу визначає міру нечіткості визначень

Тим не менш існують певні методології для поводження з невизначеністю, неясністю, нечіткістю і неточністю. Деякі з них наведені у Таблиці 10.1. Тут ще треба додати, що для розгляду деяких класів неясності і невизначеності можуть виявитися корисними й ефективними такі зовсім різні підходи, як теорія штучного інтелекту і методи теорії пізнання. Прикладні аспекти теорії нечітких множин охопили такі області, як розпізнавання образів, прийняття рішень, медична діагностика, інженерне мистецтво, системне моделювання, психологія, процеси керування, лінгвістика, суспільні і політичні науки тощо. Особливо плідним застосування теорії нечітких множин може бути у так званих гуманітарних науках (психологія, лінгвістика, логіка, суспільні науки, керування наукою, слідча справа), оскільки саме тут частіше приходиться зустрічатися із суб’єктивними даними. Дух теорії нечітких множин виражається, насамперед, у систематичному (але не обов’язково завжди кількісному) методі обробки нечітких даних.

Заде запропонував теоретико-множинну інтерпретацію лінгвістичних змінних, яка відбивала лінгвістичні аспекти відношення належності у нечітких множинах. Наприклад, якщо висловлювання про певний факт має відтінок невпевненості, то його можна

характеризувати лінгвістично як, скажімо, істинне, більш-менш істинне, не дуже істинне, не істинне і т. п., визначаючи кожним таким істинно-значним представленням нечіткого об’єкта сенс лінгвістичного обмеження, причому це обмеження може мати вигляд множника h (0  h  1) складеного терму виду x = hu, який являє лінгвістичну змінну. Визначення ступеня належності спирається на певні суб’єктивні критерії особи, що приймає рішення (ОПР), на використання понять рівневих множин заданої нечіткої підмножини. Ця нечітка підмножина даної кінцевої множини Х – така підмножина, значення ступенів належності елементів якої лежать у одиничному інтервалі, причому

Таблиця 10.1

Методологія для поводження з невизначеністю, неясністю, нечіткістю і неточністю

Клас неясності	Методологія, що використовується	Наукові дисципліни, які лежать у основі методології
А. Невизначеність, випадковість: а) події і стан середовища, обумовлені випадковістю; б) явища, які не піддаються аналізу і вимірюванню з будь-якою точністю. Б. Нечіткість: а) нечіткість як наслідок суб’єктивності або індивідуальності людини; б) нечіткість або неясність у процесах мислення і умовиводу: Нечітке або неточне заключення; Неясність внаслідок складності та/або різноманіття виводів. В. Нечіткість або неясність, притаманна природним мовам: а) нечіткість опису чи зображення; б) неясність, пов’язана із складністю та/або різноманіттям семантик і структур природних мов Г. Розпливчатість або невиразність малюнків, картин, сцен: а) Розпливчатість малюнків і картин; б) Неясність, що виникає у процесі інтерпретації малюнків і картин Д. Неясність внаслідок структурної складності та/або різноманіття інформації	Теорія стохастичних процесів і теорія прийняття рішень, міра ентропії Принцип невизначеності Теорія нечітких множин, теорія суб’єктивних ймовірностей Теорія нечіткого або наближеного міркування Звернення до підходу, що моделює процес пізнання Теорія нечітких множин, нечітка логіка, модальна логіка Семантика інформації Техніка фільтрування. Релаксаційна операція Техніка інтерпретації образів Техніка структурного моделювання	Теорія ймовірностей Квантова механіка Нескінченно-значна логіка Лукашевича Нечітка логіка (логіка з лінгвістичними значеннями істинності, пропозиційне числення, числення предикатів) Методи штучного інтелекту, які підкріплені теорією пізнання Техніка представлення знань, підкріплена теорією штучного інтелекту Теорія стохастичних процесів. Повторні операції (ітерації) Техніка представлення знань, методи штучного інтелекту Методи нечіткого структурного моделювання

завжди можна й точно визначити) вербальним (тобто мовним) описом, наприклад, кажуть, що траса слалому карколомна, або швидкість автомобіля шалена і при цьому усі досить ступені належності – це суб’єктивні оцінки ОПР, яка визначає нечітку підмножину. Психологи встановили, що в умовах нормального процесу мислення люди переводять вхідні стимули у вербальний код, тобто замінюють об’єктивні дані спостережень (які не

однозначно розуміють, про що йдеться, хоча для початківця навіть досить проста траса слалому – карколомна, а для пішохода, повз якого несподівано проскочив автомобіль на швидкості близько 40 км на годину, його швидкість здається шаленою. Цей процес лінгвістичного перекодування дуже важливий у психології людини. Внаслідок обмежених властивостей людини формувати абсолютне міркування і обмеженої здатності до безпосереднього запам’ятовування вона знатна отримати, усвідомити й запам’ятати обмежену кількість інформації. Вербальне перекодування стало для людини способом перероблення матеріалу у згустки насиченої інформації. Природна мова у цьому відношенні унікальна. Концепція нечіткої множини стала свого роду реакцією на незадоволеність математичними методами класичної теорії систем, яка спонукала досягати штучної точності, що недоречна стосовно багатьох систем реального світу, особливо складних систем, які містять як компоненти-підсистеми людей. Саме спосіб міркування людини і є областю застосування теорії нечітких множин. Дійсно, міркування людини у більшості за своєю природою скоріше приблизні, ніж точні. Так, якщо „х” – мале, а відомо, що „х” і „y” приблизно рівні, то і „у” більш-менш мале. Цей процес визначення приблизного рішення системи недостатньо визначених рівнянь має назву приблизного або правдоподібного міркування.

