Прогнозирование спроса на тепловую энергию для зданий средних образовательных учреждений на основании свойств ге тероморфизма их энергосистем

Повышение точности прогнозных величин спроса на энергетические ресурсы является актуальной задачей особенно в свете программы «Цифровая энергетика Российской Федерации». Прогнозирование тр ебуется в том числе для систем теплоснабжения. Сложность ю проведения анализа является неподтвержденность свойства подобия энергетических систем и комплексов для зданий со сходным функционалом. На примере зданий средних образовательных учреждений, расположенных на территории г. Москва , доказано предположение о гетероморфизме тепловых систем. МЕТОДЫ. В работе принято допущение об отсутствии существенных изменений данны х по теплопотреблению энергохозяйств школ, что подтверждается отсутствием как изменений сред негодовых объѐмов теплопотребления, так и скачков на ежемесячных графиках потребления тепловой энергии. На измеренные и переданные в информационную систему объѐмы потребления тепловой энергии оказывает влияние ряд дополнительных факторов: дрейф точности приборов учѐта тепловой энергии; старение и зарастание внутренних поверхностей оборудования тепловой сети здания; физическое старение и износ ограждающих конструкций здания, ухудшение характеристик их теплоизоляции и пр. При составлении прогнозного энергопот ребления это означает допустимость использования не только статистических данных о самом анализируемом объекте, но и о множестве объектов, аналогичных анализируемому по структуре и функционалу. РЕЗУЛЬТАТЫ. Предложен набор входных факторов, позволяющий с до статочной точностью выполнить определение прогнозного спроса на тепловую энергию для зданий средних образовательных учреждений. Показана возможность и сходная точность результатов прогнозирования спроса на тепловую энергию как посредством использования многофакторного регрессионного анализа, так и искусственных нейронных сетей. ЗАКЛЮЧЕНИЕ. На основании комбинированного использования различных математических подходов предложено применение методики прогнозирования спроса на энергоресурсы энергетическими компл ексами и системами в качестве механизма для определения корректности переданных показаний приборов учѐта.

сопоставимые условия, прогнозирование, спрос на тепловую энергию, искусственная нейронная сеть, погрешность

1. Стратегия цифровой трансформации в электроэнергетике [Электронный ресурс]. Доступно по: URL: https://www.digital-energy.ru/activity/materials/strategy-for-digital-transformation-electric-powerindustry/. Ссылка активна на: 20 мая 2020.

2. Информационная система энергосбережения Департамента жилищно-коммунального хозяйства города Москвы. Доступно по: [Электронный ресурс]. URL: https://ise.mos.ru/. Ссылка активна на: 20 мая 2020.

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

4. 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.

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

6. 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. .V. 10. № 1. P. 84.

7. 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. V. 9. № 1. pp. 1-6.

8. 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. pp. 201-204.

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

10. Wang J., Zeng N., Zhou B., et al. Data center energy consumption models and energy efficient algorithms // Jisuanji Yanjiu yu Fazhan. 2019. V. 56. № 8. pp. 1587-1603.

11. 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. V. 12. № 7. P. 1331.

12. Runge J., Zmeureanu R. Forecasting energy use in buildings using artificial neural networks: a review // Energies. 2019. V. 12. № 17. P. 3254.

13. Кудрин Б.И. Организация, построение и управление энергетическим хозяйством металлургических предприятий. Дисс. … доктора тенхических наук. Гос. союзный ин-т по проектированию металлургических заводов (ГИПРОМЕЗ) . 1979. 282 с.

14. rp5.ru Расписание погоды. Доступно по: https://rp5.ru/. Ссылка активна на 21 мая 2020.

15. Зарубин О.А. Применение нейронных сетей для целей анализа данных дистанционного зондирования Земли // Современные научные исследования и инновации. 2016. № 8.Доступно по: [Электронный ресурс]. URL: http://web.snauka.ru/issues/2016/08/70887. Ссылка активна на: 20 мая 2020.