Р.А. Баташов1

1 Российский экономический университет имени Г.В. Плеханова (Москва, Россия)

1rusbatashov@gmail.com

Постановка проблемы. Нефтегазовый комплекс является одной из ключевых и стратегически значимых отраслей экономики. Одной из наиболее актуальных задач является дебаланс – расхождение между фактическими и документально-учетными данными. Статья посвящена разработке байесовского алгоритма адаптивной коррекции дебаланса в информационно-измерительных системах (ИИС) учета нефтепродуктов.

Цель. Провести исследование и экспериментальную проверку алгоритма коррекции дебаланса, основанного на принципах байесовской статистики, для повышения точности и надежности ИИС учета нефтепродуктов.

Результаты. Предложен вероятностный подход, в котором дебаланс Δ рассматривается как случайная величина с априорным распределением. При поступлении новых измерений выполняется обновление апостериорных оценок, что позволяет динамически уточнять массу нефтепродукта и снижать систематические и случайные ошибки. Приведены итоги апробации алгоритма на данных ИИС, включая сопоставление с ручными и автоматизированными измерениями, а также с базовыми и модифицированными методами коррекции. Показано, что применение байесовского фильтра обеспечивает апостериорное среднее дебаланса порядка –5,9 кг при σ ≈ 155 кг и вероятности соблюдения нормативной погрешности ±0,5% более 95%.

Практическая значимость. Интеграция байесовского фильтра в состав ИИС позволяет не только минимизировать дебаланс и повысить точность учета, но и повысить устойчивость процесса обработки данных к внешним возмущениям.

Баташов Р.А. Байесовский подход к алгоритмам коррекции дебаланса в информационно-измерительных системах учета нефтепродуктов // Информационно-измерительные и управляющие системы. 2026. Т. 24. № 3. С. 55−66. DOI: https://doi.org/10.18127/j20700814-202603-06

1. Hening Huang. A new modified Bayesian method for measurement uncertainty analysis and the unification of frequentist and Bayesian inference // Journal of Probability and Statistical Science 20(1). 52−79, August 2022.
2. ГОСТ Р 8.595‑2004. Государственная система обеспечения единства измерений. Резервуары вертикальные цилиндрические стальные. Методика выполнения измерений при определении вместимости. М.: Стандартинформ. 2004. 34 с.
3. Jaynes E.T. Probability Theory: The Logic of Science. Cambridge: Cambridge University Press. 2003. 758 p.
4. Блохин Н.В., Макрушин С.В. Построение векторного представления отраслей экономики с помощью графовых нейронных сетей // Информационно-измерительные и управляющие системы. 2023. Т. 21. № 5. С. 7−15. https://doi.org/10.18127/j20700814-202305-02.
5. Годнев А.Г. Широкодиапазонный дискретно-непрерывный датчик уровня // Системный анализ, управление и обработка информации в космической отрасли. 2015. № 3. С. 189−194.
6. Чугаев В.В. Теория и практика градуировки резервуаров. М.: Недра. 2015.
7. Bishop C.M. Pattern Recognition and Machine Learning. Springer. 2006.
8. Jaynes E.T. Probability Theory: The Logic of Science. Cambridge Univ. Press. 2003.
9. Gelman A. et al. Bayesian Data Analysis. Chapman & Hall/CRC. 2013.
10. Kalman R.E. A New Approach to Linear Filtering and Prediction Problems. Journal of Basic Engineering. 1960.
11. Годнев А.Г., Зоря Е.И. Теория и практика измерений и учета количества при обороте нефтепродуктов. М.: МАКС Пресс. 2020. 272 с. ISBN 978-5-317-06428-0. https://doi.org/10.29003/m1393.978-5-317-06428-0.