Представляем всю ОЭС как совокупность генераторов определенной мощности, данные по мощностям были представлены для использования представителями НЭК «Укрэнерго», в сумме на конец 2013года генерация составляет 54504,4 МВт. [1] и представлена ​​в виде 52 генераторов, главный расчетный параметр, который имеем – зависимость частоты напряжения на выходе генераторов от времени после подключения мощного потребителя и дефицита мощности в системе. Графики этой зависимости изображены на рис. 1.

Разбивать группу генераторов на два кластера будем используя ПО для статистических расчетов StatSoft “Statistica 6.0″.
При работе с программой «Statistica 6.0» применялись различные сочетания правил объединения объектов при формировании кластеров (одиночный связь или метод ближайшего соседа, полных связей или метод наиболее удаленных соседей, невзвешенный и взвешенный попарного среднего, невзвешенный и взвешенный центроидного, Варда) и метрик расстояния между объектами в многомерном пространстве признаков (евклидова, квадратичная евклидова, Манхэттенский расстояние, расстояние Чебышева). В общей сложности было реализовано 17 вариантов кластеризации генераторов. Самым устойчивым оказалось разбиение объектов на два кластера, каждый из которых включает более одного объекта. Из них наиболее часто встречается вариант кластеризации, приведен ниже:
Первый кластер: СМ 9145, СМ 9147, СМ 9148, СМ 9149, СМ 9159, СМ 9171, СМ 9172, СМ 9173, СМ 9183, СМ 9184, СМ 9205, СМ 9207, СМ 9209, СМ 9210, СМ 9303, СМ 9304, СМ 9311 ЗапАЕС, СМ 9312 ЗапАЕС, СМ 9313 ЗапАЕС, СМ 9314 ЗапАЕС, СМ 9315 ЗапАЕС, СМ 9323, СМ 9324, СМ 9325, СМ 9330, СМ 9341, СМ 9343, СМ 9501, СМ 9502, СМ 9521, СМ 9522, СМ 9599.
Второй кластер: СМ 9316 ЗапАЕС, СМ 9704, СМ 9721, СМ 9722, СМ 9723, СМ 9803, СМ 9804, СМ 9805, СМ 9806, СМ 9808, СМ 9809, СМ 9822, СМ 9823, СМ 9825, СМ 9851, СМ 9901 РовАЕС, СМ 9902 РовЕАС, СМ 9903 РовАЕС, СМ 9904 РовАЕС, СМ 9905 РовАЕС, СМ 9906 РовАЕС.
Дендрограмма одного из вариантов кластеризации приведена на рис. 2. По оси абсцисс показаны объекты кластеризации (регионы), по оси ординат-значение расстояний, при которых происходит последовательное объединение объектов.

На втором этапе было реализовано итерационный метод «k – средних» для числа кластеров k = 2. Кластеризация проведена за два итерации и изображена на рис. 3.

Таким образом мы получили две когерентные группы генераторов. Состав полученных кластеров полностью совпадает с методом при использованиии метода с дендограмой.
На следующем этапе выполняем проверку по «критерию ч2» [2], чтобы проверить удовлетворяют ли построенные графики кластеров условиям когерентности, что позволит нам перейти к следующему этапу – моделированию эквивалентной ОЭС. Критерий Хи-квадрат позволяет сравнивать распределение частот независимо от того, распределены они нормально или нет. Также преимущество этого критерия в том, что его можем применять для выборки объемом более 200 значений, в нашем случае n = 1000 значений.
Выберем количество интервалов: r = 40.
Вычислим ширину интервала:

 (1)

Результаты измерений группируем по интервалам, вычисляем частоты mj значений xj, попадающих в j интервал. Рассчитанные данные для первого и второго кластеров заносим в таблицу 2.1 и таблицы 2.2 соответственно. Вычисляем среднее и выборочное СКО по формулам:

 (2)

 (3)

Затем вычисляем значение:

 (4)

Далее рассчитываем вероятность Pj, соответствующий j-му интервалу:

 (5)

где

 – значение нормированной функции Лапласа.

