Пункт 2 статьи 3 Федерального закона №190-ФЗ «О теплоснабжении» [1] устанавливает общие принципы организации отношений и основы государственной политики в сфере теплоснабжения, включающие: обеспечение энергетической эффективности теплоснабжения и потребления тепловой энергии. Для мегаполиса федерального значения города Москвы утверждён документ: «Схема теплоснабжения города Москвы на период до 2035 года», требования к которому прописаны в Постановлении Правительства РФ №154 [2]. Пункт 5, раздел 1 «Показатели существующего и перспективного спроса на тепловую энергию (мощность) и теплоноситель в установленных границах территории поселения, муниципального округа, городского округа, города» включает один из ключевых показателей: «б) существующие и перспективные объёмы потребления тепловой энергии».

Для повышения энергетической эффективности потребителя тепловой энергии необходимо выполнить совершенствование прогнозного теплового баланса объекта посредством комбинированного применения детерминированных и стохастических подходов при расчёте настроек его автоматизированной системы управления (АСУ) тепловыми процессами. Преимущества достоверного и точного прогнозного теплопотребления: снижение «перетопа» у потребителя, повышение энергетической эффективности, рациональное использование топлива на источнике тепловой энергии, сокращение затрат на потребление природного газа. Перечисленные преимущества повышают уровень энергосбережения и как следствие, приводят к экономии денежных средств.

Существующие методы расчёта тепловых нагрузок здания, которые основаны на нормативных документах РФ, являются укрупнёнными и статичными. При детализированном расчёте стационарных режимов математическая модель даже для отдельно стоящего здания становится чрезвычайно большой из-за значительного количества влияющих параметров; получить все исходные данные для таких моделей не представляется возможным. При расчёте переходных процессов, управляемых системой автоматического регулирования (САР), в математическую модель необходимо ввести дополнительные факторы, которые имеют различный вклад в физику процесса тепломассообмена [3]. Результатом является система интегральных и логических уравнений, которая зачастую не имеет общего решения.

В настоящее время для прогнозирования теплопотребления зданиями используются четыре основных метода:

1. Детерминированный подход. Применение хорошо разработанных формульных моделей позволяет выполнить прогноз энергопотребления всего здания или его локального участка. Результаты прогнозирования ограничены точностью входных параметров, а недостаток входной информации может привести к существенному снижению точности моделирования.

2. Метод серого прогнозирования. Данный метод относится к нестатистическим методам прогнозирования и основан на выделении трендов и снижении влияния случайных факторов.

3. Методы многофакторного регрессионного анализа. Широко распространённый подход множественной линейной регрессии в MS Excel прост в применении, но имеет относительно невысокую точность моделирования.

4. Искусственные нейронные сети (ИНС). Демонстрируют достаточно высокую точность прогнозирования, но требуют специфических знаний на этапе подбора структуры, обучения и верификации модели.

Регулирование в системе происходит по отклонению с помощью отрицательной обратной связи, которая охватывает регулятор и объект. После подачи на вход сигнала с выхода системы на регулятор подаётся сигнал рассогласования, который учитывается при регулировании объекта. По заданию используются ПИ- и ПИД-регуляторы. ПИ-регулятор состоит из статического и интегрирующего звена, сочетая в себе достоинства двух звеньев: наиболее оптимальное динамическое отклонение, нет остаточной неравномерности, достаточно лёгкая настройка с помощью двух параметров. ПИД-регулятор и нейроконтроллер (рис. 1), в свою очередь, совмещают в себе ещё дифференцирующее звено, которое повышает качество работы. Отклонение регулятора намного ниже, но основным недостатком является высокая чувствительность при трех параметрах настройки. Нейроконтроллер — средство (аппаратное или программное) интеллектуального управления, использующее ИНС для решения задач управления динамическими объектами.


Рис. 1. Структурная схема системы регулирования с ПИД-регулятором и нейроконтроллером

ИНС позволяют без применения процедур упрощения анализировать большой объём данных и устанавливать связи между входными и выходными параметрами. Применяется гибридная модель прогнозирования, сочетающая нейронную сеть с радиальной базисной функцией (RBF) и нейронную сеть с длинной кратковременной памятью (LSTM), что позволяет улучшить точность, надёжность и обобщающую способность прогнозирования энергопотребления зданий [4]. Для разложения данных об энергопотреблении здания на группу компонентов внутренней модовой функции (IMF) и остаточный компонент использовалась полная ансамблевая эмпирическая модовая декомпозиция с алгоритмом адаптивного шума [5]. Компоненты были разделены на высокочастотные и низкочастотные с помощью алгоритма выборочной энтропии. Затем для отбора признаков применялся метод наименьшего абсолютного сужения и оператор выбора (LASSO) [6]. Для прогнозирования низкочастотных компонентов может использоваться RBF-модель, оптимизированная алгоритмом TSA, а для высокочастотных компонентов — модель LSTM [4]. Результаты оценки модели показали, что точность гибридной модели прогнозирования составила 98,72%. По сравнению с моделями RBF, TSA-RBF и LSTM, эффективность предсказания гибридной модели выше [7]. Кроме того, модель обладает высокой устойчивостью и способностью к обобщению, что позволяет более эффективно использовать её для прогнозирования почасового потребления электроэнергии в зданиях [8].

