МАШИННОЕ ОБУЧЕНИЕ В ПРОГНОЗИРОВАНИИ ТЕПЛОПОТЕРЬ В СИСТЕМАХ ТЕПЛОСНАБЖЕНИЯ (НА ПРИМЕРЕ ДАННЫХ ГОРОДА КАЗАНЬ ЗА ПЕРИОД 2020-2023 гг.)
Аннотация
Обоснование. В исследовании представлено применение методов машинного обучения для прогнозирования теплопотерь в системе теплоснабжения города Казань на основе данных за период 2020–2023 годы. Прогнозирование теплопотерь позволяет повысить эффективность работы системы теплоснабжения, снизить затраты на производство и транспортировку тепла. В работе рассматриваются различные модели машинного обучения, такие как линейная регрессия, ансамблевые методы (случайный лес, градиентный бустинг) и нейронные сети, а также проводится оценка их точности и применимости в контексте городской инфраструктуры.
Цель – повышение точности прогнозирования теплопотерь в системе теплоснабжения города Казань с целью оптимизации работы и снижения эксплуатационных затрат.
Материалы и методы. Исследование базируется на операционных данных системы теплоснабжения, погодных данных, а также инфраструктурных характеристиках трубопроводов. Основные методы исследования включают линейную регрессию, методы регуляризации (Лассо, гребневая регрессия), ансамблевое обучение (случайный лес и градиентный бустинг) и многослойный перцептрон (MLP). Для оценки моделей использовались метрики MSE, MAPE и R2, а также кросс-валидация.
Результаты. Проведенный анализ показал, что методы машинного обучения, особенно градиентный бустинг и нейронные сети, позволяют достичь высокой точности прогнозирования теплопотерь (R² = 0,89). Применение данных методов способствует повышению энергоэффективности и снижению эксплуатационных затрат в теплоснабжающих системах.
EDN: YQIADQ
Скачивания
Литература
Список литературы
Алтынбаев А.Р. Искусственный интеллект. Использование интеллектуальных систем учета энергоресурсов в системе электроснабжения предприятия // Вестник науки. 2024. Т. 2, № 6(75). С. 2180-2191.
Натальсон А.В. Разработка моделей машинного обучения для прогнозирования экономической эффективности бизнес-процессов // Экономика и управление: проблемы, решения. 2024. Т. 5, № 4(145). С. 164-170. https://doi.org/10.36871/ek.up.p.r.2024.04.05.021
Куценко С.М. Оптимизация производства в энергетической отрасли при использовании искусственного интеллекта // Экономика и предпринимательство. 2024. № 6(167). С. 391-394. https://doi.org/10.34925/EIP.2024.167.6.081
Обайди А.А.Х. Управление жизненным циклом объектов капитального строительства нейросетевым прогнозированием теплопотерь здания: диссертация на соискание ученой степени кандидата технических наук. 2024. 191 с.
Мельников Д.С. Разработка метода выявления теплопотерь на теплосетях города Архангельска на основе цифровых данных // Вестник науки. 2023. Т. 4, № 8(65). С. 302-306.
Сибгатов А.Р. Влияние температурного графика тепловых сетей на Тепловые потери трубопроводов / А. Р. Сибгатов, Г. М. Ахмерова // Актуальные проблемы энергетики АПК: Материалы XIII Национальной научно-практической конференции с международным участием, Саратов, 29–30 апреля 2022 года. Саратов: Амирит, 2022. С. 147-150.
