Сложившийся в Российской Федерации научно-технический уровень диктует новые требования к составу энергетических систем и комплексов, как на стадии их проектирования, так и на стадии эксплуатации. Переход к шестому технологическому укладу означает в том числе скачкообразное развитие востребованных технических комплексов. Энергетические системы и их составляющие в новых технико-экономических условиях должны быть готовы к быстрому введению новых производственных мощностей.

Современные энергосистемы, помимо требований к надёжности и долговечности, должны обладать рядом свойств, касающихся гибкости, устойчивости, эффективности, способности быстро трансформироваться, обладать свойствами мобилизации на новом техническом, экологическом, интеллектуальном, информационном и коммуникативном уровне.

Для обеспечения ускоренной адаптации энергосистем и комплексов в новых режимах необходимо в том числе существенное повышение качества прогнозирования спроса на энергетические ресурсы для предприятий, организаций и учреждений, что зафиксировано в программе «Цифровая энергетика России». Разработка новых подходов к накоплению и обработке данных создают новые возможности для профилирования конечных потребителей, а также для экономии ресурсов в натуральном и финансовом выражении посредством персонализации и индивидуализации договоров поставки энергоресурсов на основе прогнозирования профиля энергопотребления.

Активное развитие научно-технического прогресса в ХХ-XХI веках стимулировало развитие множества новых методов обработки статистических данных. В зависимости от типа анализируемой статистической величины, дискретности и возможного множества её значений выбираются те или иные методы обработки и анализа. Превалирующие на сегодняшний день подходы к прогнозированию потребления топливно-энергетических ресурсов энергетическими системами и комплексами находятся на недостаточно высоком уровне и обладают рядом недочётов. Безусловно, определяющую роль в выборе подходов к анализу статистических массивов данных оказывает тип поставленной проблемы. Задачи, связанные с прогнозным продлением статистического ряда или рядов значений исследуемых факторов, используют при решении достаточно обширную группу методов. Процедура формирования прогнозных функций потребления энергоресурсов энергетическими системами и комплексами, в силу своей специфики, может использовать только некоторую часть всего разнообразия существующих подходов. Дополнительными особенностями являются такие специфично прогнозируемые факторы, как наличие диапазона возможных значений, обозначение которого доступно экспертным способом, а также возможность появления периодической или разовой шумовой составляющей.

Следует отметить, что существенным ограничивающим фактором при исследовании и прогнозировании поведения энергетических систем и комплексов является невозможность поставить контролируемый эксперимент. Особый вопрос состоит в определении механизма объединения различных методов с целью повышения точности и достоверности результатов прогнозирования.

Проведённый анализ подходов к прогнозированию теплового баланса здания показал его недостаточно высокий уровень для решения задач, поставленных в программе «Цифровая энергетика Российской Федерации». Существующие подходы и методы обладают рядом недостатков, индивидуальных для каждого отдельного метода. Дополнительными ограничениями в обработке данных являются недостаточность исходной информации, её низкая достоверность, часто отсутствие информации для оценки точности. Многие статистические данные об энергопотреблении энергетическими комплексами и системами необходимо дополнительно обрабатывать с привлечением аналогов метода экспертных оценок, что снижает управляемость, повторяемость и затрудняет автоматизацию процесса. Для устранения недостатков методов необходимо использовать компенсирующие эти недостатки другие методы.

Компенсация недостаточности исходных данных посредством использования нескольких взаимно усиливающих подходов по обработке статистической информации показала хороший результат, что позволяет применять методологию формулирования спроса на энергетические ресурсы используя свойство подобия. Определение резервов развития может быть выполнено как индивидуально для объекта, так и на основе анализа статистических данных о группе аналогичных объектов. Индивидуальный подход требует существенных трудовых, временных, финансовых и экспертных затрат на обследование объекта, составление математических моделей его составляющих, формулирования сценарных прогнозов. Подход, основанный на подобии группы сходных объектов, позволяет относительно быстро определить преимущества и недостатки анализируемого объекта, выявить их причины и сразу перейти к математическому описанию именно тех участков, которые необходимо улучшить. Тем самым достигается существенная экономия финансовых и человеческих ресурсов.

Используемый подход по повышению эффективности прогнозирования энергопотребления зданиями является комбинированным, позволяющим использовать возможности искусственных нейронных сетей и многофакторного регрессионного анализа. Компенсация недостаточности исходных данных посредством использования нескольких взаимно усиливающих подходов по обработке статистической информации показали хороший результат, что позволяет получить методологию формулирования спроса на энергетические ресурсы энергетическими системами и комплексами различного масштаба используя свойство их подобия.

Сформулированный математический аппарат по составлению прогнозных теплового баланса позволяет решить несколько практических задач: возможность определения резервов экономии энергоресурсов, проверка вносимых оператором показаний приборов учёта на их корректность и анализ воздействия фактора времени на изменение характеристик энергопотребляющего оборудования.

