Страна готовится к зиме, поэтому вопрос теплоснабжения в многоквартирных домах становится актуальным. Поставка теплоносителя потребителям требует поддержания температуры на определенном уровне с учетом прогноза погоды на ближайший период. Для оптимального режима работы оборудования, генерирующего тепло котельной, используют интеллектуальные системы управления, которые основаны на методах машинного обучения. Они нуждаются в регулярном обучении с учетом изменений в техническом состоянии теплосети. Ученые Пермского Политеха с коллегами из компании «СофтМ» разработали и протестировали интеллектуальный модуль, включающий наиболее эффективные модели корректировки результатов нейросетевого прогнозирования. Это снизит риски возникновения ошибок и повысит эффективность расходования энергоресурсов.
В ПНИПУ нашли способ повысить эффективность управления системой городского теплоснабжения / © Georgi Kalaydzhiev, Unsplash
Статья опубликована в журнале «Вестник ЮУрГУ. Компьютерные технологии, управление, радиотехника». Исследование проведено в рамках программы стратегического академического лидерства «Приоритет 2030».
Теплоснабжение жилых помещений горячей водой осуществляется по трубам системы центрального отопления. Котельная играет роль источника тепла, где вода нагревается, а затем подается на тепловой узел микрорайона. Для оптимального регулирования режима работы котельной теплоснабжающая организация может использовать различные методы и системы управления. Например, для газовых котельных внедряют те, что в автоматизированном режиме поддерживают заданную температуру на выходе через регулирование работы котла и подачи топлива в соответствии с требуемыми параметрами. Рациональный режим сжигания топлива позволяет снизить затраты на энергоноситель (газ) и повысить экономическую и экологическую эффективность процесса.
В ходе эксплуатации и ремонта тепловой сети изменяются ее свойства, увеличиваются или уменьшаются тепловые потери, которые снижают точность работы модели управления. Для компенсации этих изменений необходимо проводить периодическое дообучение нейросетевой модели, чтобы она могла прогнозировать работу сети с учетом температуры окружающего воздуха и технического состояния теплосети. Однако это требует значительных временных затрат.
Поэтому ученые Пермского Политеха впервые использовали и сравнили две модели уточнения результатов прогнозного нейросетевого управления, а также проанализировали эффективность каждой. Рассматривалась статистическая регрессионная линейная модель, поскольку она наиболее высокоточная и простая в обучении, а также модель на основе деревьев решений XGBoost. Последняя представляет собой графическую схему, состоящую из вершин (узлов), конечных узлов (листьев) и ребер (ветвей), которые описывают вероятности развития событий. Каждая следующая ветвь разрабатывается так, чтобы исправить ошибку предыдущей, уменьшая среднее отклонение. Это происходит до тех пор, пока ошибка не снизится, либо не выполнится одно из правил ранней остановки.
Для обучения и тестирования моделей политехники выбрали 10 многоквартирных домов, данные для которых за определенный период содержат наименьшее количество пропусков по техническим причинам. Для каждого построили отдельную модель, с использованием которой вычислялись температуры теплоносителя на входе в многоквартирные дома. Затем результаты сравнили с реальными значениями из заданной выборки.
«Максимальное отклонение вычисленной температуры от измеренной в XGBoost составило 4,8 °С, а в линейной модели – 6,1 °С. Это значит, что первая эффективнее, поскольку величина ее ошибки гораздо ниже. Предложенные методы апробированы на реальных данных, что подтверждает возможность их использования при разработке интеллектуальной информационной системы управления теплоснабжением», – комментирует Валерий Столбов, профессор кафедры «Вычислительная математика, механика и биомеханика» ПНИПУ, доктор технических наук.
Ученые ПНИПУ определили наиболее эффективную модель предсказания поведения тепловой сети, которая позволит правильно выбирать управляющее воздействие. Это значительно снизит риск нарушения экологических правил и трату ресурсов на перерасход топлива и электроэнергии, обслуживание и ремонт оборудования.