Minimization of Heat Losses in District Heating Networks by Optimizing their Configuration / V. Skochko, V. Solonnikov, O. Pohosov [et al.] // Problems of the Regional Energetics. 2024. No. 3(63). P. 182-195. https://doi.org/10.52254/1857-0070.2024.3-63.15
Жамалов А. Батареяның автономды резервуарының жылу шығынын есептеу әдiсi / А. Жамалов, А. О. Бердiғожа // Л.Н. Гумилев атындағы Eуразия ұлттық университетiнiң хабаршысы. Физика. Астрономия сериясы. 2021. No. 1(134). P. 79-85. https://doi.org/10.32523/2616-6836-2021-134-1-79-85
Evaluating different artificial neural network forecasting approaches for optimizing district heating network operation / L. Frison, S. Gölzhäuser, M. Bitterling, W. Kramer // Energy. 2024. Vol. 307. P. 132745. https://doi.org/10.1016/j.energy.2024.132745
Improved day ahead heating demand forecasting by online correction methods / F. Bünning, P. Heer, R. S. Smith, J. Lygeros // Energy and Buildings. 2020. Vol. 211. P. 109821. https://doi.org/10.1016/j.enbuild.2020.109821
Салтанаева Е.А. Сравнение традиционных методов машинного обучения и глубокого обучения / Е. А. Салтанаева, А. А. Шакиров, А. Р. Гимаева // Научно-технический вестник Поволжья. 2023. № 12. С. 379-381.
Садриев Р.Р. Применение искусственного интеллекта для оптимизации энергопотребления в многоквартирных домах / Р. Р. Садриев, А. И. Кушакова, Р. С. Зарипова // Приборостроение и автоматизированный электропривод в топливно-энергетическом комплексе и жилищно-коммунальном хозяйстве: материалы IХ Национальной научно-практической конференции, посвященной 55-летию КГЭУ, Казань, 07–08 декабря 2023 года. Казань: Казанский государственный энергетический университет, 2024. С. 223-225.
Моделирование потребления невозобновляемой энергии в мире / Л. А. Шильдт, Н. Г. Бикеева, К. В. Байдуганова, Г. В. Шильдт // Вестник УГНТУ. Наука, образование, экономика. Серия: Экономика. 2024. № 3(49). С. 35-47. https://doi.org/10.17122/2541-8904-2024-3-49-35-47
Rakhimov Z. Linear regression with data missing not at random: bootstrap approach / Z. Rakhimov, N. Rahimova // Economic Development and Analysis. 2024. Vol. 2, No. 4. P. 492-502. https://doi.org/10.60078/2992-877X-2024-vol2-iss4-pp492-502
Cui K. Classification accuracy analysis using a random forest model // Актуальные проблемы авиации и космонавтики, 10–14 апреля 2023 года, 2023. С. 123-125.
Цвенгер И.Г. Машинное обучение с управляемой регрессией в электроэнергетике // Наука, инновации, общество: актуальные вопросы и современные аспекты. Пенза: Наука и Просвещение, 2024. С. 196-215.
Разработка моделей среднесрочного прогнозирования электропотребления в изолированно работающих энергосистемах на основе ансамблевых методов машинного обучения / С. М. Асанова, Д. С. Ахьеев, С. А. Дмитриев [и др.] // Известия НТЦ Единой энергетической системы. 2021. № 1(84). С. 32-39.
Натальсон А.В. Цифровые двойники в промышленности: достижения и основные ошибки внедрения // Экономика и предпринимательство. 2024. № 9(170). С. 1138-1141. https://doi.org/10.34925/EIP.2024.170.9.212
Хамитов Р.М. Оптимизация сервисного обслуживания в электросетевом комплексе методами машинного обучения / Р. М. Хамитов, Н. Д. Новоселов // Вестник НЦБЖД. 2024. № 3(61). С. 95-103.
References
Altynbaev A.R. Artificial intelligence. Utilization of intellectual systems of energy resources accounting in the enterprise power supply system. Vestnik nauki, 2024, vol. 2, no. 6(75), pp. 2180-2191.
Natalson A.V. Development of machine learning models for predicting the economic efficiency of business processes. Economics and Management: Problems, Solutions, 2024, vol. 5, no. 4(145), pp. 164-170. https://doi.org/10.36871/ek.up.p.r.2024.04.05.021
Kutsenko S.M. Optimization of production in the energy industry using artificial intelligence. Economics and Entrepreneurship, 2024, no. 6(167), pp. 391-394. https://doi.org/10.34925/EIP.2024.167.6.081
Obaidi A.A.H. Life cycle management of capital construction objects by neural network prediction of building heat loss: thesis for the degree of Candidate of Technical Sciences. 2024, 191 p.
Melnikov D.S. Development of the method of the heat loss detection on the heat networks of the Arkhangelsk city on the basis of the digital data. Vestnik nauki, 2023, vol. 4, no. 8(65), pp. 302-306.