Методологію такого підходу простіше розглянути на конкретному прикладі. Так, у багатьох сферах людської діяльності існує проблема календарного планування робочої сили і керування наявними ресурсами. Ця проблема пов’язана з намаганням збалансувати витрати, які обумовлені змінами у кількості робочої сили PC (робітники наймаються або звільняються), неповним або завищеним використанням робочої сили (простій або понаднормова термінова праця), інвентаризацією IH (поточні витрати, витрати викликані рекламацією, втрати на цінах, рівень матеріально-виробничих запасів тощо). Нечіткі умовні висловлювання, що моделюють міркування людини, саме й дають методологію для безпосереднього уявлення тверджень типу „Якщо прогноз споживання (ПС) високий, то продуктивність (ПР) повинна бути не низькою”. Терміни високий і не низький у цьому прикладі являють собою значення лінгвістичних змінних „прогноз споживання” і „продуктивність”. Це нечітке умовне висловлення збігається з вербальним протоколом. Керівник, як правило, міркує саме нечіткими поняттями і евристична модель, в якій використовуються лінгвістичні змінні, повинна надавати кращу пізнавальну імітацію, ніж модель, яка базується на традиційних методах. Два чи більше нечітких умовних твердження можна поєднувати зв’язкою ІНАКШЕ. Так, алгоритм планування продуктивності для періоду часу t може мати такий вигляд:

ЯКЩО ПС_t є _____ І ІН_t-1 є _____ І РС_t-1 є ______ , ТО ПР_t є ______ ІНАКШЕ .... ,

а алгоритм планування робочої сили для того ж періоду буде виглядати так:

ЯКЩО ПС_t є _____ І ІН_t-1 є ______ І РС_t-1 є ______ , ТО РС_t є ______ , ІНАКШЕ ...

Тут РС_t - зміни у рівні робочої сили, РС_t = РС_t-1 + РС_t , ІН_t = ІН_t-1 + ПР_t - ПС_t .

Алгоритм планування продуктивності при цьому може мати такий конкретний вигляд:

ЯКЩО ПС_t – високий І ІН_t-1 – не високий І РС_t-1 - високий, ТО ПР_t – високий.

Це правило описує ситуацію, в якій прогнозується високий попит, запас наявних товарів не високий, рівень зайнятості робочої сили високий. Здоровий глузд диктує наступне рішення: виробити велику кількість виробів. При цьому продуктивність зводиться у відповідність до рівня попиту, який передбачається, що дозволяє уникнути втрати ринку збуту і невиконання замовлень. Оскільки рівень наявної робочої сили високий, висока продуктивність не повинна суттєво впливати ні на тривалість понаднормових робіт а ні на кількість неповних робочих днів. Крім того, оскільки рівень наявних запасів матеріально-технічних ресурсів не високий, не є бажаним його подальше зменшення з-за виробництва меншої кількості виробів, ніж необхідно, з іншого боку, зростуть складські витрати. Логіка цього правила досить прозора, і стають зрозумілими навіть відтінки пізнавальних процесів у ОПР. Може виникнути враження, що наведений вербальний опис узято з протокольних доводів керівника, якими він обґрунтовує своє рішення.

Вище йшлося про так звану евристичну модель. Необхідно визначитися у термінології. Евристики – це емпіричні правила або спрощення, які ефективно обмежують пошук рішення. Для ілюстрації евристичних методів розглянемо порівняння евристичних і традиційних алгоритмічних методів (рис. 10.3).

Запобігання захопленню літака терористами

Запобігання проникненню терористів на літак

Алгоритм

Евристика

Р

Провести особистий огляд кожного пасажира і членів екіпажу та обшукати весь багаж

Провести усіх пасажирів і багаж крізь детектор металу. Обшукати лише тих пасажирів, на яких реагує детектор, а також тих, чиї прикмети збігаються з прикметами потенційних терористів, а також осіб у розшуку

ис. 10.3

Рис. 10.4

ис

Алгоритмічні і евристичні методи

Логічний критерій вибору полягає у тому, щоб як рішення обирати таке значення базової змінної, у якому функція належності досягає максимального значення. Однак, оскільки базова змінна може досягати максимального значення належності у декількох точках свого універсуму, цей критерій не гарантує однозначного рішення. Щоб продемонструвати проблему перетворення нечіткої множини у скаляр, варто розглянути декілька графіків функцій належності  (рис. 10.5). У випадку (а) максимальне значення належності досягається у одній точці і вибір рішення, таким чином, робиться однозначно. У випадку (б) максимальна належність досягається у декількох середніх значеннях базової змінної х і один з підходів до вибору єдиного значення полягає у випадковому виборі серед конкуруючих значень, або у виборі середньої точки між тими кінцевими точками, в яких досягається максимальна належність. Випадок (в) ілюструє ситуацію, коли максимальна належність досягається при декількох значеннях базової змінної х, однак усі ці значення не є „зв’язними”. Тут можна визначити область між „першим” і „останнім” значеннями аргументів, за яких функція належності  досягає максимуму. Після цього шукають точку (*), в якій значення А₁ дорівнює А₂. Ця точка й приймається як рішення.

X

(*)

Рис. 10.5

Відбирання рішень на підставі нечітких множин

D₁ = D₂; S₁ = S₂

У випадку (г), як і у випадку (в), максимальна належність досягається на декількох групах значень базової змінної, але відстань між цими групами відносно велика. Це результат правил, що „конфліктують”, і має бути сприйнятим як сигнал до змінени одного з правил. Якщо ж максимальне значення належності мале, це свідчить, що жодне з правил не підходить для конкретних значень вільних змінних, що виявилися. У цьому випадку треба або змінити правило, що використовується, або додати нове.

