Статья опубликована в журнале «Вестник ЮУрГУ. Компьютерные технологии, управление, радиотехника». Исследование было выполнено в рамках программы стратегического академического лидерства «Приоритет 2030».
Теплоснабжение жилых помещений горячей водой осуществляется через трубы центрального отопления. Котельная выступает в качестве источника тепла, где вода нагревается и затем направляется на тепловой узел микрорайона. Для оптимального управления режимом работы котельной теплоснабжающая организация может применять различные методы и системы контроля. Например, для газовых котельных используются автоматизированные системы, которые поддерживают заданную выходную температуру путем регулирования работы котла и подачи топлива в соответствии с установленными параметрами. Эффективный режим сжигания топлива снижает затраты на энергоноситель (газ) и повышает экономическую и экологическую эффективность процесса.
В процессе эксплуатации и ремонта тепловой сети ее характеристики могут изменяться, что приводит к увеличению или уменьшению тепловых потерь, снижающих точность работы модели управления. Для компенсации таких изменений необходимо регулярно дообучать нейросетевую модель, чтобы она могла прогнозировать работу сети с учетом температуры окружающей среды и технического состояния теплосети. Однако это требует значительных временных затрат.
Поэтому ученые Пермского Политеха впервые применили и сравнили две модели уточнения результатов прогнозного нейросетевого управления, а также провели анализ эффективности каждой из них. Рассматривалась статистическая линейная регрессионная модель, так как она обладает высокой точностью и простотой в обучении, а также модель на основе деревьев решений XGBoost. Последняя представляет собой графическую структуру, состоящую из узлов, конечных узлов (листьев) и ветвей, которые описывают вероятности различных событий. Каждая последующая ветвь разрабатывается для исправления ошибок предыдущей, уменьшая среднее отклонение. Этот процесс продолжается до тех пор, пока ошибка не будет снижена или не будет выполнено одно из условий ранней остановки.
Для обучения и тестирования моделей политехники выбрали 10 многоквартирных домов, данные для которых на определенном этапе содержат минимальное количество пропусков по техническим причинам. Для каждого дома была построена отдельная модель, с помощью которой вычислялись температуры теплоносителя на входе в многоквартирные дома. Затем результаты были сравнены с реальными значениями из заданной выборки.
«Максимальное отклонение вычисленной температуры от измеренной в XGBoost составило 4,8 °С, в линейной модели – 6,1 °С. Это свидетельствует о том, что первая модель эффективнее, так как величина ее ошибки значительно ниже. Предложенные методы были протестированы на реальных данных, что подтверждает их пригодность для разработки интеллектуальной информационной системы управления теплоснабжением», – комментирует Валерий Столбов, профессор кафедры «Вычислительная математика, механика и биомеханика» ПНИПУ, доктор технических наук.
Ученые ПНИПУ выявили наиболее эффективную модель предсказания поведения тепловой сети, что позволит правильно выбирать управляющее воздействие. Это значительно уменьшит риск нарушения экологических норм и перерасхода ресурсов на топливо и электроэнергию, а также на обслуживание и ремонт оборудования.