У Пермi знайшли спосіб поліпшити ефективність системи міського теплопостачання.

Стаття опублікована в журналі «Вісник ЮУрГУ. Комп'ютерні технології, управління, радіотехніка». Дослідження проведено в рамках програми стратегічного академічного лідерства «Пріоритет 2030».

Теплопостачання житлових приміщень гарячою водою здійснюється по трубах системи центрального опалення. Котельня виконує роль джерела тепла, де вода нагрівається, а потім подається на тепловий вузол мікрорайону. Для оптимального регулювання режиму роботи котельні теплопостачальна організація може використовувати різні методи та системи управління. Наприклад, для газових котелень впроваджують ті, що в автоматизованому режимі підтримують задану температуру на виході через регулювання роботи котла та подачі пального відповідно до необхідних параметрів. Раціональний режим спалювання пального дозволяє зменшити витрати на енергоносій (газ) та підвищити економічну і екологічну ефективність процесу.

У процесі експлуатації та ремонту теплової мережі змінюються її властивості, збільшуються або зменшуються теплові втрати, що знижує точність роботи моделі управління. Для компенсації цих змін необхідно проводити періодичне дообучення нейромережевої моделі, щоб вона могла прогнозувати роботу мережі з урахуванням температури навколишнього повітря та технічного стану тепломережі. Однак це вимагає значних часових витрат.

Тому вчені Пермського Політеху вперше використали та порівняли дві моделі уточнення результатів прогностичного нейромережевого управління, а також проаналізували ефективність кожної. Розглядалась статистична регресійна лінійна модель, оскільки вона є найбільш високоточна та проста в навчанні, а також модель на основі дерев рішень XGBoost. Остання являє собою графічну схему, що складається з вершин (вузлів), кінцевих вузлів (листків) та ребер (гілок), які описують ймовірності розвитку подій. Кожна наступна гілка розробляється так, щоб виправити помилку попередньої, зменшуючи середнє відхилення. Це відбувається до тих пір, поки помилка не знизиться, або не буде виконано одне з правил ранньої зупинки.

Для навчання та тестування моделей політехніки обрали 10 багатоквартирних будинків, дані для яких за певний період містять найменшу кількість пропусків з технічних причин. Для кожного побудували окрему модель, з використанням якої обчислювались температури теплоносія на вході в багатоквартирні будинки. Потім результати порівняли з реальними значеннями з заданої вибірки.

«Максимальне відхилення обчисленої температури від виміряної в XGBoost склало 4,8 °С, а в лінійній моделі – 6,1 °С. Це означає, що перша ефективніша, оскільки величина її помилки значно нижча. Запропоновані методи апробовані на реальних даних, що підтверджує можливість їх використання при розробці інтелектуальної інформаційної системи управління теплопостачанням», – коментує Валерій Столбов, професор кафедри «Обчислювальна математика, механіка та біомеханіка» ПНІПУ, доктор технічних наук.

Вчені ПНІПУ визначили найбільш ефективну модель прогнозування поведінки теплової мережі, яка дозволить правильно обирати керуючий вплив. Це значно знизить ризик порушення екологічних норм та витрату ресурсів на перевитрату пального та електроенергії, обслуговування та ремонт обладнання.