Определяем критерий проверки:

 (6)

На последнем этапе для избранное уровня значимости б из таблицы «Критические значения » [3] находят соответствующее значение  для числа степеней свободы:

 (7)

где

l – количество параметров функции теоретического распределения.

Если , то разбиение генераторов на кластеры выполнены верно и можно переходить к этапу моделирования.

Из результатов расчета для первого кластера 25,235 <53.393 и для второго кластера 44,456 <53.393 – разбиение выполнено верно. Расчетное значение критерия ч² меньше табличного.

После того, как мы еквивалентировали ОЭС и разбили на кластеры, главной задачей является синтез регулятора, который управляет подключением ВИЭ для поддержания баланса мощностей в энергосистеме. Энергия ветра является одним из наиболее перспективных возобновляемых источников энергии через ее конкурентоспособную стоимость по сравнению с другими традиционными видами энергоресурсов. Ее производство безвредно для окружающей среды, и этот ресурс доступный в природе. Таким образом, энергия ветра может быть использована путем механического преобразования ее в электрическую энергию с помощью ветряной турбины. Будем рассматривать подключение мощных ветрогенераторов.

На рис. 4 показана принципиальная схема системы преобразования энергии ветра на основе синхронного генератора. Эта система непосредственно подключена к сети через систему преобразования энергии. Данная конфигурация системы называется «back-to-back PWM» [4] (спина к спине на основе широтно-импульсной модуляции) включена в сеть. Регулятор управляет углом поворота лопастей.

Генератором можно непосредственно управлять с генераторной стороны регулятором-1, в то время как со стороны сети регулятор-2 поддерживает напряжение на звене DC на желаемом значении с помощью экспорта активной мощности в энергосистему. Контроллер-2 также контролирует перетоки реактивной мощности с внешней сетью [6]. Итак, главная задача регулятора-1 это отслеживание максимальной возможной мощности ветрогенератора, а функция контроллера-2 – для контроля напряжения на звене DC и передача активной мощности в энергосистему.

Современный этап развития системного анализа и математического моделирования характеризуется расширением сферы их применения на слабо формализованные динамические системы. В большинстве случаев классические методы моделирования для таких систем не могут быть применены непосредственно, а следовательно, требуют определенной адаптации.

Математические модели динамических систем могут использоваться для анализа их динамики (имитации движения, прогнозирование будущих состояний) и оптимизации эволюции в будущем. В зависимости от цели моделирования может изменяться как сама модель, так и методы ее построения. Наиболее распространенными формами моделей динамических систем в математическом моделировании является дифференциальная или дифференциально-алгебраическая.

В системах управления, представлениям о пространстве состояний является математическая модель физической системы в виде набора входных и выходных переменных состояния, которые связаны дифференциальными уравнениями первого порядка. Чтобы отвлечься от количества входящих, выходящих параметров и состояния системы, переменные представляются в виде векторов. Кроме того, если динамическая система линейна и неизменна во времени, то дифференциальные и алгебраические уравнения можно записать в матричном виде. Представление о пространстве состояний (также известное как “time-domain approach”) обеспечивает удобный и компактный способ моделирования и анализа систем с несколькими входами и выходами. Имея р входов и q выходов, нам иначе пришлось бы записать q Ч p раз преобразование Лапласа для того, чтобы закодировать всю информацию о системе [7].

Главными элементами исследуемой ЕЭС являются генераторы, которые моделируют генерирующую мощности ОЭС.

Применительно к многомашинной ЕЭС система нелинейных дифференциальных уравнений трансформируется в систему нелинейных дифференциальных уравнений:

где

 – отклонение углов поворота роторов от синхронно вращается декартовой системы координат i-го и j-го генераторов соответственно;

 – отклонение частоты i-го генератора от декартовой системы координат, которая синхронно вращается;

 – постоянная инерции i-го генератора;

 – коэфициент демпфирования i-го генератора;

 – ЭРС i-го и j-го генераторов соответственно;

 – активная собственная проводимость узла i, к которому подключен i-й генератор

Мощность, которая протекает в сеть в узле i и равна электрической мощности i-й синхронной машины, определяется как:

 (9)

где

 – полная проводимость между i-м и j-м узлами;

 – аргумент полной комплексной проводимость между i-м и j-м узлами;

Необходимо отметить, что в момент, предшествующий переходному процессу (t=0), , то есть механическая мощность турбины i-го генератора:

 (10)

Индекс «0» означает исходное состояние ЭЭС и это относится к углам роторов всех синхронных машин и параметров сети, поскольку конфигурация сети в переходном режиме (после коммутаций) изменяется [8]. 
Наиболее распространенное представление пространства состояний линейной системы с р входами, q выходами и n переменными состояния записывается в следующем виде [9]:

 (11)
где
 – вектор состояний, ;
 – выходной вектор, ;
 – входной (управляющий) вектор, ;
 – матрица системы, dim[A] = nЧn;
 – входная матрица, управляющая, dim[B] = nЧp;
 – выходная матрица, dim[C] = qЧn;
 – ведущая или прямой связи матрица (в случаях, когда модель системы не имеет прямой связи, то D – нулевая матрица), dim[D] = qЧp.
Имеющие все необходимые данные и рассчитав необходимые коэффициенты системы можем выполнять моделирование регулятора в ПО MatLab “Simulink”. 
Набор входных данных векторов:
A=[0 1 0 0; -6.098 -0.588 6.098 0;0 0 0 1;3.886 0 -3.886 -0.375];
B=[0 0 0 0;0 1 0 0;0 0 0 0;0 0 0 1];
C=[0 0 0 0;0 1 0 0;0 0 0 0;0 0 0 1];
D=[0 0 0 0;0 0 0 0;0 0 0 0;0 0 0 0];
Q=[1 0 0 0;0 1 0 0;0 0 1 0;0 0 0 1];
R=[1 0 0 0;0 1 0 0;0 0 1 0;0 0 0 1];
Расчетная блок схема имеет вид:

Рисунок 5 – Блок-схема для моделирования

В блоке State-Space1 с помощью уравнений состояния построили графики зависимости двух кластеров по угловой частоте, изображенные на рис. 6:

Как видим, они почти аналогичные тем, что мы получили с помощью кластерного анализа, а это означает, что модель системы достоверна. Во втором блоке State-Space2 реализован сам регулятор, где для управления используется обратная отрицательная связь. Его работу видим на рис. 7:

Очевидно, что регулятор выполнил свою функцию, поскольку амплитуда по частоте значительно меньше и время затухания переходного процесса также намного меньше. Моделирование регулятора для ввода рассредоточенной генерации выполнено верно.

В настоящее время становится ясно, что архитектура современных вычислительных систем, основанных на принципах Дж. фон Неймана имеет ряд существенных недостатков [1]. Последовательная организация вычислительного процесса предполагает относительно низкую производительность системы. Другой недостаток обусловливает низкую эффективность использования дорогостоящей памяти при наличии одного процессора-ядра. Это связано с тем, что подавляющее большинство ячеек памяти в процессе работы бездействует и поэтому коэффициент использования аппаратуры будет очень низким [2]. Третий недостаток – разработчик вынужден подстраивать алгоритм решения задачи под «жесткую» структуру вычислительной системы.

С другой стороны, инженерная реализация нейронного компьютера У. МакКаллока и У. Питтса , описанная в «Логическом исчислении идей, имманентных нервной активности» [2] в виде комплекса нейропроцессоров позволяет избавиться от перечисленных недостатков. Кроме того, преимуществом является то, что нейропроцессорные системы (НПС) различаются также по принципу взаимодействия структуры машины и решаемой задачи [2]. При использовании НПС уже разработчик подстраивает её структуру под решаемую задачу.

С появлением кластерных систем появилась проблема кластеризации вычислительных систем, т. е. эффективного разбиения на кластеры [1,2], что на практике решается не всегда оптимально или рационально. Такая же проблема видна и при использовании нейропроцессорных систем, преимуществом которых является высокая степень распараллеливания, близкая к 100% при решении определенных классов задач.

