Прогнозное управление системой теплоснабжения города с использованием линейной регрессии и модели градиентного бустинга

Бесплатный доступ

В статье приводится анализ оценки качества работы моделей управления тепловой сетью города. Результатами анализа является рекомендация по выбору оптимальной модели управления с точки зрения точности и ресурсов, необходимых для её обучения. Данная рекомендация позволит реализовать интеллектуальный модуль для системы поддержки принятия решений, который используется при реализации автоматизированной системы управления тепловой сетью города и позволяет более экономно с точки зрения расходования ресурсов обеспечивать поддержание требуемого температурного режима в многоквартирных домах потребителей. Целью исследования является выбор модели, которая позволит с большей точностью вычислять величину потерь в сети теплоснабжения города. Применение такой модели позволит прогнозировать поведение тепловой сети и в соответствии с этим выбирать управляющее воздействие.

Еще

Управление городской тепловой сетью, математические модели, прогнозное управление, интеллектуальные системы управления

Короткий адрес: https://sciup.org/147243964

IDR: 147243964   |   DOI: 10.14529/ctcr240203

Список литературы Прогнозное управление системой теплоснабжения города с использованием линейной регрессии и модели градиентного бустинга

  • Белоусов О.А., Иванов С.В. Интеллектуальная система управления и мониторинга газовой котельной // Программные продукты и системы. 2012. № 1. С. 75-80. URL: https://cyberleninka.ru/ article/n/intellektualnaya-sistema-upravleniya-i-monitoringa-gazovoy-kotelnoy (дата обращения: 01.03.2024).
  • Пинчук В.А. Методы управления режимами тепловых сетей // Вестник магистратуры. 2021. № 1-5 (112). С. 83-94. URL: https://cyberleninka.ru/article/n/metody-upravleniya-rezhimami-teplovyh-setey (дата обращения: 12.03.2024).
  • Штым К.А. Котельные установки с топливно-реверсивными циклонно-вихревыми пред-топками // Горный информационно-аналитический бюллетень. 2014. № S4-3. С. 3-12. URL: https://cyberleninka.ru/article/n/kotelnye-ustanovki-s-toplivno-reversivnymi-tsiklonno-vihrevymi-predtopkami (дата обращения: 12.03.2024).
  • Прогнозное управление локальной городской системой теплоснабжения на основе нейро-сетевого моделирования / Г.В. Нетбай, В.Д. Онискив, В.Ю. Столбов, Р.Р. Каримов // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2020. Т. 20, № 3. С. 29-38. DOI: 10.14529/ctcr200303
  • Банников Р.Ю., Нетбай Г.В., Онискив В.Д., Столбов В.Ю. Нейросетевое управление городской системой теплоснабжения с учетом прогнозных данных // Управление большими системами: труды XVII Всероссийской школы-конференции молодых ученых. М., 2021. С. 167-177. DOI: 10.25728/ubs.2021.015
  • Цифровизация в теплоснабжении поможет сэкономить и уменьшить число аварий [Электронный ресурс]. URL: https://finance.rambler.ru/other/43358259/ (дата обращения: 20.01.2024).
  • Ясницкий Л.Н. Интеллектуальные системы. М.: Лаборатория знаний, 2016. 221 с.
  • Naik K., Ianakiev A. Heat demand prediction: A real-life data model vs simulated data model comparison // Energy Reports. 2021. Vol. 7, sup. 4. P. 380-388. DOI: 10.1016/j.egyr.2021.08.093
  • Культяев С.Г., Малая Э.М. Модель термоэкономической оптимизации распределительных тепловых сетей // Вестник Тамбовского университета. Серия: Естественные и технические науки. 2012. Т. 17, вып. 6. С. 1590-1593. URL: https://cyberleninka.ru/article/n/raspredelitelnyh-teplovyh-setey (дата обращения: 12.03.2024).
  • Лаптев С.В. Системы управления котельными установками // Известия ТРТУ. 2004. № 1 (36). С. 152-153. URL: https://cyberleninka.ru/article/n/sistemy-upravleniya-kotelnymi-ustanovkami (дата обращения: 12.03.2024).
  • Heating and cooling networks: A comprehensive review of modelling approaches to map future directions / A. Brown, A. Foley, D. Laverty et al. // Energy. 2022. Vol. 261 (13). P. 125060. DOI: 10.1016/j .energy.2022.125060
  • Банникова С.А., Захаров В.М., Козлова М.В. Экспериментальное определение тепловых потерь сети теплоснабжения для их использования в устройстве утилизации // Вестник ИГЭУ. 2019. № 1. С. 5-11. URL: https://cyberleninka.ru/article/n/eksperimentalnoe-opredelenie-teplovyh-poter-seti-teplosnabzheniya-dlya-ih-ispolzovaniya-v-ustroystve-utilizatsii (дата обращения: 12.03.2024).
  • Tianqi C., Guestrin С. Scalable Tree Boosting System // KDD 2016: 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, CA, USA, August 13-17, 2016. NY: ACM, 2016. P. 785-794.
  • Васильев Г.В., Бердоносов В.Д. Методика по эффективному применению гибридных моделей нейронных сетей для прогнозирования энергопотребления // Электротехнические системы и комплексы. 2022. № 4 (57). С. 88-95. URL: https://cyberleninka.ru/article/n/metodika-po-effektivnomu-primeneniyu-gibridnyh-modeley-neyronnyh-setey-dlya-prognozirovaniya-energopotrebleniya (дата обращения: 12.03.2024).
Еще
Статья научная