Параметры распределения случайной величины x(τ) существенно зависят от момента времени наблюдения τ, поэтому значения x(τi) и x(τj) в два различных момента времени τ = τi и τ = τj взаимозависимы. Прогнозируемый на период (τ + 1) показатель, характеризующий протекающий во времени процесс, в общем случае может являться функцией от четырёх переменных: развитие процесса в прошлом периоде; исходная величина текущего развития в момент времени τ, независимая от развития в прошлом; компоненты процесса, независимые от развития в прошлом и исходной величины (эвристические компоненты); случайные величины (шум).

Сглаживание временных рядов производится посредством оценки детерминированной компоненты, параметры которой в большинстве случаев легко интерпретируются. Оценивается также вариация прогноза и коэффициент расхождения. Для нахождения тесноты линейной связи между отдельными элементами матрицы целесообразно определить линейные коэффициенты корреляции. При необходимости рекомендуется использовать метод наибольшего правдоподобия, оценки по Фишеру и Стьюденту. В отдельных случаях следует выполнять исключение тренда из временных рядов показателей и факторов, выявлять временной лаг влияния факторов на выходной показатель, проверять наличие мультиколлинеарности.

В качестве примера рассмотрим объединение детерминированного и стохастического расчётов теплового баланса здания таунхауса. Таунхаус является зданием, состоящим из двух однотипных домов с одинаковой планировкой. Дом площадью 500 м² расположен в Подмосковье и представляет из себя двухэтажное здание с гаражом и цокольным этажом. Для расчёта используются актуальные климатические данные [1, 2]. Первый этаж включает в себя прихожую, гараж, санузел, гостевую спальню, кухню, гостиную, столовую, а также холл с лестницей. Второй этаж включает в себя две детских комнаты, кабинет, два санузла, гардероб, спальную комнату, телевизионный холл, а также холл с лестницей. Цокольный этаж включает в себя кладовую, холл, помещение для котельной.

Система отопления — водяная с индивидуальным тепловым пунктом (ИТП). Схема присоединения к тепловым сетям — независимая. Расчёт теплообменного аппарата выполняется по актуальной методике [3]. Необходимые для расчёта данные не всегда возможно получить по причинам отсутствия доступа к месту исследования, существенного локального физического износа оборудования, высокой стоимости исследования и пр.

Данные о здании, доступные для простого сбора и последующего анализа:

  • материал стен — керамический красный плотный кирпич [0,78 Вт/(м·К)] [4] толщиной 0,25 м;
  • пароизоляция [0,037 Вт/(м·К)] [5] толщиной 0,001 м;
  • утеплитель — минеральная вата [0,44 Вт/(м·К)] [4];
  • штукатурка (0,9 Вт/(м·К)] толщиной 0,005 м;
  • материал внутренних стен — газобетон [0,011 Вт/(м·К)] толщиной 0,03 м;
  • материал стен цокольного этажа — бетон на каменном щебне [0,9 Вт/(м·К)] [5] толщиной 0,4 м;
  • пол цокольного этажа — плита железобетонная [1,11 Вт/(м·К)] толщиной 0,3 м; щебень шлаковый [0,16 Вт/(м·К)] толщиной 0,02 м; пенополистирол [0,032 Вт/(м·К)] толщиной 0,6 м; раствор цементно-песчаный [0,6 Вт/(м·К)] толщиной 0,04 м;
  • материалы теплоизоляции кровли: пароизоляция [0,037 Вт/(м·К)] толщиной 0,01 м; штукатурка известковая [0,87 Вт/(м·К)] толщиной 0,01 м; минеральная вата [0,044 Вт/(м·К)] толщиной 0,18 м; бетонная черепица [1,1 Вт/(м·К)] толщиной 0,22 м.

Результаты расчёта прогнозной функции теплопотребления зданием посредством многофакторного регрессионного анализа приведены на рис. 1. В качестве входных данных использованы факторы: среднемесячная температура уличного воздуха (№1); абсолютная влажность воздуха (№2); ежемесячное потребление электроэнергии (№3); ежемесячное число часов пребывания жильцов (№4); ежемесячное число часов работы электроводонагревателей (№5); среднемесячная температура воздуха внутри здания (№6); средние ежемесячные расчётные теплопотери через ограждающие конструкции (№7).


Рис. 1. Результаты расчёта прогнозной функции теплопотребления зданием таунхауса посредством многофакторного регрессионного анализа и искусственных нейронных сетей

В расчётах использовалась нейронная сеть с линейной нормализацией входных и выходных данных, одним скрытым слоем из 15 нейронов, функции активации — сигмоидные.