Цель работы - логическая организация и проектирование современных нейропроцессорных структур, на базе которых может появиться новый класс интеллектуальных систем [3]. Работа проводилась в рамках гранта РФФИ №14-07-00261 “Кластеризация и организация облачных и распределенных вычислительных систем на основе нейропроцессоров”.

Постановка задачи. Разработать фундаментальную методику организации и проектирования нейропроцессорной системы на основе кластеризации и анализа получаемых структур по различным техническим характеристикам.

Продукционная модель экспертной системы выбора НПС.

Предлагаемая модель выбора аппаратных и программных средств НПС базируется на функциональном принципе, согласно которому главную роль играет множество операций в отношении многопроцессорных структур [3].

На начальном этапе согласно функциональному принципу нейропроцессорная система рассматривается как взаимосвязанный набор устройств, реализованный на основе выбранной элементной базы, которая характеризуется: набором схем – чипсетов; набором команд; производительностью и стоимостью [4]. Эта задача зависит от множества факторов и рассматриваться не будет.

Проектируемая вычислительная структура НПС функционирует по некоторому алгоритму обработки и передачи информации , который представляет собой кортеж операций длиной
и, по сути, представляет собой множество искусственных нейронных сетей, запускаемых в нужном порядке. Тогда, с учетом задачи исследования, объектом теоретико-множественного анализа является вычислительная система на базе нейропроцессора для реализации алгоритма .

Тогда некоторый алгоритм , реализующий множество нейронных сетей, представляет собой кортеж нейросетевых операций вида и операций управления. Введем множество операций . С учетом введенного множества операций этот алгоритм нейросетевой обработки информации представляет собой кортеж операций длиной , где :

.    (1)

На этапе разработки программы каждой операции ставится в соответствие микрокоманда нейропроцессора , то есть:

,    (2)

где – множество нейромикрокоманд, написанных на внутреннем языке нейропроцессора; – минимальное количество нейромикрокоманд, необходимое для реализации некоторой операции

Далее, решая задачу (2), необходимо каждому -му алгоритму нейрообработки поставить в соответствие некоторую нейросетевую программу , то есть определить отношение:

.    (3)

Таким образом, под программой понимается кортеж нейромикрокоманд:

,    (4)

где .

Далее производится разделение кода программы
на множество подпрограмм и загрузка подпрограмм на каждый нейропроцессорный модель (ПМ).

Математически данный этап можно описать следующим образом:

.    (5)

Введем понятие структуры , под которым понимается отношение параллельности выполнения подпрограмм и между соответствующими -м и -м процессорными модулями, то есть . Отношение параллельности понимается как выполнение одновременно двух или нескольких нейросетевых подпрограмм на разных, параллельно работающих нейропроцессорных модулях.

Тогда необходимо определить некоторую структуру из множества всевозможных структур , позволившую некоторой -й программе (4) поставить в соответствие множество подпрограмм нейросетевой обработки:

.        (6)

Введем понятие равенства подпрограмм нейросетевой обработки информации , под которым будет подразумеваться равенство их длин , под которым в свою очередь понимается равенство числа нейромикрокоманд подпрограмм, и совпадение подпрограмм с точностью до нейромикрокоманды , т.е:

,        (7)

где .

Рассмотрим отношение структуры , которое указывает на то, что любые две произвольно взятые подпрограммы и , удовлетворяющие (7), могут выполняться одновременно на разных ПМ, то есть:

.        (8)

Тогда справедливо утверждение о том, что отношение структуры обработки есть отношение эквивалентности [3].

Введенное отношение структуры нейросетевой обработки позволяет разбить всю программу , определяемую согласно (4) на классы эквивалентности, т.е. классы неравных между собой нейросетевых подпрограмм согласно (5). Число классов эквивалентности обозначим через , а порядок класса . Каждый класс эквивалентности имеет своего представителя в виде подпрограммы , имеющей число нейромикрокоманд равное порядку подпрограммы .