Окремо варто зупинитися на теорії можливості, яку необхідно відділити від теорії ймовірності. Сьогодні досить часто використовують терміни „можливо”, „правдоподібно”, „ймовірно”, „цілком можливо” у значеннях, які чітко не розрізняються. Невизначеність, яка виникає в організаційних системах і у низці різноманітних ситуацій – це тонка суміш випадковості і нечіткості. Теорія ймовірностей має справу, головним чином, із масовими випадковими явищами (аналіз якості масової продукції, прогнозування споживання тих, чи інших товарів, проблеми демографії, ігри тощо). Тут імовірність уявляється як відношення кількості сприятливих випадків до загального числа усіх можливих випадків. Числення ймовірностей дозволяє вирішувати багато проблем, які іншим шляхом не можна вирішити. Але тут виникає проблема оцінювання статистичних гіпотез: коли можна вважати результат таким, що відповідає дійсності? На цю тему існує анекдот. Одного разу дуже вихований і чемний пан, до того ж обізнаний з теорією ймовірностей, побачив на вокзалі людину, яка підкидаючи у чашці три гральні кістки, пропонувала парі, що викине одночасно три шістки, і дійсно тут же отримав три шістки. Така ситуація у принципі можлива. Але цій людині це вдалося ще і ще раз! Нарешті шановний вихований пан вилаявся, що з ним ніколи раніше не траплялося. Річ у тому, що він був дуже ввічливою і наївною людиною, і завдяки цій ввічливості і наївності припустив, що перед ним чесний гравець. Пан «Сама наївність» зберігав мовчання, доки послідовно кістки двічі не випали так, як казала ця людина, хоча випадіння трьох шісток удруге мало імовірність меншу, ніж 1/50000. Але коли події стали майже зовсім неймовірними, шановний пан вилаявся, бо він розумівся, що таке дуже неймовірна подія. Вище йшлося про масові випадкові явища (гральні кістки або монету можна підкидати скільки завгодно разів, для аналізу якості продукції можна робити вибірку того чи іншого обсягу, для аналізу народжуваності можна використовувати відповідні дані по всьому місту, країні чи світі). Але існують поодинокі явища, відносно яких статистики просто немає: чи можна встановити статистику загибелі атомних підводних човнів, коли їх у світі за весь час існування атомних флотів загинуло або важко постраждало менше десятка, чи можна встановити статистику загибелі „Шаттлів” на підставі усього двох таких випадків? У подібних випадках можна використати саме теорію можливості. У чому її суть? Теорія ймовірності встановлює певний ризик катастрофи атомного реактора: 1 на 1 000 000 реакторо-годин роботи. Здається, близько 400 реакторів, які існують сьогодні у світі, припускають безаварійну роботу протягом більш ніж 100 років, а насправді за останні 50 років відбулося не менш чотирьох катастрофічних ядерних інцидентів (ЧАЕС, британська „Віндскейл”, американська „Три Майл Айленд”, реактор поблизу Челябинська), тобто аварійність виявилася на порядок більшою. У чому справа? Теорія ймовірності на це запитання не дає відповіді. Часто посилаються на людський чинник. І це має рацію. Але справа в іншому. Теорія імовірності формулює ризик, виходячи з абстрактних (як правило, рівних і таких, що відповідають ліцензійним стандартам) умов експлуатації і поводження. Насправді ж це далеко не так! Як стверджує С. Паркінсон, все, що може поганого статися, обов’язково здійсниться, не зважаючи на скільки завгодно малу імовірність цієї події. Річ у тому, що будь-яка система (атом, ядерний об’єкт, комп’ютер, корабель, літак тощо) має декілька можливих станів, один чи декілька з яких є метастабільними. Коли створюються умови переходу у такий стан, відбувається катастрофа: нейтрон, потрапляючи у сферу дії ядра важкого елемента, викликає реакцію ділення; корабель, потрапляючи на верхівку „довгої” хвилі в умовах раптового торнадо чи інших випадкових зовнішніх сил, може переломитися; комп’ютер під впливом зовнішнього електромагнітного імпульсу (наприклад, від потужного радару) може дати „збій”, внаслідок якого спрацює те, що не повинно спрацьовувати тощо. Як же оцінювати можливі „неприємності”? У розвідників і слідчих є певний аргумент: дві події, які б вони не були малоймовірні, можуть відбутися одночасно, але якщо збігаються три чи більше малоймовірних подій, то це вже є результат спрямованої дії, тобто теорія ймовірності тут ні до чого - треба шукати більш розумне пояснення (як у справі ввічливого пана «Сама наївність» і людини з вокзалу). Як же оцінювати нестатистичні припущення? Для цього краще звернутися до власного прикладу. Одного разу я познайомився з певним паном Переоридорогою. Це прізвище дещо незвичне, хоча мені й довелося зустрічатися з людиною, яка мала таке прізвище, під час мого навчання. Але я згадав, що мій приятель, який мешкає у Донецьку, написав мені якось, що він отримав роботу у фірмі „ Пилип Переоридорога і К^о”, яка займається будівництвом. Пізніше я дізнався, що Переоридорога – будівельник, працює на Донеччині і його звуть Пилип. Такий збіг обставин примусив мене спитати при нагоді пана Переоридорогу, чи не знає він мого знайомого і упевнився у тому, що так воно і є! Не є неймовірним, щоб дві різних людини мали одне й те ж прізвище, якщо воно достатньо розповсюджене. Значно менш імовірно, щоб люди з однаковими і досить нерозповсюдженими прізвищами мали однаковий фах і мешкали у одному й тому ж місті і були різними людьми.

