ПРОГНОЗНОЕ УПРАВЛЕНИЕ ЛОКАЛЬНОЙ ГОРОДСКОЙ СИСТЕМОЙ ТЕПЛОСНАБЖЕНИЯ НА ОСНОВЕ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ
Аннотация
Введение. Рассматривается задача прогнозного управления теплоснабжением потребителей с помощью нейросети, обученной на статистических данных, получаемых с подсистемы мониторинга. Оптимальное управление температурой воды на выходе из котельной позволяет экономить топливо и не допускать его перерасхода, особенно при быстрой смене погодных условий. Ожидаемая экономия топлива составит 5–15 % в зависимости от температуры воздуха в отопительный сезон и состояния теплосети.
Цель исследования. Разработка интеллектуального модуля для программно-аппаратной автоматизированной системы управления «Aurora. Тепловой баланс в ЖКХ», позволяющего вести автоматическое регулирование температуры воды на выходе котельной с учетом прогнозного изменения погодных условий при выполнении обязательных требований на температуру на входе к потребителям.
Материалы и методы. Искусственная нейронная сеть рассматривается в качестве основного инструмента, минимизирующего ошибки, связанные с ручным управлением температурой на выходе из котельной. Нейронные сети в виде многослойного персептрона и глубокого обучения LSTM позволяют предсказывать необходимую температуру котла с учетом инерционности теплосети и прогнозных температур воздуха. Для защиты модели от переобучения использовался метод dropout с вероятностью 0,2.
Результаты. Исследованы возможности нейросетей, обученных на основе статистических данных, предсказывать оптимальную температуру нагрева котла с учетом ограничений на температуру теплоносителя, поступающего в дома, и прогнозных значений температуры воздуха. Обосновано применение нейросетевой модели в виде многослойного персептрона, показавшей хорошие результаты при исследовании временных рядов. Представлен демонстрационный пример применения интеллектуальной системы управления для заданной городской теплосети.
Заключение. Предложенные методы и модели апробированы на реальных данных, что подтверждает возможность их использования при разработке интеллектуальной информационной системы управления теплоснабжением.Ключевые слова
Полный текст:
PDFЛитература
Белоусов, О.А. Интеллектуальная система управления и мониторинга газовой котельной / О.А. Белоусов, С.В. Иванов // Программные продукты и системы. – 2012. – № 1. – https://cyberleninka.ru/article/n/intellektualnaya-sistema-upravleniya-i-monitoringa-gazovoy-kotelnoy.
Регулирование температуры теплоносителя. Энергетика простыми словами. – https://energoworld.ru/blog/regulirovanie-temperatury-teplonositelya.
Панферов, В.И. Об оптимальном управлении температурой теплоносителя в тепловых сетях / В.И. Панферов, О.Ф. Гавей // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». – 2014. – № 4. – https://cyberleninka.ru/article/n/ob-optimalnom-upravlenii-temperaturoy-teplonositelya-v-teplovyh-setyah.
Ясницкий, Л.Н. Интеллектуальные системы / Л.Н. Ясницкий. – М.: Лаборатория знаний, 2016. – 221 с.
Истомин, Д.А. Экспертная система оценки технического состояния узлов электроцентробежного насоса на основе продукционного представления знаний и нечеткой логики / Д.А. Истомин, В.Ю. Столбов // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». – 2020. – Т .20, № 1. – С. 133–143.
Комаров, Н.М. Управление инженерными системами интеллектуального здания с использованием информационного и инфографического моделирования / Н.М. Комаров, В.Г. Жаров // СЕРВИС Plus. – 2013. – № 2. – С. 74–81.
https://www.link-labs.com/blog/smart-hvac.
Ki Uhn Ahn, Cheol Soo Park. Application of deep Q-networks for model-free optimal control balancing between different HVAC systems // Science and Technology for the Built Environment. – 2020, Vol. 26, iss. 1, P. 61–74.
A deep reinforcement learning-based autonomous ventilation control system for smart indoor air quality management in a subway station / S. Heo, K.-J. Nam, J. Loy-Benitez et al. // Energy & Buildings. – 2019. – Vol. 202.
Sepp Hochreiter, Jürgen Schmidhuber. Long short-term memory // Neural Computation: journal. – 1997. – Vol. 9, no. 8. – P. 1735–1780.
Переобучение в статистике и машинном обучении. – https://ru.wikipedia.org/wi-ki/%D0%9F%D0%B5%D1%80%D0%B5%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5 (дата обращения: 22.05.2020).
Dropout – метод решения проблемы переобучения в нейронных сетях. – https://habr.com/ru/company/wunderfund/blog/330814 (дата обращения: 22.05.2020).
Kingma, D.P. Adam: A Method for Stochastic Optimization / D.P. Kingma, J.L. Ba. arXiv:1412.6980 2014.
Некоторые оконные функции и их параметры. – http://www.dsplib.ru/content/win-add/win.html (дата обращения: 02.06.2020).
DOI: http://dx.doi.org/10.14529/ctcr200303
Ссылки
- На текущий момент ссылки отсутствуют.