Повышение качества прогнозов на спрос энергетических ресурсов предприятиями, организациями и учреждениями является актуальным направлением в свете положений, зафиксированных в программе «Цифровая энергетика Российской Федерации» [1]. Одним из ключевых положений программы является разработка и развитие цифровых сервисов и решений в части создания системы управления, координации и мониторинга государственного управления и контрольно-надзорной деятельности в различных отраслях энергохозяйства России. Согласно «Стратегии цифровой трансформации» [2], разработка новых видов аналитики данных создаёт новые возможности для профилирования потребителей. К ним относится в том числе проведение анализа и прогнозирования потребления энергетических ресурсов на основе создания прогнозного профиля энергопотребления.

Задача составления прогнозного спроса на энергетические ресурсы является задачей со многими неизвестными. Поскольку энергопотребление предприятиями с развитым технологическим циклом существенно зависит от объёма производимой продукции, то сложно осуществлять среднеи долгосрочное прогнозирование спроса без учёта информации о действующих и предполагающихся к заключению договорных отношений на изготовление всех видов продукции. Такая информация крайне редко может быть собрана по причине наличия в ней коммерческой тайны. Кроме того, информация об объёмах ещё не заключённых договоров обладает крайне низкой надёжностью в реалиях российской экономики.

Поскольку одно и тоже оборудование может использоваться для производства различных видов продукции, возникает задача составления прогнозной модели энергопотребления оборудования с выделением доли производства конкретной продукции в рамках технологического цикла предприятия. Данная задача ещё более усложняется в том случае, если энергоёмкость анализируемого изделия относительно невелика в рамках рассматриваемого предприятия.

Полноценное детерминированное описание теплотехнических процессов в общем виде не формализуемо по причине его чрезвычайной трудоёмкости и сложности математического аппарата и осуществляется как на основе анализа комбинированных результатов машинной обработки данных информационной базы и статистических данных, так и экспертного анализа параметров расчётных моделей.

По причине подчинения рядов статистических данных негауссовым устойчивым распределениям с бесконечной дисперсией негауссовых распределений, приводящих к увеличению разброса средней величины по сравнению с гауссовыми законами, математически неприменимыми становится применения метода экстраполяции, а также статистических методов, основанных на предположении нормальности закона распределения случайной величины.

На основе частично имеющихся данных об объекте в объединении с упрощёнными физическими законами становится возможным сформировать «идеализированные функции» (блок II, рис. 1). На основе экспертных оценок формулируются индексы технического состояния объекта или его подсистем, что позволяет формировать уточняющие дополнительные массивы данных (блок III, рис. 1).

Блок I может наполняться не только от специализированных датчиков, но и посредством применения как современных научно-технических разработок, так и организационных стратегий. Рассмотрим некоторые из них:

1. Использование меток радиочастотной идентификации (Radio Frequency Identification, RFID) — технологии для автоматизации учёта, отслеживания и контроля объектов [3]. В рамках предприятия позволяет отслеживать передвижение продукции по этапам производства и, следовательно, точнее учитывать объём энергоресурсов, затраченных на конкретную деталь.

2. Интеграция с системами «планирования ресурсов предприятия» (Enterprise Resource Planning, ERP) позволяет использовать достоверную информацию из ведущейся документации, актов выполнения работ и других управленческих документов для проведения инспекций и технического обслуживания энергооборудования, контроля за показателями энергетической эффективности, включая реализацию планов энергопотребления, управление базой данных средств измерений, включая планирование и отслеживание поверок и калибровок [4].

3. Внедрение IoT-датчиков и передачи информации для обработки на удалённые серверы [5]. Технология для мониторинга работы оборудования позволяет увеличить число измерителей за счёт использования множества относительно неточных и дешёвых датчиков через «интернет вещей» (Internet of Things, IoT). В настоящее время максимально распространён противоположный подход: использование специализированных дорогостоящих датчиков, интегрированных только в специализированную автоматизированную систему управления технологическим процессом (АСУ ТП). Переход к IoT потребует рассмотрения нескольких компоновок объекта при одинаковом объёме капитальных затрат: установка нескольких дорогих точных многофункциональных измерителей либо закупка увеличенного числа не таких точных датчиков, или много дешёвых относительно неточных индивидуальных датчиков. Актуальным становится задача интерпретации накопленной неточной информации в данные с достаточной точностью. С применением специальных алгоритмов и при выполнении первоначальной калибровки АСУ на основании первичных данных от множества микродатчиков могут быть получена информация заданной точности. В качестве алгоритмов необходимо использовать ИИ-модели [6].

4. Часть данных целесообразно получать от сторонних систем объекта: АСУЭ, АСКУЭ, СКУД, АРМ станков и пр. [7]. К преимуществам подобного подхода относится факт проведения измерений штатными и поверенными приборами учёта.