Зазначене вище можна сформулювати як імовірність події В, коли є релевантна інформація :

Р(В|) = P(B|f є щільність Х).

Тут  = „Х є А”, де А – нечітка підмножина U з функцією належності _А, яку можна визначити. Повідомлення  не визначає істинну щільність Х, але дає більш слабкий закон для Х: розподіл можливостей _Х = _А. Якщо В – нечітка подія, то

(В|) = (B|A) = [_A(u)_B(u)],

де (В|A) означає (В|_Х=_А) і sup [_A(u)_B(u)] характеризує необхідну (єдину) точну верхню границю збігу функцій належності для усіх випадків uU.

Використання подібного підходу може стати у пригоді в багатьох випадках, коли класичні методи „не спрацьовують”. Саме нехтування інформацією  про те, що одна з десятка тисяч керамічних плиток термоізоляційного покриття „Шаттлу” відокремилася напередодні старту (а точніше – під час входження у щільні шари атмосфери на завершальній стадії попереднього польоту), і призвело до катастрофи, оскільки можливість такої події Р(В|) виявилася (якщо б підрахували своєчасно) наближеною до одиниці. Така ж відповідь була б і у випадку інформації  щодо наявності торпеди з витіканням палива у відсік; глибинами моря у районі маневрування, що не перевищували 100 м; фактичного використання протичовнової зброї (у районі того ж полігону) під час навчань АПЧ „Курськ”, наявності на борту АПЧ бойового комплекту ракет, що не дозволяється робити, коли човен виходить на полігон з метою, не пов’язаною з ракетними пусками. Інформацію не врахували, сподіваючись на надто малу імовірність будь-якої аварії, що і стало причиною трагедії: можливість згідно із законом Паркінсона перейшла у реальність!

Отже, під час менеджменту з метою зменшити витрати і збільшити ефективність процесів енергогенерування, транспортування та споживання необхідно мати на увазі, що більшість даних, що отримуються системою моніторингу (особливо тих, які не можуть бути безпосереднє виміряні), скоріше можуть бути віднесені до нечітких даних, з якими відповідним чином і слід оперувати.

10.4. Оптимізація енергоменеджменту в умовах невизначеності

Шляхи оптимізації процедур енергоменеджменту можна проілюструвати на прикладі менеджменту твердими побутовими відходами (ТПВ), які генеруються у всіх країнах з темпом, який випереджає темпи приросту населення. Це пов’язане із збільшенням використання різних пакувальних матеріалів, у першу чергу пластику, алюмінію, картону тощо. У зв’язку із цим проблема поводження з ТПВ набуває все більшої ваги. Це проблема охоплює три головні складові:

1. Запровадження безвідходних та маловідходних технологій.

2. Збирання й транспортування відходів від місць їхнього генерування до місць, де вони підлягають обробці.

3. Обробки, яка передбачає, залежно від типу ТПВ та різних об’єктивних умов, сортування як перший етап поводження (за винятком тих випадків, коли має місце попереднє сортування, як, наприклад, збирання склотари, макулатури, металолому тощо); рециклінг, тобто вторинне використання того чи іншого попереднє відсортованого компоненту відходу (наприклад, скла, металу, паперу тощо), утилізацію, тобто використання тих компонентів ТПВ, які не підлягають рециклінгу, але містять у собі багато органіки, для отримання компостів, біопалива, або для спалення чи газифікації з метою отримання тепла та/або електроенергії; знешкодження, тобто перетворення токсичних відходів на нетоксичні з подальшою утилізацією, захоронення, тобто ізоляція відходів від оточуючого середовища у разі неможливості їхнього подальшого використання, або їхньої токсичності.

Вирішення завдань, релевантних проблемі поводження з ТПВ, ускладнюється тим, що інформація щодо поточного якісного складу (структури) ТПВ, кількісних характеристик та обсягів генерування не є чіткою, а характеризує лише певну належність до тих чи інших категорій. Ось чому детерміновані методи не можуть бути ефективними. У свою чергу, методи статистики також зустрічаються з рядом труднощів, головними з яких є відсутність вичерпних достовірних даних (тобто представницьких вибірок) щодо розподілів випадкових величин. Тому досить привабливим є шлях використання методів теорії нечітких множин та теорії можливостей з заміною детермінованих функцій, що зв’язують між собою вхідні дані, змінні, зовнішні чинники та параметри з виходами, функціями належності (ФН). Сенс таких функцій полягає у наступному. Замість детермінованих цифрових даних, з якими у процесах поводження з ТПВ важко зустрітися (структура ТПВ та кількісні характеристики щодо кожного з компонентів відмінні у кожному пункті збирання і у кожній вантажівці, як і їхня загальна маса) в практиці нечітких множин користуються лінгвістичними змінними, які, наприклад, можуть мати такі значення: «відсутнє» (В), «мале» (М), «середнє значення» (С) і «багато» (Б). «Середнє значення», як правило, відповідає такому, яке спостерігається у більшості випадків протягом значного часу. Тоді функцію належності до тієї чи іншої лінгвістичної змінної можна представити у наступному вигляді:

,

де a_і ≤ b_і ≤ c_і ≤ d_і - відповідають експертним оцінкам меж, в яких перебувають відповідні (і-ті) лінгвістичні змінні В, М, С та Б. ФН при цьому може бути представлена у вигляді, як на рис.10.6.

Рис.10.6

Функція належності до лінгвістичних змінних В, М, С, Б

Зазначений вище підхід для можна успішно використати для оцінювання ефективності систем поводження з ТПВ та розробки евристик, які б сприяли оптимальному використанню устаткування, мінімізації втрат та небезпеки для оточуючого середовища.

