Сергей Гужов. Нейронные сети как инструмент прогнозирования энергопотребления

В недавней статье коллеги из регионального центра энергоэффективности Свердловской области делились опытом разработки прогнозного топливно-энергетического баланса. Сегодня – еще об одном методе прогнозирования и верификации данных о потреблении энергоресурсов.

 

 

 

Сергей ГУЖОВ,
Центра подготовки и профпереподготовки
«Энергоменеджмент
и энергосберегающие технологии»
НИУ МЭИ, к.т.н.

 

Повышение точности прогнозных расчётов спроса на энергетические ресурсы является актуальной задачей особенно в свете программы «Цифровая энергетика Российской Федерации».

Существует два основных подхода при разработке прогнозного спроса на энергоресурсы: с использованием формульных моделей и на основе статистических данных.

Формульными моделями крайне сложно описать даже здание простой школы, уже не говоря о среднем промышленном предприятии. К множеству неизвестных факторов можно отнести, например, реальное значение теплового сопротивления каждой из ограждающих конструкций, учёт особенностей ветрового воздействия и солнечного, график эксплуатации технического и технологического оборудования, особенности привычек персонала при взаимодействии с техникой и пр.

Помимо этого, поскольку одно и то же оборудование может использоваться в различных технологических циклах по производству различных видов продукции, представляется крайне сложным для предприятия с развитым технологическим циклом сформулировать прогнозную модель энергопотребления для одного изделия.

Перспективным представляется использование искусственных нейронных сетей, комбинированное с доступными к выполнению упрощёнными формульными моделями для основных энергопотребителей рассматриваемого объекта. В ряде случаев целесообразно в качестве усиления расчёта применять многофакторный регрессионный анализ.

При формулировании математической функции прогнозного спроса на энергетические ресурсы статистическими методами главными задачами являются:

  1. Определение минимального набора входных анализируемых параметров, отвечающих требованиям: необходимости и достаточности, а также отсутствие в принятом наборе факторов двух и более величин, которые могут друг друга взаимно усиливать или ослаблять.
  2. Приведение статистических данных к синхронизированному по временной шкале набору, а также очистка статистического ряда от разовых возмущающих факторов, не связанных с основной задачей инженерной системы. Например, для системы отопления к таким факторам относятся порывы и иные утечки теплоносителя, фиксируемые теплосчётчиком как перерасход тепловой энергии.

 

На рисунке представлены результаты прогнозирования для угольной шахты, расположенной за полярным кругом. Сплошной линией показано фактическое, пунктирной – прогнозное потребление электрической тепловой энергии, точность прогнозирования составляет 90,3%.

 

Также на основе полученной нейронной сети можно выполнять прогнозирование энергосберегающего эффекта. На рисунке приведён фактический и прогнозный графики потребления электрической энергии системой освещения подмосковного города до и после замены светильников типа ДНаТ на светодиодные аналоги. Точность прогнозирования 98,2%.

 

 

Ещё одним интересным применением прогнозной модели спроса на энергоресурсы является проверка корректности передаваемых в информационную систему показаний приборов учёта. На рисунке представлены графики теплопотребления, для школы, распложенной в климатической зоне умеренного климата. Приведён коридор прогнозных значений, рассчитанный с учётом возможности колебания всех входных факторов.

 

 

Исходя из приведённых данных можно сделать предположение о том, что данные вносились некорректно в феврале 2018г. и в октябре 2019г. Данное предположение подтверждается информацией от управляющего персонала школы. Именно в эти месяцы ответственный за съём показаний с приборов учёта тепловой энергии и передачу их в информационную систему уходил в отпуск. Последующие несоответствия фактического графика прогнозному обусловлены попытками хозяйственного штата школы привести показания в норму без резких скачков.

Таким образом, использование искусственных нейронных сетей позволяет решить не только задачу повышения точности прогнозных расчётов спроса на энергетические ресурсы, но также и проверить корректность передаваемых показаний приборов учёта. Особо необходимо отметить возможность весьма точного прогнозирования эффекта от внедрения разнообразных энергосберегающих мероприятий.

 

Также по теме

 

Василий Фадеев: Регионам нужен прогнозный топливно-энергетический баланс

 

2 thoughts on “Сергей Гужов. Нейронные сети как инструмент прогнозирования энергопотребления

  1. Бессодержательная заметка — результат бездействия модератора (редактора) и желания автора пропихнуть тривиальности ради привлечения внимания читателя. Модный термин «нейронные сети» — парус для плотика с информационным мусором

    1. John Dow, по крайней мере мы с автором с открытыми лицами и под своими именами делаем свою работу и в ней уверены.
      Если вам есть что сказать по сути, без «информационного мусора», добро пожаловать. Главред Степанова Мария Вячеславовна

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

Этот сайт использует Akismet для борьбы со спамом. Узнайте как обрабатываются ваши данные комментариев.