5. Поскольку система видеонаблюдения обычно установлена на любом объекте, то большой объём информации о функционировании энергооборудования можно собрать посредством анализа видеоинформации. Видеонаблюдение с распознаванием образов позволяет, например, как отслеживать число оборотов детали на станке или выполнять мониторинг качества обработки детали, так и выполнять мониторинг действий персонала для исключения «человеческого фактора» [8].

6. Переход к цифровым двойникам систем и зданий потребует создание цифровой модели физического объекта или процесса с высокой точностью [9]. Данные могут также быть получены на основании датчиков, установленных непосредственно на моделируемом физическом объекте. Такая модель позволит оптимизировать эффективность за счёт применения прогнозных сценарных и онлайн-расчётов.

7. Там, где детерминированные модели неприменимы по причине высоких капитальных затрат или сложности реализации, либо имеются сложности с созданием адекватных математических моделей, возможно использовать усреднённые коэффициенты или усреднённые нормативы энергопотребления [10]. Конечно, с невысокой точностью, но это позволит решить задачу.

8. Использование детерминированных моделей, частично описывающих процессы внутри объекта с высокой точностью. Последующее их сопряжение позволит решать более сложные, комплексные задачи [11].

9. Повысить точность можно за счёт перехода к более краткосрочным прогнозам [12]. Дополнительно можно применять математическое разделение данных на стационарные и случайные процессы с последующим созданием функции «шума». Подобное моделирование с применением многофакторного регрессионного анализа, искусственных нейронных сетей и пр. позволяет применять прогностический математический аппарат не для всего объёма данных, а для прогноза только его «шумовой» части, что может повысить результирующую точность расчёта.

10. Применять для прогнозирования на анализируемом объекте схожие данные по объектам-аналогам [13] с последующим применением алгоритмов предиктивной аналитики.

На основе накопленных статистических данных об объекте (блок I, рис. 1) формулируются зависимости с использованием стохастических методов обработки информации. Используя сложившиеся методы описания технических систем и функциональное описание системы зададимся формальным пространством с множеством входных факторов.

Особенность: физические модели и «идеализированные функции» малоприменимы без увеличения численности параметров и объёма факторов по оси времени. В связи с этим необходимо редуцировать статистические данные для их использования. Произведённое преобразование числовой информации, полученной эмпирическим или экспериментальным путём, в упорядоченную и упрощённую форму позволяет в последующем применять для обработки данных простые нейронные сети.

Описание процесса функционирования системы теплоснабжения в таком случае может рассматриваться как «чёрный ящик», поскольку сложно математически описать с достаточной точностью и достоверностью все процессы, происходящие в системе. Такого рода системы традиционно настраиваются на основе упрощённых моделей искусственных нейронных сетей (ИНС), опирающихся на статистические данные наблюдений, проводимых на действующем объекте.

Применение упрощённых ИНС является в данном случае преимуществом. Такой подход имеет несколько положительных моментов:

1. Позволяет выполнять расчёты без применения сложных моделей, а значит более доступен на практике.

2. Относительно простые модели требуют менее мощных аппаратных мощностей и позволяют произвести обучения ИНС в более короткие сроки.

3. Применение простых конфигураций позволяет отказаться от применения специализированного дорогостоящего по в пользу открытых пакетов, использующих наиболее распространённые модели искусственных нейронных сетей.

Анализ полносвязных моделей показывает, что оптимальной являются конфигурации моделей с тремя скрытыми слоями: они достигают лучших результатов, при этом не проигрывая во времени более простым моделям с меньшим числом скрытых слоёв [14]. Характеристики двух моделей, MLP-d32relu-d32relu-mse-8, достигшей лучшей точности на валидационном множестве, и MLP-d512relu-d32relu-d32relu-mse-8 (лучшей на тестовом множестве), приведены в табл. 1.

В качестве наиболее показательного режима системы отопления объекта при достаточно резком изменении температуры наружного воздуха примем три дня в период с 8 по 11 января 2023 года.

Поскольку данные с приборов учёта снимаются ежесуточно, то для проведения детализированных расчётов помимо «идеализированных» функций объекта целесообразно выполнить моделирование объекта. Поскольку точность и достоверность результатов применения многофакторного регрессионного анализа существенно зависит от качества входных данных, то использование этого подхода связано с необходимостью введения дополнительной методологической погрешности.

Наименьшую погрешность на тестовой выборке имеет вторая рассматриваемая модель, имеющая три слоя по 64 нейрона, функцию потерь МАЕ и количество эпох обучения — 96. Очевидно, что точность регулирования и комфорт в здании, оборудованном индивидуальным тепловым пунктом (ИТП), являются важными характеристиками системы АСУ. Однако настройка ИТП производилась давно, и фактические теплотехнические характеристики объекта могли подвергнуться значительному разнонаправленному дрейфу по различным причинам: зарастание труб и теплообменных поверхностей, дрейф точности контрольно-измерительных приборов полевого уровня, ремонт или модернизация участков системы и пр.