Будь-яке керуюче правило з процедур поводження з ТПВ можна представити у формі «ЯКЩО» {умови}, «ТО» {наслідки}.

Наприклад, доцільність попереднього сортування можна сформулювати таким чином:

ЯКЩО {(ОСМ_М) ТА (ССМ_Б)},ТО {НПС_В},

ЯКЩО {(ОСМ_С) ТА (ССМ_С)},ТО {НПС_Б},

ЯКЩО {(ОСМ_Б) ТА (ССМ_Б)},ТО {НПС_С},

де ОСМ – обсяг матеріалу, що має підлягати сортуванню, ССМ – собівартість сортування матеріалу, НПС – необхідність попереднього сортування, а В, М, С, Б – відповідні оцінки.

Такі ж евристики можна скласти для рециклінгу:

ЯКЩО {(ОРМ_М) ТА (СРМ_Б)},ТО {НРМ_В},

ЯКЩО {(ОРМ_Б) ТА (СРМ_Б)},ТО {НРМ_С},

ЯКЩО {(ОРМ_С) ТА (СРМ_С)},ТО {НРМ_Б},

де ОРМ, СРМ та НРМ – відповідно обсяг, собівартість та необхідність рециклінгу матеріалів.

Евристики для утилізації мають наступний вигляд:

ЯКЩО {(ВОР_Б) ТА (ВЛО_Б) ТА (ПТП_В) ТА (ТОК_В)},ТО {НКП_Б},

ЯКЩО {(ВОР_Б) ТА (ВЛО_В) ТА (ПТП_Б) ТА (ТОК_С)},ТО {НСГ_Б},

ЯКЩО {(ВОР_С) ТА (ВЛО_С) ТА (ПТП_М) ТА (ТОК_В)},ТО {НБП_Б},

ЯКЩО {(ВОР_М) ТА (ВЛО_С) ТА (ПТП_С) ТА (ТОК_Б)},ТО {НГЗ_Б},

де, відповідно, ВОР, ВЛО, ПТП, ТОК, НКП, НСГ, НБП та НГЗ – вміст органіки, вміст вологи, потреба у теплопостачанні, токсичність, необхідність у компостуванні, необхідність у спалюванні чи газифікації, необхідність у біопаливі, необхідність у газифікації.

Евристики для знешкодження та захоронення мають, у свою чергу, такий вигляд:

ЯКЩО {(ТОК_Б) ТА (СЗН_Б) ТА (ПУТ_В) },ТО {НЗХ_Б},

ЯКЩО {(ТОК_Б) ТА (СЗН_С) ТА (ПУТ_С) },ТО {НЗХ_С},

ЯКЩО {(ТОК_С) ТА (СЗН_М) ТА (ПУТ_С) },ТО {НЗН_С},

ЯКЩО {(ТОК_М) ТА (СЗН_М) ТА (ПУТ_М) },ТО {НЗХ_С},

де, відповідно, СЗН, ПУТ, НЗХ, НЗН - собівартість знешкодження, подальша утилізація, необхідність захоронення, необхідність знешкодження.

Сама процедура використання евристик полягає у наступному (Рис. 10.7).

0

1,0

0,33

0,64

0,76

0,72

В

Рис. 10.7

Процедура визначення належності конкретного значення х до відповідних лінгвістичних змінних

Якщо змінна Х_і приймає три конкретні значення, то у разі х = Х₁

ФН_В = 0, а ФН_М = 0,64 і тому величина Х₁ відноситься до лінгвістичної змінної М; у разі х = Х₂ ФН_М = 0,33, а ФН_С = 0,76 і величина Х₂ може бути віднесена до лінгвістичної змінної С; у разі х = Х₃ ФН_С = 0,33, а ФН_Б = 0,72 і величина Х₃ може бути віднесена до лінгвістичної змінної С.

Таким чином, головний наголос треба зробити на експертній оцінці функцій належності тих чи інших лінгвістичних змінних (які по суті є аналогом функцій розподілу випадкових величин) шляхом ретельного вивчення таких даних, як щоденні і усереднені (щомісячні, щорічні):

обсяги генерування ТПВ з прив’язкою до щільності населення, кількості та потужності підприємств, які генерують ТПВ, міграції населення тощо, та компонентний склад ТПВ;

собівартість сортування, рециклінгу, утилізації, знешкодження, захоронення ТПВ.

Це оцінювання можна виконати, користуючись теоремою Байєса], яка дозволяє визначити імовірність того, що прийнята гіпотеза розподілу випадкових величин відповідає дійсності, якщо є лише непрямі підтвердження (дані), які не є вичерпними (непредставницькі вибірки) й можуть бути неточними, як це й має місто під час моніторингу генерування ТПВ. Отриману за формулою Байєса імовірність можна при цьому далі уточнювати, приймаючи до уваги дані нових спостережень a_і ≤ b_і ≤ c_і ≤ d_і . Формула Байєса має наступний вигляд:

,

де P(A) — апріорна імовірність гіпотези A (тобто гіпотези функції розподілу тієї чи іншої лінгвістичної змінної);

P(A|B) — імовірність гіпотези A за умов здійснення події B (тобто визначення реального розподілу) - апостеріорна імовірність;

P(B | A) — імовірність здійснення події B за умов істинності гіпотези A;

P(B) — імовірність здійснення події B.

Важливим наслідком теореми Байєса є формула повної імовірності події, яка залежить від декількох несумісних гіпотез:

.

Тут імовірність здійснення події B, залежить від декількох гіпотез A_i, якщо відомі ступені достовірності цих гіпотез (наприклад, отримані експериментальні дані), причому за робочу гіпотезу варто прийняти Р(В_k), яка задовольняє умові

Р(В_k) = max {P(A₁)P(B|A₁), P(A₂)P(B|A₂), …, P(A_N)P(B|A_N)}.