Таким образом, структура по определению ставит в соответствие некоторой -й программе обработки информации
совокупность подпрограмм , число которых равно числу классов эквивалентности , а кратность определяется порядком класса эквивалентности :

.    (9)

Если рассмотреть возможные структуры, полученные в результате решения задачи (9), то могут получиться структуры обработки: векторная, конвейерная, векторно-конвейерная, конвейерно-векторная,.

Если число классов эквивалентности и порядок класса . Тогда -му алгоритму нейросетевой обработки информации соответствует набор совершенно одинаковых подпрограмм. Если выходная информация каждой подпрограммы является входной для следующей ; входная первой программы является входной, а последней – выходной всего устройства, тогда назначая процессорных модулей на обработку информации, имеем конвейерную структуру НПС. Если входная информация требуется одновременно для всех подпрограмм, тогда назначая процессорных модулей на обработку информации, получаем векторную структуру НПС, в которой все ПМ будут одновременно функционировать по одной и той же подпрограмме . Число ПМ в этом случае . Аналогичные рассуждения для случая, когда число классов эквивалентности равно , порядок каждого класса равен . Число ПМ в этом случае .

Объединим все подпрограммы, в которых информация передается параллельно, в
множеств. Тогда
, . Число подпрограмм в каждой группе различно для каждого множества . Тогда, если все подпрограммы внутри множеств , обмениваются информацией последовательно, то структура является конвейерно-векторной и представляет собой структуру, в которой по принципу конвейера обрабатываются векторные потоки. Число ПМ будет равно . Если в каждом множестве число подпрограмм равно 1, т.е. то имеем конвейерную структуру.

Объединим все подпрограммы, в которых информация передается последовательно, в
множеств. Тогда
, . Число подпрограмм в каждой группе различно для каждого множества . Тогда, если всем подпрограммам внутри множества информация необходима одновременно, то структура является векторно-конвейерной и представляет собой структуру, в которой параллельно обрабатываются подпрограммы по принципу конвейера. Число ПМ будет равно . Если в каждом множестве число подпрограмм равно 1, т.е. то имеем векторную структуру.

Экспертная система выбора НПС.

Нечеткий выбор структуры нейрокомпьютерной системы представляет собой сложный и трудоемкий процесс с большим объемом исходной информации. Поэтому для сокращения сроков проектирования таких систем была разработана экспертная система (ЭС) [1]. Исходными данными базы знаний являются характеристики алгоритмов: число классов эквивалентности , порядок каждого класса , механизм обмена данными между подпрограммами классов, входные и выходные данные, множество нейромикрокоманд для выбранного на первом этапе нейропроцессорного набора.

В качестве практических исследований была разработана программная подсистема “Конструктор нейропроцессорных систем” в разрабатываемой программной системе “NP-Studio” (рисунок 1).

Возможными элементами нейропроцессорной структуры могут быть: процессоры NM6403, NM6404, NM6405, NM6406, а также их эмуляторы. Также реализована возможность использования в одной нейпроцессорной системе реальных нейропроцессоров и одного эмулятора нейропроцессора той же модели.

Логическая организация вычислительной системы на базе нейропроцессоров реализуется за несколько этапов:

1.     Выбор количества нейропроцессорных модулей.

2.    Выбор структуры: конвейерная, векторная, конвейерно-векторная (несколько параллельных векторных потоков обрабатываются по принципу конвейера), векторно-конвейерная (параллельно обрабатываются несколько потоков, которые, в свою очередь, обрабатываются по принципу конвейера) или произвольная.

3.     Если была выбрана произвольная структура, то необходим выбор активных связей между нейропроцессорными модулями.

4.     Выбор используемого обеспечения (реальный нейропроцессор или эмулятор той же модели) для логического нейропроцессорного модуля.

После логической организации и проектирования нейропроцессорной системы, ее можно использовать для модулей контроля, управления и анализа программного комплекса NP-Studio”.

Важной особенностью разрабатываемого программного обеспечения является то, что реализована поддержка связей между распределенными вычислительными модулями системы, которые отличаются относительно медленной скоростью передачи информации. Также реализована поддержка нейропроцессорных модулей, работающих в облаке согласно принципам модели PaaS, IaaS. Такие модули отличаются тем, что доступ к ним реализуется посредством веб-сервисов различного назначения.