Для ИНС при увеличении количества обучающих выборок структура модели становилась достаточно сложной, а количество операций — огромным. Модель CNN (Convolutional Neural Network, свёрточная нейронная сеть) наряду с XGBoost, MLP и RBF является наиболее используемой из простых негибридных нейросетевых моделей для прогнозирования нагрузок зданий [9]. Модель CNN представляет собой многослойную сеть с прямой передачей данных с сильным локальным извлечением признаков на основе механизма разделения веса [10]. На основе трех наборов данных модель SBO-CNN снизила MAPE, RMSE и MAE в среднем на 12,33%, 25,03% и 29,90%, соответственно, и улучшила R2 в среднем на 8,13% по сравнению с CNN благодаря масштабируемости CNN, что ещё раз демонстрирует лучшую предсказательную эффективность оптимизированных SBO гиперпараметров, используемых для построения сети CNN. Кроме того, на основе трех случайно выбранных наборов данных с различными статистическими характеристиками гибридная модель прогнозирования имеет немного бóльшую ошибку прогнозирования при изменении фактической тепловой нагрузки, но всё же обладает более высокой точностью прогнозирования, чем традиционные классические модели прогнозирования [11]. При использовании ИНС типа CNN снижается статическая ошибка с приблизительно 18,4% до 16,2%, и точность прогнозирования будет повышаться примерно на 10–12%.

Объём факторов для расчёта теплового баланса объекта зависит от применяемой методики [12] и включает: характеристики источников теплоснабжения (расход теплоносителя, температура теплоносителя в прямой и обратной трубе), характеристики светопрозрачных и светонепрозрачных ограждающих конструкций (толщина, теплопроводность, площадь).

Характеристики трубопроводов: длина, диаметр, теплоизоляция. Метеорологические данные: температура наружного воздуха, скорость и направление ветра на высоте 10–12 м над поверхностью земли, зафиксированное за десятиминутный период перед наблюдением, влажность воздуха, средняя продолжительность облачности светлого дня, степень затенённости неба облаками в течение светлого дня и продолжительность светового дня в минутах [13].

Для определения теплопотребления объекта необходимо учитывать лишь некоторые из возможных факторов, так как данные о нём могут быть недостоверными или труднодоступными.

На этапе индексирования данные промаркированы по признаку даты и времени для обеспечения возможности последующего изучения результатов численного эксперимента. После заполнения базы данных необходимо провести тестирование и проверку, чтобы убедиться, что данные корректно структурированы надлежащим образом и доступны для использования. Тестирование состоит из формулирования запросов и проверки результатов, осуществляется «холостой запуск» программы нейронной сети для определения отсутствия проблем.

Пример расчёта и результаты оптимизации

Объектом исследования стал индивидуальный тепловой пункт, обеспечивающий передачу тепловой энергии из центральной сети к корпусу А НИУ «МЭИ». Объект расположен в климатических условиях города Москвы и имеет следующие параметры: абсолютная минимальная температура за весь период наблюдения tmin = −43°C, температура наиболее холодной пятидневки tнхБ = −26°C, средняя температура за отопительный период tнср.о = −2,2°C, средняя относительная влажность воздуха наиболее холодного месяца ϕ = 84%, продолжительность отопительного периода составляет 205 суток, преобладающим направлением ветра за декабрь — февраль является западное.

На основе требований и собранных данных определена структура базы данных. База данных включает в себя обучающую и тестовую выборки. Объём тестовой выборки (96 значения) — один календарный год с января по декабрь 2022 года. Объём обучающей выборки — четыре года, предшествующих прогнозируемому.

Передаточная функция объекта регулирования имеет следующий вид:


Рис. 2. Годограф КЧХ объекта

Годограф комплексной частотной характеристики (КЧХ) объекта приведён на рис. 2. Графики переходной функции по каналу возмущения АСР с ПИ- и ПИД-регуляторами (рис. 3) демонстрируют повышенную эффективность переходного процесса для системы автоматического регулирования с ПИД-регулятором и нейроконтроллером.


Рис. 3. Графики переходной функции по каналу возмущения АСР с ПИ- и ПИД-регулятором

Оценка качества работы рассматриваемых систем регулирования выполняется на основании следующих показателей: динамическое, статическое и максимальное отклонение, время регулирования и степень затухания (табл. 1). На основании расчётов можно сделать вывод о том, что система АСУ в комплекте с ПИД-регулятором и нейроконтроллером эффективнее, чем система с ПИ-регулятором. Это подтверждается сокращённым временем регулирования переходного процесса и значительным снижением динамического отклонения. О преимуществе ПИД-регулятора свидетельствует также повышенный показатель степени затухания, как при изменении входного задания на АСУ, так и при возникновении сигнала возмущения на входе в систему управления.