Використання наведеного підходу разом з визначенням достовірних меж, в яких можуть знаходитися відповідні оцінки тих чи інших параметрів, дозволяє забезпечити оптимальний менеджмент у сфері поводження з ТПВ.

Під ефективними менеджментом розуміють не тільки забезпечення оптимальних умов протікання того, чи іншого процесу (генерування енергі\, її транспортування й розоділу, а також споживання), але й запобігання небажаних подій (техногенних аварій і катастроф). Справа у тому, що комунальне господарство України наблизилося до межі, за якою у будь-який момент може розпочатися ланцюгова реакція аварій та катастроф у системах водопостачання, водовідведення та енергопостачання. Дійсно, значна кількість компонентів цих систем морально та фізично застаріла, а режими, в яких ці системи функціонують, є далекими від оптимальних. Для суттєвого поліпшення стану речей необхідні величезні ресурси і час, які, нажаль, відсутні. У той же час ситуація вимагає термінових заходів. Сьогодні, як правило, проблема вирішується з примусу: коли відбувається чергова аварія або катастрофа – виконують відповідні роботи з заміною компонентів систем, що вийшли з ладу і одночасно аналізують ситуацію в деяких «критичних» ланках, причому критичність як така розглядається досить умовно, скоріше на якісному, ніж кількісному рівні, часто на підставі статистичних експертних оцінок. Такий підхід «постфактум» є дуже неефективним (з точки зору втрат споживачів та експлуатаційників) і до того ж пасивним (поки «грім не гримне» - експлуатаційники не «перехрестяться»). Тому варто корінним чином змінити сам підхід: не чекати, поки проблема сама виявиться, а попереджувати її появу. Для цього необхідно впровадити у практику комунального господарства наступні процедури:

• Вивчення процесів «старіння», які обумовлюють зміну характеристик (стану) систем, і моделювання динаміки зміни цього стану

• Визначення поточного стану систем.

• Прогнозування (за допомогою моделі) терміну, за яким стан системи може досягти критичного значення, тобто терміну, після якого нормальне функціонування системи неможливе.

• Проведення вчасного превентивного відновлення нормального стану системи.

Вивчення процесів «старіння» раціонально розпочати з вивчення чинників, які можуть вплинути на погіршення показників систем. Якщо йдеться про стан трубопроводів, які прокладено у відкритому ґрунті, то такими чинниками можуть бути блукаючі струми (у першу чергу поблизу трамвайних колій і колій метрополітену та трансформаторних підстанцій), лужні чи квасні компоненті ґрунту, підвищена вологість ґрунту, температура. Усі ці чинники сприяють корозії металевих труб, що призводить до потоншення стінок труб та, як наслідок, до руйнування їхньої цілісності (прориву). Більшість із зазначених чинників впливає і на внутрішню корозію труб, тобто до потоншення стінок труб з усіма наслідками, що з цього випливають. Моделювання динаміки зміни стану об’єкту зацікавленості здійснюється шляхом ретельного вивчення обставин, за яких відбувалися аварійні чи катастрофічні зміни стану, з формулюванням алгоритму, за яким ці події відбуваються, та реконструкцією параметрів зовнішніх чинників і визначенням параметрів моделей.

Так, якщо йдеться, наприклад, про стан водопровідної мережі (або теплотраси), необхідно використати моделі внутрішньої і зовнішньої корозії (для випадку суцільної рівномірної корозії), які мають наступний загальний вигляд:

Δh = 0,5{d_ok_oC_oexp - d_ik_iC_iexp },

де Δh = h – h₁ – сумарне зменшення товщини труби за рахунок внутрішньої і зовнішньої корозії, k_i i k_o – константи швидкості реакцій окислення всередині і зовні труби, C_і i C_о – відповідні концентрації окислювачів, α_і i α_о – відповідні передавальні коефіцієнти (константи), які визначають вплив тих чи інших чинників на експоненціальну залежність швидкості реакції Е₀ та Е_і , τ₀ та τ_і – константи часу системи, у якій відбувається та чи інша реакція, Т₀ та Т_і – абсолютні температури зовні труби і температури носія (води), t – час експлуатації даної ланки магістралі, d_i i d_o – відповідно внутрішній і зовнішній діаметри труби (рис. 10.8). У разі структурно-вибіркової, а особливо міжкристалітної корозії модель може бути суттєво більш складною.

h₁

h

d_o

d_i

Рис.10.8

_{Зміна товщини труби ∆h=h-h1 під впливом внутрішньої та зовнішньої корозії}

Враховуючи показники ґрунту, в якому прокладено труби, і води, яка тече у трубах, а також відповідні температури, дату початку експлуатації тієї чи іншої ділянки мережі, або її найбільш «слабкої» ланки, а також максимально припустиме сумарне зменшення товщини труби Δh_{max max} і відповідне погіршення структури металу труби, можна передбачити час, коли характеристики міцності, пов’язані із зменшенням товщини стінок труби з-за корозії, а також з погіршенням структурних характеристик металу труби, дійдуть межі Δh_{max max}, за якою може (за наявністю тих чи інших перехідних процесів у системі) відбутися розрив труби. Ця модель повинна також враховувати коливання тиску (у тому числі динамічні удари) і швидкості руху. Для розробки моделі і, головним чином, для вибору параметрів моделі необхідно ретельно вивчати усі випадки прориву труб з тим, щоб підібрати відповідні осереднені значення тих, чи інших констант, а також параметрів моделі. Отже, приймаючи рішення щодо модернізації тієї чи іншої структури (мережі) варто оцінити витрати на модернізацію та супутні витрати з оцінкою ризику у разі відмови від модернізації з-за відсутності коштів. Може статися, що вигідніше знайти кредит (навіть не дуже вигідний), ніж ризикувати.

