|
|
 |
|
|
 |
Ученые Пермского Политеха нашли способ повысить эффективность управления системой городского теплоснабжения
Страна готовится к зиме, поэтому важно обеспечить качественное теплоснабжение в многоквартирных домах. Для эффективной работы интеллектуальные системы управления тепловых сетей нуждаются в регулярном дообучении. Учёные Пермского Политеха создали модуль для корректировки результатов нейросетевого прогнозирования, что снижает риск ошибок и повышает энергоэффективность.
Статья опубликована в журнале «Вестник ЮУрГУ. Компьютерные технологии, управление, радиотехника» № 2 за 2024 год. 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.
Контактное лицо: Алина Юрьевна (написать письмо автору)
Компания: ПНИПУ (все новости этой организации)
Добавлен: 22:21, 25.10.2024
Количество просмотров: 137
Страна: Россия
| Ученый ПНИПУ рассказал о приближающемся июньском звездопаде, ПНИПУ, 06:56, 29.06.2026, Россия |
36 |
| В ночь с 27 на 28 июня люди увидят Июньские Боотиды. Метеоры этого потока втрое медленнее Персеид и оставляют на небе яркие оранжево-желтые линии. Ученый ПНИПУ рассказал, почему гравитация Юпитера «сбивает» комету-прародительницу с курса, как астрономы научились прогнозировать звездопад и как увидеть максимум падающих звезд. |
|
|
|
|
|
|
|
Разделы //
Новости по странам //
Сегодня у нас публикуются //
|
|
