Об объединении детерминированного и стохастического подходов при прогнозировании теплового баланса здания для занятий водными видами спорта

Прогнозирование спроса на тепловую энергию энергетическими комплексами зданий и сооружений является актуальной задачей. Для достижения необходимой точности расчёта принято использовать различные детерминированные способы, опирающиеся на имеющиеся изменяющиеся и мало изменяющиеся данные об объекте исследования. Вместе с этим статистические данные могут использоваться и при анализе стохастическими методами. Целью настоящей статьи является анализ вопроса допустимости объединения детерминированного и стохастического подходов с целью повышения точности расчёта. Показаны формулы расчёта составляющих расходной части теплового баланса на примере здания для занятий водными видами спорта. На основании приведённых формул проведён расчёт с ежемесячной дискретизацией в период с января 2009г. по январь 2019 г. Приведён пример расчёта точности прогноза спроса на тепловую энергию посредством многофакторного регрессионного анализа и применения искусственных нейронных сетей. На основании этих же данных проведено обучение искусственной нейронной сети по семи различным факторам: шести независимым и седьмым – идеализированным значением тепловых потерь здания через ограждающие конструкции. На примере анализа здания для занятий водными видами спорта показана недопустимость описанного подхода в случае использования в детерминированном и стохастическом способе одних и тех же исходных данных. Результаты: точность прогноза, выполненного с применением регрессионного анализа возрастает с увеличением числа факторов. Однако использование в стохастическом методе дополнительной группы факторов, например, численно являющихся обработанными климатическими данными, уже используемыми в качестве исходных, приведёт к необоснованному завышению значимости дважды используемого фактора. Присутствие в прогнозных моделях с применением искусственных нейронных сетей коллинеарности и мультиколлинеарности переменных не сказывается негативно на прогнозе. Вывод: объединение детерминированного и стохастического подходов при составлении прогнозного теплового баланса путём использования в детерминированном подходе только тех же входных данных, что используется в стохастическом подходе, является недопустимым.

Показано преимущество моделей расчётов потребности в спросе на энергоресурсы энергетическим комплексом с искусственными нейронными сетями относительно моделей, использующих многофакторный регрессионный анализ.

1. Грицай А.А. Сравнительный анализ методик оценки экономического развития предприятия // Материалы Международной научно-практической конференции. В 2-х частях. 2018. №2. С. 136-142.

2. Абдурахманов А.М., Володин М.В., Зыбин Е.Ю., и др. Методы прогнозирования электропотребления в распределительных сетях (обзор) // Электротехника: сетевой электронный научный журнал. 2016. №1. С.3-23.

3. Абдурахманов А.М., Рябченко В.Н. Аналитические формулы вычисления вероятностей переходов в марковских моделях надежности // Машиностроение: сетевой электронный научный журнал. 2016. №4 (2) . С.52-59.

4. Соломахо К.Л. Тенденции изменения процесса энергопотребления на примере энергосбытового предприятия // Электротехнические комплексы и системы управления. 2015. №1. С.60-63.

5. Кирпичникова И.М., Соломахо К.Л. Обоснование использования метода главных компонент при прогнозировании объемов электроэнергии // НАУКА ЮУРГУ Материалы 66-й научной конференции. 15-17 апреля 2014 г. Ответственный за выпуск: Ваулин С.Д.. 2014. Челябинск. 2014 г. – С. 1304-1309.

6. Кирпичникова И.М., Соломахо К.Л. Исследование методов прогнозирования электропотребления сбытового предприятия // Современные технологии в физико-математическом образованиисборник трудов научно-практической конференции. 26-28 июня 2014 г. Под редакцией С.А. Загребиной. 2014. 2014. Челябинск. 2014 г. С. 45-49.

7. Кошарная Ю.В. Методика анализа параметров электропотребления для нормирования и оценки энергосбережения при проведении энергоаудита предприятий и организаций // Электрооборудование: эксплуатация и ремонт. 2016. № 4. С. 56-69.

8. Кошарная Ю.В. Оптимизация структуры электропотребления металлургического предприятия для оценки потенциала энергосбережения // Промышленная энергетика. 2016. № 10. С. 22-29.

9. Ведерников А.С., Ярыгина Е.А., Гофман А.В. Выбор метода для задач краткосрочного прогнозирования электропотребления собственных нужд ТЭЦ // Вестник Ивановского государственного энергетического университета. 2018. № 6. С. 32-38.

10. Воевода А.Е., Харитонова Д.Д., Валь П.В. Краткосрочное прогнозирование электропотребления на основе метода случайного леса // Электроэнергетика глазами молодежи - 2016 Материалы 7 Международной молодёжной научно-технической конференции. В 3 т.. 2016. С. 124-127.

11. Dong Q., Xing K., Zhang H. Artificial neural network for assessment of energy consumption and cost for cross laminated timber office building in severe cold regions // Sustainability. 2017. Т. 10. № 1. С. 84.

12. Firsova I.A., Vasbieva D.G., Kosarenko N.N., et al. Energy consumption forecasting for power supply companies // International Journal of Energy Economics and Policy. 2019. Т. 9. № 1. С. 1-6.

13. Popov V., Fedosenko M., Tkachenko V., et al. Forecasting consumption of electrical energy using time series comprised of uncertain data // 2019 IEEE 6th International Conference on Energy Smart Systems, ESS 2019 - Proceedings 6. 2019. С. 201-204.

14. Lemke F. Probabilistic energy forecasting based on self-organizing inductive modeling // Advances in Intelligent Systems and Computing. 2019. Т. 871. С. 405-420.

15. Wang J., Zeng N., Zhou B., Zhang F., Shi X., Liu Z. Data center energy consumption models and energy efficient algorithms // Jisuanji Yanjiu yu Fazhan. 2019. Т. 56. № 8. С. 1587-1603.

16. Jiang P., Dong J., Huang H. Forecasting china's renewable energy terminal power consumption based on empirical mode decomposition and an improved extreme learning machine optimized by a bacterial foraging algorithm // Energies. 2019. Т. 12. № 7. С. 1331.

17. Runge J., Zmeureanu R. Forecasting energy use in buildings using artificial neural networks: a review // Energies. 2019;12(17):3254.

18. Гужов С.В., Глазов В.С., Шувалов С.Ю. Показатели ежемесячного потребления тепловой энергии зданием и иных факторов зданием бассейна. С. 45-47 (электронный ресурс) Доступно по:https://mpei.ru/Structure/Universe/peep/structure/hamepai/enmie/employee_performance/2018-0115%20-%20typical%20energy-saving%20measures%20in%20the%20power%20system.pdf. Ссылка активна на: 16 апреля 2020.

19. Гужов С.В. Исследование и прогнозирование качества функционирования энергосистем зданий для занятий водными видами спорта при разнообразных внешних воздействиях // Вестник МЭИ, №5, 2016, стр. 88-93.

20. Гужов С.В., Гашо Е.Г., Шепель В.А. Составление прогнозного топливно-энергетического баланса котельной в условиях недостаточности данных. Энергетические системы // Материалы 4 Междунар. науч.-техн. конф / Белгор. гос. технол. ун-т; Белгород, 2019. С. 33-39.