Рисунок 1 – Подсистема “Конструктор нейропроцессорных систем” в программной системе “NP-Studio”

Архитектура классов адаптирована для возможности добавления различных нейропроцессорных устройств. В основе диаграммы классов лежит следующая модель (рисунок 2).

Рисунок 2 – Диграмма классов в программной системе “NP-Studio”

Добавление нового нейропроцессорного устройства реализовано специальными элементами управления в интерфейсе комплекса. Максимальное количество нейропроцессорных устройств на данный момент равно 10

Исходя из вводимых значений может быть получен тот или иной вид структуры, а также пользователем может быть реализован произвольный вид системы (рисунок 3).

Рисунок 3 – Произвольная нейропроцессорная структура из семи процессорных модулей в программной системе “NP-Studio”

В случае выбора произвольной структуры может быть произведен экспертный анализ вида системы на основе описанного математического аппарата (рисунок 4).

Рисунок 4 – Анализ нейропроцессорной структуры в программной системе “NP-Studio”

В качестве базы знаний была выбрана продукционная модель представления знаний, в которой связи между фактами представлены эвристическими правилами — выражениями декларативного знания об отношениях между объектами. Каждое такое правило имеет составляющую «ЕСЛИ» (предпосылка) и компонент «ТО» (заключение), которые определяют прямую и обратную причинно-следственную связь. Работа экспертной системы выбора нейропроцессорной структуры сводится к следующей последовательности действий.

1. Если число классов эквивалентности равно , И порядок каждого класса , И
   

   - обмен данными между подпрограммами в классах осуществляется последовательно, – ТО “конвейерная структура” (рисунок 5).;
   

   - информация требуется одновременно всем подпрограммам классов, ТО – “векторная структура”
   

   
   

   Рисунок 5 – Конвейерная нейропроцессорная структура из шести процессорных модулей в программной системе “NP-Studio”
   

   Если в системе присутствуют распределенные связи, то есть нейропроцессорные модули удалены друг от друга, то в разработанной программной подсистеме линии между модулями выделяются пунктиром. В случае наличия облачного нейропроцессорного модуля, подключение к которому происходит через веб-сервис, он выделяется красным цветом (рисунок 6).
   

   
   

   Рисунок 6 – Конвейерная нейропроцессорная структура из шести процессорных модулей с распределенными связями и облачным модулем в программной системе “NP-Studio”
   

2. Если число классов эквивалентности равно единице И порядок каждого класса равен , И
   

   - обмен данными между подпрограммами в классах осуществляется последовательно, ТО – “конвейерная структура” (рисунок 7);
   

   - информация требуется одновременно всем подпрограммам классов, ТО–”векторная структура”.
   

   
   

   Рисунок 7 – Векторная нейропроцессорная структура из пяти процессорных модулей в программной системе “NP-Studio”
   

3. Если число классов эквивалентности , И порядок каждого класса , И
   

   - обмен данными между подпрограммами в классах осуществляется последовательно, ТО – “конвейерная структура”;
   

   - обмен данными между подпрограммами в классах осуществляется последовательно c небольшим исключением подпрограмм -го класса, ТО – “почти конвейерная структура”;
   

   - обмен данными между подпрограммами в классах, кроме -го, осуществляется последовательно, а -му классу информация требуется одновременно, ТО – “конвейерно-векторная структура”;
   

   - подпрограммы обмениваются информацией последовательно, однако в некоторых классах информация требуется одновременно, ТО – “вроде конвейерно-векторная структура” (рисунок 8).
   

   
   

   Рисунок 8 – Конвейерно-векторная нейропроцессорная структура из девяти процессорных модулей в программной системе “NP-Studio”
   

4. Если порядок каждого класса равен числу классов эквивалентности , ТО – “матричная структура”;
   

   - информация сразу требуется подпрограммам всех классов, но в некоторых классах требуется последовательный обмен, ТО – “вроде векторно-конвейерная структура”;
   

   - информация требуется одновременно подпрограммам всех классов, но подпрограммы -го класса обмениваются последовательно, ТО – “векторно-конвейерная структура” (рисунок 9);
   

   - информация требуется одновременно подпрограммам всех классов, кроме некоторых подпрограмм -го класса, ТО – “почти векторная структура”;
   

   - информация требуется одновременно всем подпрограммам классов, ТО – “векторная структура”.
   