Точность прогноза, выполненного с применением регрессионного анализа, возрастает с увеличением числа факторов. Но точность не возрастает при включении в расчёт данных, полученных на основании детерминированного расчёта с использованием тех же исходных данных: значение остаётся равно 88,05% для расчёта как по шести, так и по семи факторам, в состав которых входит фактор «средние ежемесячные расчётные теплопотери через ограждающие конструкции», полученный расчётным путём на основании первых шести факторов.

Это свидетельствует о коллинеарности и мультиколлинеарности [6] нескольких переменных.

Расчётное значение действительного сопротивления теплопередачи составляет 4,63 м²·К/Вт, что удовлетворительно. На основании собранных данных возможно произвести покомнатный расчёт тепловых потерь. Для примера приведём расчёт помещения спальной комнаты. Данное помещение имеет размеры (д×г×в) 4,2×3×2,8 м, а площадь окна на северной стене составляет 1,96 м². Расчётные тепловые потоки: западная стена — 89,8 Вт, северная стена — 109,3 Вт, пол и окно — 192,8 и 230,2 Вт. Затраты теплоты на нагрев поступающего воздуха — 381 Вт. Затраты теплоты на бытовые тепловыделения исходя из 10 Вт на 1 м²–126 Вт. Общий тепловой поток для спальни равен 1429 Вт.

Произведя все расчёты, становится возможным определить общий тепловой поток для дома — 21,78 кВт. Аналогично определяется средняя нагрузка на ГВС: для летнего периода — 3,78 кВт, для зимнего — 4,55 кВт. Максимальная нагрузка на ГВС — 10,465 кВт. Суммарная тепловая нагрузка на дом — 26,3 кВт. Тогда суммарная тепловая нагрузка на таунхаус составит 52,674 кВт.

На основании полученных данных произведём выбор аппаратов на отопление. Исходные данные греющий теплоноситель: температура на входе — 120°C; температура на выходе — 70°C. Нагреваемый теплоноситель: температура на входе — 45°C; температура на выходе — 60°C.

На основании теплового расчёта расход греющего теплоносителя составил 0,199 кг/с (0,622 м³/ч), нагреваемого теплоносителя — 0,693 кг/с (2,49 м³/ч). Расчётное соотношение числа ходов теплоносителей в теплообменном аппарате — 1,1. Примем оптимальную скорость движения воды vопт = 0,4 м/с; требуемое число каналов — 1575; общая площадь живого сечения каналов в пакете — 0,00173 м². Расчётные фактические скорости теплоносителей — 0,1 и 0,4 м/с, соответственно. Требуемая поверхность нагрева — 0,415 м².

По каталогу теплообменного оборудования «Ридан» [7] выберем пластины для разборного теплообменника «Ридан» НН№04: поверхность теплообмена одной пластины — f = 0,04 м². Расчётное общее число пластин составит n = F/f = = 0,415/0,04 = 12 единиц.

Используя конфигуратор пластинчатых теплообменников Danfoss [8] подберём пластинчатый теплообменник. Результаты технического расчёта совпадают с результатами подбора теплообменников по конфигуратору ПТО Danfoss.

Для подбора насосного оборудования ИТП необходимо определить напор. Скорость течения в трубах примем [9] v = 1 м/с. Расчётные потери давления для всех этажей составят 9,372×104 Па. Тогда диаметр труб — 0,025 м.

Число Рейнольдса равно 8,62×104. Поскольку 40d/k < Re < 500d/k, коэффициент гидравлического трения определяется по формуле Альтшуля и составляет 0,0315. Примем радиаторы четырёхсекционными с мощностью одной секции 200 Вт. Тогда расчётное число радиаторов на этаже — 28 единиц. Для радиатора коэффициент местного сопротивления — εрад = 5,6 [9]. Полные потери давления по всей системе составят 6,67×105 Па. Для компенсации выбираем [10] насос для системы отопления: CR 3–15 A-A-A-E-HQQ производителя Grundfos.

Полученные результаты позволяют уверенно утверждать, что использование нейронной сети в процессе формирования прогнозного теплового баланса здания таунхауса позволяет повысить точность расчёта. В условиях недостаточности данных часть неизвестных данных позволяет определить корректно настроенная нейронная сеть. Тем не менее, многие технические характеристики инженеру-проектировщику приходится брать по укрупнённым показателям. Таким образом, использование нейросетевых математических моделей позволяет повысить точность оперативных тепловых балансов: на час, на сутки и пр.

Проектирование системы поддержания искусственного микроклимата в здании производится как исходя из усреднённых климатических показателей, так и на основе наихудших сценариев, что указывается в техническом задании на проектирование. Использование нейросетевых математических моделей на этапе проектирования новой системы теплоили холодоснабжения здания на современном уровне развития инженерных нейросетевых моделей не всегда является целесообразным.