Sibgatov A.R. Influence of the temperature schedule of heat networks on the heat losses of pipelines / A.R. Sibgatov, G.M. Akhmerova. Actual problems of energy of the agroindustrial complex: Proceedings of the XIII National Scientific and Practical Conference with international participation, Saratov, April 29-30, 2022. Saratov: Amirit, 2022, pp. 147-150.
Minimization of Heat Losses in District Heating Networks by Optimizing their Configuration / V. Skochko, V. Solon. Skochko, V. Solonnikov, O. Pohosov [et al.]. Problems of the Regional Energetics, 2024, no. 3(63), pp. 182-195. https://doi.org/10.52254/1857-0070.2024.3-63.15
Zhamalov A. Battery autonomous reservoirs are used for power supply / A. Zhamalov, A. O. Berdigozha. L.N. Gumilev atyndagy Eurasia University of Science and Technology. Physics. Astronomy series, 2021, no. 1(134), pp. 79-85. https://doi.org/10.32523/2616-6836-2021-134-1-79-85
Evaluating different artificial neural network forecasting approaches for optimizing district heating network operation / L. Frison, S. Gölzhäuser, M. Bitterling, W. Kramer. Energy, 2024, vol. 307, pp. 132745. https://doi.org/10.1016/j.energy.2024.132745
Improved day ahead heating demand forecasting by online correction methods / F. Bünning. Bünning, P. Heer, R. S. Smith, J. Lygeros. Energy and Buildings, 2020, vol. 211, p. 109821. https://doi.org/10.1016/j.enbuild.2020.109821
Saltanaeva E. A. Comparison of traditional methods of machine learning and deep learning / E. A. Saltanaeva, A. A. Shakirov, A. R. Gimaeva. Scientific and Technical Bulletin of the Volga Region, 2023, no. 12, pp. 379-381.
Sadriev R.R. Application of artificial intelligence to optimize energy consumption in apartment buildings / R.R. Sadriev, A.I. Kushakova, R.S. Zaripova. Instrumentation and automated electric drive in fuel and energy complex and housing and communal services: proceedings of the IX National Scientific and Practical Conference dedicated to the 55th anniversary of KSEU, Kazan, December 07-08, 2023. Kazan: Kazan State Energy University, 2024, pp. 223-225.
Modeling of non-renewable energy consumption in the world / L. A. Shildt, N. G. Bikeeva, K. V. Baiduganova, G. V. Shildt. Bulletin of UGNTU. Science, Education, Economics. Series: Economics, 2024, no. 3(49), pp. 35-47. https://doi.org/10.17122/2541-8904-2024-3-49-35-47
Rakhimov Z. Linear regression with data missing not at random: bootstrap approach / Z. Rakhimov. Rakhimov, N. Rahimova. Economic Development and Analysis, 2024, vol. 2, no. 4, pp. 492-502. https://doi.org/10.60078/2992-877X-2024-vol2-iss4-pp492-502
Cui K. Classification accuracy analysis using a random forest model. Actual problems of aviation and astronautics, April 10-14, 2023, 2023, pp. 123-125.
Zvenger, I.G. Machine learning with controlled regression in the electric power industry. Science, innovations, society: topical issues and modern aspects. Penza: Science and Education, 2024, pp. 196-215.
Development of models for medium-term forecasting of power consumption in isolated power systems based on ensemble methods of machine learning / S. M. Asanova, D. S. Akhieev, S. A. Dmitriev [et al.]. Izvestia NTC of the Unified Energy System, 2021, no. 1(84), pp. 32-39.
Natalson A.V. Digital twins in industry: achievements and main mistakes of implementation. Economics and Entrepreneurship, 2024, no. 9(170), pp. 1138-1141. https://doi.org/10.34925/EIP.2024.170.9.212
Khamitov R.M. Optimization of the service maintenance in the electric grid complex by the machine learning methods / R.M. Khamitov, N.D. Novoselov. Vestnik of NCBZhD, 2024, no. 3(61), pp. 95-103.
Copyright (c) 2024 Arslan A. Shakirov, Alsu I. Khabibrakhmanova
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