   
   

   Рисунок 9 – Векторно-конвейерная нейропроцессорная структура из семи процессорных модулей в программной системе “NP-Studio”
   

   Таким образом, ыыходными данными предложенной методики являются полученные в результате классификации структуры нейропроцессорной системы в виде нечетких переменныхв: конвейерная, почти-конвейерная, конвейерно-векторная, вроде конвейерно-векторная, матричная, вроде векторно-конвейерная, векторно-конвейерная, почти векторная, векторная.
   

   Заключение.
   

   В статье предложена обобщенная модель проектирования нейропроцессорной системы на основе нечеткой кластеризации. Разработана экспертная система анализа получаемых нечетких структур по различным техническим характеристикам согласно стратегии проектирования. Предложенная модель не зависит от конкретных алгоритмов и не определяет класс задач. Тогда как получение конкретной структуры НПС будет зависеть от алгоритмов, т.е. класса задач.

Реализация работ по брендингу территориальных отраслевых кластеров осуществляется в следующей последовательности:

1. Формирование регионального зонтичного бренда кластера
2. Формирование положительного имиджа регионального зонтичного бренда кластера
3. Продвижение продукции кластера на внешние рынки под региональным зонтичным брендом

Понятие «зонтичный бренд кластера»  кратко можно охарактеризовать следующим образом: группа смежной по значению продукции, имеющая единую концепцию продвижения, объединенная производителями одного территориального отраслевого кластера.

Формирование регионального зонтичного бренда кластера предполагает разработку концепции зонтичного бренда, в т.ч.  брендбука, и концепции мероприятий по его продвижению.

Разработка зонтичного бренда кластера должна осуществляться региональным центром кластерного развития, утверждаться на общем собрании кластера или на собрании Совета кластера.

Продвижение регионального зонтичного бренда осуществляется на основе участия во всероссийских и международных отраслевых выставочных мероприятиях. Подобное участие преследует две цели:

1. Имиджевая – позиционирование кластера в экономической системе региона и  страны
2. Коммерческая – расширение дилерской сети предприятий кластера, поиск новых клиентов, поиск новых поставщиков, технологий.

Имиджевая составляющая интересна для региональных органов государственной власти, инфраструктуры кластерного развития региона. Обеспечение имиджевой составляющей происходит за счет участия в имиджевых мероприятиях, направленных на продвижение региона и его кластерной политики. Подобные мероприятия реализуются на международном и национальном уровнях.

В коммерческой составляющей в первую очередь заинтересованы предприятия региональных отраслевых кластеров, поскольку это будет способствовать продвижению продукции предприятий.

В качестве инструментов коммерческого продвижения региональных зонтичных брендов можно выделить следующие:

• участие в выставочных мероприятиях;
• участие в деловых миссиях в регионах России и за рубежом;
• вхождение в международные отраслевые ассоциации для обеспечения доступа предприятий кластеров к современным технологиям, производственным ресурсам, актуальной информации о состоянии рынков сбыта.
• продвижение  зонтичного бренда на основе инструментов визуализации, в том числе маркировка продукции предприятий-участников кластера логотипом регионального зонтичного бренда;
• создание и продвижение сайтов региональных кластеров и совместных каталогов продукции кластера под региональными зонтичными брендами;
• проведение PR-компаний регионального зонтичного бренда.
• формирование маркетинговой системы региональных отраслевых кластеров.

Совместное участие в международных и национальных выставочных мероприятиях позволит предприятиям кластеров обеспечить формирование положительного имиджа зонтичного бренда, получить новые заказы, расширить географию сбыта, найти поставщиков и партнеров.

С целью оптимизации расходов на участие в выставках возможно создание типового модульного мобильного выставочного стенда общего пользования.