У бетонних склепінь самопливних колекторів міської каналізації свої проблеми. Мікробіологічна корозія бетону внаслідок біогенної кислотної агресії (під впливом сірчаного водню H₂S, що виходить у підсклепіння колектору) знижує ресурс цих об’єктів у 3,3-5 разів (тобто з 50 до 10-15 років). До 74% аварій на залізобетонних трубопроводах систем водовідведення викликано саме цим видом корозійного руйнування. Бетон, звичайно, захищається гідроізоляційними антикорозійними покриттями. Але й вони не повністю виконують свою захисну функцію, головним чином, з-за наявності мікрошпарин. Концентрація сірчаного водню С_H2S (мг/м³) у плівковій конденсатній волозі на поверхні бетону споруди, яка підпадає під вплив біогенної сірчанокислої агресії і за якої покриття ще зберігає свої властивості, може бути визначена за такою емпіричною формулою:

де t_real – реальна тривкість покриття (доби), t_demand – необхідна тривкість покриття (доби). Треба відзначити, що стандартне відхилення концентрації С_H2S від математичного очікування цієї концентрації у атмосфері реальних об’єктів каналізації складає величину σ = ±50%, що за умов наближеного до нормального закону розподілу значень концентрації відповідає ширині смуги невизначеності даних близько 33%. Отже періодичне вимірювання концентрації С_H2S та порівнювання її з отриманою згідно вищезазначеної формули дозволить визначити межу, до якої припускається експлуатація об’єкту без зміни покриття.

Окремо слід зупинитися на аваріях трубопроводів, обумовлених вібраціями і динамічними ударами. Досить часто під час відкриття кранів (або за умов дії якоїсь іншої причини різкої зміни витрат носія у мережі) можна спостерігати скрегіт, завивання або й торохкотіння на зразок гуркоту мотоциклетного двигуна. Ці звуки обумовлені погано налаштованими засувками, невдалим виконанням трас, наявністю перешкод усередині патрубків (частковим блокуванням траси або її відгалуження відламками конструкцій і іншими предметами, які випадково могли потрапити у магістраль) тощо. Вібрації, які й спричиняють гуркотінню, з одного боку, призводять решт-у-решт до катастрофи, тобто до розриву труб в наслідок частотних знакозмінних (динамічних) навантажень, але з іншого – є сигналом про негаразди у системі і необхідність термінового втручання персоналу з метою виправлення ситуації. Отже на такі вібрації варто негайно реагувати, що дозволить уникнути серйозних аварій.

Ще однією проблемою, яка може призвести до аварії, є стале підвищення гідравлічного опору магістралі за рахунок, з одного боку, приєднання усе нових споживачів (внаслідок будівництва житлових та інших будівель), а також (з іншого) утворення перешкод, обумовлених неякісним ремонтом або використанням невідповідного устаткування, неякісних засувок тощо. Підвищення опору призводить до того, що для забезпечення споживачів водою приходиться підвищувати тиск у магістралі. А це створює умови для прориву труб, у першу чергу тих, які вичерпали свій ресурс у зв’язку з корозією. Тому треба обов’язково ввести поріг максимального тиску в магістралі, перевищення якого може спричинити до прориву труб, що знаходяться на межі ресурсу міцності і зробити відповідне оцінювання ризиків.

Визначення поточного стану (діагностика) зазвичай базується на встановленні поточних характеристик (властивостей) окремих компонентів (вузлів, ланок) системи шляхом використання методів, які не вимагають декомпозиції (виводу з дії з подальшим розбиранням на складові) і базуються на вимірюванні й оцінці розподілу просторових діаграм фізичних полів, що генеруються спеціальними приладами. Найширше використовують ультразвукові, теплові, рентгенівські, електромагнітні та радіоактивні методи. За допомогою таких методів можна визначати товщину труб, наявність мікрошпарин, щільність, пропускну спроможність, рівномірність завантаження тощо.

Після отримання інформації про фактичний стан об’єкта отримані дані треба підставити у рівняння моделі, яке дає змогу визначити час t_crit, який залишився до досягнення параметром підкритичного стану h_1crit. Якщо, наприклад, нехтувати корозією внутрішньої стінки труби, то цей час можна обчислити як

.

Евристики для визначення необхідності відновлення трубопроводу можуть мати, наприклад, наступний вигляд:

ЯКЩО [(h₁ > h_{1 min}) TA (VaR(∆p/h₁) < VaR (∆p/h₁)_max)] АБО

[(∑∆р < ∑∆р _max) ТА (Turb LF < Turb LF_max)], ТО «Норма»

ІНАКШЕ «Відновлення»

Тут h₁ – фактична або прогнозована товщина труби,

h_{1 min} – мінімально припустима за умовами експлуатації товщина труби,

∆p/h₁ – очікувані експлуатаційні стрибки тиску у магістралі, віднесені до реальної або прогнозованої товщини труби,

(∆p/h₁)_max – максимально припустиме значення ∆p/h₁,

∑∆р – інтегральна оцінка напружень, що мали місце протягом інтервалу спостереження,

∑∆р _max – максимально припустиме інтегральне напруження за весь життєвий цикл трубопроводу,

VaR – ціна ризику (максимальні втрати, які не будуть перевищені для заданої імовірності та довірчого інтервалу у заданому інтервалі часу),

