Статья ВАК: О повышении точности регулирования систем вентиляции за счёт применения искусственных нейронных сетей

Оптимизация алгоритма работы системы автоматизации тепловых пунктов после проведения оптимизации

Регулирование перепада давления на вводе сетевой воды в тепловой пункт осуществляется в зависимости от разности значений показаний датчиков давления. Регулирование температуры в системе ГВС осуществляется в зависимости от показаний датчика температуры путём воздействия на исполнительные механизмы клапана. Схема подключения — циркуляционно-повысительная. При регулировании температуры теплоносителя после водоподогревателя отопления осуществляется в зависимости от показаний датчика температуры наружного воздуха в соответствии с заданным температурным графиком путём воздействия на исполнительный механизм клапана. Поддержание заданного давления (65 м водн. ст.) в системах, например, в ХВС первой зоны осуществляется путём изменения частоты вращения рабочего насоса при помощи существующего преобразователя частоты в зависимости от показаний датчиков, установленных на трубопроводах ХВС и обратном ГВС второй зоны. В каждой системе предусматривается защита от «сухого хода» при уменьшении давления не менее 6 м водн. ст. по показанию датчика. Подобное управление достигается путём применения современных измерительных приборов.

Выполнение тонкой подстройки режимов ИТП под особенности объекта, как правило, выполняется вручную. Перенастройка выполняется редко и тоже вручную, что свидетельствует о невысокой точности процесса. Повысить эффективность процесса тонкой настройки можно за счёт применения программного обеспечения с искусственными нейронными сетями (ИНС).

Применение ИНС требует предварительного сбора и анализа существенно большего объёма данных о тепловом профиле объекта. Накопление Big Data осуществляется за счёт установки дополнительного числа измерителей с повышенным классом точности. Подобную модернизацию необходимо проверить на предмет изменения результирующей точности измерений.

Оценка погрешности измерений в исходном состоянии и после проведения оптимизации АСУ ИТП

В исходном состоянии автоматизированной системы управления (АСУ) ИТП контроль и управление технологическим процессом проводилось по 20 параметрам давления, расхода и температуры. После проведения оптимизации контроль и управление технологическим процессом проводится по 26 параметрам, спецификация которых приведена в табл. 1.

Оценка погрешности выполняется в соответствии с документом [1]. Суммарная погрешность измерителей в исходном состоянии АСУ теплового пункта составляла 35,25%.

Погрешность измерений после проведения оптимизации значительно снизилась по всем подсистемам. Например, после проведения оптимизации погрешность измерения температуры в подающем трубопроводе ГВС Т7 снизилась с 4,0 до 0,75°C. Комплектный шкаф автоматизации (ШКА) на базе многофункционального контроллера МФК-1500, предел основной погрешности ±0,15%.

Основная приведённая погрешность ТПУ-205 ∆ = ±0,25%, дополнительная не должна превышать 0,5% от основной:

γТПУ = 0,25 + 0,5×0,25 = 0,375%.

Основная приведённая погрешность ШКА ∆ = ±0,15%, дополнительная приведённая погрешность не должна превышать 0,7% от основной:

γШКА = 0,15 + 0,7×0,15 = 0,255%.

Тогда суммарная погрешность:

γсум = 1,1(γ2ТПУ + γ2ШКА)0,5 = 1,1×(0,3752 + 0,2552)0,5 = 0,499%.

Для диапазона D* измеряемых температур от 0°C до +150°C суммарная погрешность составляет:

∆ = D*γсум/100% = (0°C + 150°C)×0,499%/100% = 0,75°C.

Расчёт произведён для измеряемой температуры t = 60±0,75°C. Основной вклад в снижение погрешности в оптимизированной АСУ внесло применение термопреобразователя ТПУ-205 с пределом допускаемой основной приведённой погрешности ∆ = ±0,25% вместо биметаллического термометра типа БТ с классом точности 2,5. Суммарная погрешность после оптимизации АСУ теплового пункта составляет 11,75%.

Повышение точности регулирования систем вентиляции посредством применения ИНС для настройки ПИД-регуляторов ИТП

Использование уточнённых методов прогнозирования теплопотребления для зданий типовых проектов позволит существенно точнее обосновать целесообразность внедрения энергосберегающих технологий с целью увеличения их экологической эффективности и снижения вклада в углеродный след города Москвы.

Поскольку использование дополнительных измерителей не приводит к увеличению погрешности и не влияет на точность настройки, то становится возможным применить искусственные нейронные сети для настройки ПИД-регуляторов ИТП.

Установлено, что наиболее оптимальными для модели нейронной сети, применяемой для решения поставленной задачи, являются следующие параметры: количество эпох обучения — 100 ед.; три слоя по 256/64/256 нейронов, соответственно; функция потерь — MAE; функция активации — гиперболический тангенс.

Данная модель показала наименьшие значения функций потерь среди всех остальных экспериментов: средняя абсолютная ошибка MAE = 10,11%, среднеквадратичное отклонение (Root Mean Square Error) RMSE = 19,28%.

Обучение ИНС и создание на её основе теплового профиля здания позволяет определить значения для настройки ПИД регулятора. Интегральная составляющая (I) регулятора учитывает сумму прошлых ошибок и использует их для коррекции текущей ошибки. Она позволяет устранить остаточную ошибку и обеспечить точность регулирования в долгосрочной перспективе. Дифференциальная составляющая (D) регулятора учитывает скорость изменения ошибки и предотвратить резкие изменения.

Применение искусственных нейронных сетей в качестве инструмента предиктивной аналитики позволяет на 6–9% повысить точность регулирования теплоснабжения объекта и пропорционально снизить углеродный след от теплопотребления зданиями типовой застройки.

Численный эксперимент, проведённый для типового здания VI-49 школы, показал, что при внедрении предиктивной аналитики в систему автоматизации теплового пункта экономия для конечного потребителя составит:

∆Sэ = Цтэ∆Qпотр = 2685,54×38,22 = 102,6 тыс. руб. в год,

где ∆Qпотр — величина изменения количества тепла, потребляемого зданием, Гкал/год; Цтэ — тариф на тепловую энергию, поставляемую ПАО «МОЭК», руб/Гкал.

С помощью нейросетевого программного обеспечения достигается не только расчёт ожидаемого значения количества потребляемой тепловой энергии, но и температуры отпускаемого теплоносителя с ЦТП, а также коэффициенты ПИД-регулятора для повышения эффективности регулирования системы теплоснабжения. Качественно снижается ошибка, возникающая при ручном настраивании регулятора, что влечёт за собой снижение перерасхода тепловой энергии и повышение общей экономической эффективности всей системы.