Данный проект предполагаетсоздание единого стенда, который мог бы использоваться во всех мероприятиях с участием представителей кластера для ускорения сроков и сокращения бюджетов участия в каждом отдельном мероприятии.

Преимущества технологического решения:

• Модульно-каркасная сборка позволит комбинировать различные варианты застройки и оптимизирует логистику.
• Стандартные дизайнерские и технические решения позволят адаптировать мобильные стенд под требования любого выставочного объекта .

Для доступа к новым технологиям, создания кооперационных связей, продвижения бренда кластера на мировом уровне,  наработки новых контактов рекомендуется вступление в отраслевые ассоциации национального и международного уровня либо обеспечение с ними взаимодействия и партнерства. Важным инструментом продвижения зонтичных брендов кластеров является система маркетингового и консультационного обслуживания кластеров региона.

Таблица 1  – Система маркетингового и консультационного обслуживания кластеров

Разработка в среднесрочной перспективе единой для всех субъектов кластеров маркетинговой стратегии и механизмов позиционирования региональной продукции позволит обеспечить:

-        увеличение объема продаж продукции на межрегиональном и международном рынке;

-        формирование собственной культуры производства продукции на территории региона;

-        формирование и закрепление в сознании отечественных и зарубежных потребителей образа продукции кластера, основанного на уникальных традициях, современных технологиях и решениях;

-        расширение ассортимента продукции предприятий кластеров региона;

-               приток отечественных и иностранных инвестиций;

-               рост капитализации региональных предприятий кластеров.

Эффективное обеспечение сбыта готовой продукции, выпущенной под зонтичным брендом кластера, может быть осуществлено на основе создания единой системы сбыта. Специфика подобной системы такова, что ее возможно использовать при сбыте штучной товарной продукции.

Формирование и развитие единой сети сбыта готовой продукции кластера направлено на снижение издержек производственных субъектов кластера, оптимизацию и расширение каналов сбыта.

Создание единой системы сбыта региональной продукции кластера может быть целесообразно путем формирования независимой региональной управляющей компании, представляющей интересы производственных субъектов кластера.

Формировании единой дистрибьюторской сети в рамках реализации программ развития зонтичного бренда кластера позволит не только расширить существующую систему сбыта готовой продукции, но и сформировать эффективные инструменты и механизмы контроля качества, повысить культуру производства. Такая система в настоящее время выстраивается в кондитерском кластере Пензенской области? рассматривается возможность ее создания в кластере аквакультуры и рыбного хозяйства Астраханской области.

Создание единой системы сбыта кластера позволит:

-               модернизировать структуру сбыта готовой продукции;

-               повысить эффективность и увеличить объемы продаж;

-               оптимизировать систему каналов распределения;

-               сформировать адаптивную систему управления единым каналом дистрибуции.

В условиях нестабильной экономической ситуации и потребности в импортозамещении конкурентным преимуществом продукции области может стать формирование единого регионального зонтичного бренда.

Для регионального туристического кластера единая система сбыта может быть реализована на основе создания визит-центра.

Визит-центр . может быть создан на базе центра кластерного развития.

Цель работы Визит-центра – формирование имиджа региона как уникального туристического региона России и помощь туристам в организации досуга.

Первостепенными задачами Визит-центра могут стать должны стать:

-     Продвижение регионального центра  как привлекательного туристического центра на российском и международном туристических рынках;

-     Организация информационного и консультационного обеспечения по вопросам туристической деятельности, отдыха жителей региона;

-     Создание единой базы данных о программах и проектах по туризму в регионе;

-     Осуществление сотрудничества с туристическими центрами России и Европы;

-     Оказание содействия заинтересованным бизнес-структурам в рекламе их товаров и услуг;

-     Участие в ежегодных российских и международных выставках, конференциях и деловых встречах.

Зонтичный бренд туристического кластера предназначен для экономии ресурсов направленных на продвижение отдельных самостоятельных брендов туристических продуктов. Дополнительным преимуществом является брендинг территории, что повышает узнаваемость продукции.