Turb LF- поточна (прогнозована) турбулентність потоку у трубопроводі,

Евристики для визначення необхідності відновлення захисного покриття склепінь самопливних колекторів міської каналізації можуть мати, наприклад, наступний вигляд:

ЯКЩО [(C_{H2S_r} ≤ C_{H2S_c}) ТА (t_r « t_demand)] АБО [(C_{H2S_r} ≥ C_{H2S_c}) ТА (t_r ≤ 0,2t_demand)],

АБО [(VaR∑C_H2S < VaR∑C_{H2S_max}) TA (VaR∑Q < VaR∑Q_max)] , ТО «Норма»,

ІНАКШЕ «Відновлення»,

або

ЯКЩО [(C_{H2S_r} » C_{H2S_c}) ТА (t_r ≥ 0,3t_demand)], АБО [(C_{H2S_r} ≥ C_{H2S_c}) ТА (t_r ≥ 0,5t_demand)],

АБО [(VaR∑C_H2S ≥ VaR∑C_{H2S_max}) TA (VaR∑Q ≥ VaR∑Q_max)] ТО «Відновлення», ІНАКШЕ «Норма»,

де t_r – реальний час, що пройшов після чергового відновлення покриття;

∑C_H2S та ∑C_{H2S_max} – середні інтегральні значення концентрацій H₂S на інтервалі спостереження та їхні очікувані максимально припустимі значення;

∑Q та ∑Q_max – сумарні скиди рідких відходів у каналізацію в інтервалі спостереження та очікувані максимально припустимі значення на цьому ж інтервалі;

VaR – ціна ризику (максимальні втрати, які не будуть перевищені для заданої імовірності та довірчого інтервалу у заданому інтервалі часу).

Показник ризику (ціна ризику) VaR зазначає максимальні втрати, які не будуть перевищені для заданої імовірності та довірчого інтервалу у заданому інтервалі часу. Звичайно як інтервал часу в системах ЖКГ можна використати 1 рік. Як довірчий рівень (тобто імовірність того, що VaR не перевищить максимальні припустимі втрати) звичайно використовують α = 0,95 (тобто 95%). Величина VaR може бути представлена як у грошовому еквіваленті втрат, так і у будь-яких інших значеннях. Тоді при заданому рівні VaR задається як найменше число q, при якому імовірність Р втрат Q перевищує q на величину, яка не є більшою, ніж (1 – α):

.

Тут inf визначає найбільшу нижню межу, – множина можливих втрат. У імовірнісних термінах VaR визначається як квантіль розподілу втрат.

У випадку нормального розподілу (якщо є підстави так вважати) за умов довірчого інтервалу α = 95% значення VaR можна представити у вигляді

де V – максимальні можливі втрати, μ – очікуване відносне значення втрат за і-м сценарієм (середнє), σ - стандартне відхилення.

Якщо відсутні дані щодо закону розподілу, можна використати таку емпіричну формулу оцінювання ризику:

де Т – термін, впродовж дії якого визначається ризик, у місяцях, 2,33 – коефіцієнт, що відповідає довірчому інтервалу 99%.

У системах житлово-комунального господарства катастрофічні явища спостерігаються частіше за усе у сфері комунальної енергетики, газопостачання, водопостачанні та водовідведення: прориви теплотрас, газових магістралей і мереж водопостачання та водовідведення – повсякденні проблеми життя сучасних мегаполісів. Відомо, скільки коштів поглинають роботи по відбудові аварійних ділянок теплотрас і мереж. Але мало хто звертає увагу на те, як відбувається у часі, а також за якісних та кількісних варіацій змінних і чинників, процес поступового переходу від режиму нормальної експлуатації до режиму розвитку аварії. Більше того, прийнято вважати, що аварія виникає «миттєво», «зненацька», «невідворотно». Якщо відкинути такі чинники як тероризм, диверсії або природні катастрофи (землетрус, повінь, торнадо тощо) усяка техногенна аварія розвивається у надрах нормально працюючої системи як результат недбалості і непрофесіоналізму, тому що такі чинники, як процеси старіння, зносу, дрейфу параметрів тощо повинні враховуватися на усіх етапах експлуатації будь-яких систем. Інакше кажучи, поряд з виконанням своїх безпосередніх функцій автоматизовані системи і персонал повинні забезпечувати сталий моніторинг стану як кожної з систем у цілому, так і усіх її головних складових. Тут під моніторингом треба розуміти не тільки періодичну фіксацію поточного стану кожного з компонентів системи, але й використання моделей поведінки цих компонентів у часі і в функції внутрішніх і зовнішніх чинників для прогнозування майбутньої зміни стану зазначених компонентів і системи у цілому.

Використання такого підходу дасть змогу реалізувати так звану програмовану експлуатацію систем міського господарства, коли замість очікування катастроф і аварій можна буде забезпечити превентивний ремонт та відновлення устаткування згідно з фактичним його станом на підставі прогнозних моделей, що суттєво скоротить витрати на експлуатацію (у тому числі й необхідні енергоресурси), зробить роботу систем міського господарства більш стабільною, підвищить якість обслуговування споживачів.

Варто звернути увагу на те, що найбільшую ефективність в процесах генерування, транспортування та споживання енергії забезпечують не технічні засоби, технології та прийоми, а жорстке виконання персоналом усіх правил, режимів та рекомендацій, тобто перше місце у вирішенні проблеми енерго-ресурсозбереження займає «людський чинник». Тому необхідно регулярно проводити моніторинг щодо чіткого (без винятків та послаблень) додержання правил, інструкцій та рекомендацій експлуатаційним персоналом усіх ланок, що пов’язані з генеруванням і транспортуванням енергії, обслуговуванням систем енергопостачання, розподілом та споживанням енергії.