Эксергетический анализ системы теплоснабжения с прогнозной моделью на нейросетевых алгоритмах

Представлен эксергетический анализ системы теплоснабжения (СТ) с внедрением прогнозной модели, основанной на нейросетевых алгоритмах. Исследование направлено на оценку термодинамической эффективности СТ при использовании данных методов, которые позволяют предсказывать изменения температуры и оперативно корректировать параметры системы для повышения ее эффективности. Рассматривается влияние увеличения числа подключаемых потребителей на эксергетический КПД системы теплоснабжения с прогнозной моделью (СТПМ). Показано, что использование нейросетевых алгоритмов, таких как LSTM, значительно повышает способность системы предсказывать внешние температурные изменения и оперативно реагировать на них, что способствует оптимизации потребления энергии и повышению эксергетического КПД, особенно в периоды начала и окончания отопительного сезона. Приведен сравнительный анализ эксергетической эффективности традиционной системы теплоснабжения и системы с прогнозной моделью. Эксергетический анализ выполнен на основе моделирования работы системы с различным числом потребителей. Результаты показывают, что увеличение числа потребителей приводит к росту эксергетического КПД благодаря улучшенному управлению распределением энергии. Рассмотрены возможности значительной экономии тепловой энергии и снижения эксплуатационных затрат при использовании прогнозных методов. Исследование подтверждает, что применение нейросетевых алгоритмов в прогнозных моделях СТ может существенно повысить их эффективность и надежность, что способствует более рациональному использованию энергетических ресурсов, снижению затрат и минимизации негативного воздействия на окружающую среду. Полученные результаты поддерживают внедрение этих методов в крупномасштабные системы теплоснабжения для их оптимизации и повышения эффективности энергопотребления.

1. Источники тепловой и электрической энергии: учебное пособие / Н. Н. Гладышев, М. И. Куколев, Г. А. Морозов, И. С. Базулин. – СПб.: ВШТЭ СПбГУПТД 2022: 1 – 133.

2. Грибач Ю. С., Грибач Д. С., Поддаева О. И. Сравнительный анализ результатов расчета инфильтрационных потерь на примере жилого здания в г. Москве // Силовое и энергетическое оборудование. Автономные системы 2018: 65.

3. Неудахина Я. А. О прогнозировании электропотребления центральных тепловых пунктов на основе искусственных нейронных сетей и машинного обучения Лучшая студенческая статья 2020: сборник статей XXVII Международного научно-исследовательского конкурса, Пенза, 25 февраля 2020 – "Наука и Просвещение" (ИП Гуляев Г. Ю.) 2020: 59 – 65.

4. Макаров А. А. Прогнозирование спроса на тепловую нагрузку потребителей на основе искусственных нейронных сетей) Инновационный потенциал развития науки в современном мире: достижения и инновации: Сборник научных статей по материалам III Международной научно-практической конференции, Уфа, 09 июня 2020 – Уфа: Общество с ограниченной ответственностью "Научноиздательский центр "Вестник науки" 2020: 92 – 100.

5. Неудахина Я. А., Трефимов В. Б. О применении искусственных нейронных сетей в прогнозировании электропотребления центральных тепловых пунктов. Гибридные и синергетические интеллектуальные системы: Материалы V Всероссийской Поспеловской конференции с международным участием, Зеленоградск, Калининградская область, 18 – 20 мая 2020 / Под редакцией А. В. Колесникова. – Зеленоградск, Калининградская область: Балтийский федеральный университет имени Иммануила Канта 2020: 310 – 318.

6. Прогнозирование тепловой нагрузки систем централизованного теплоснабжения на основе SCSO-TCN / M. Gong, C. Han, J. Sun [и др.] // Теплоэнергетика 2024: 4: 82 – 88. DOI 10.56304/ S0040363624040015.

7. Барсуков А. А., Дмитриев О. С. Нейросетевое прогнозирование производства тепловой энергии в централизованных системах теплоснабжения Цифровая трансформация в энергетике: СБОРНИК ТРУДОВ КОНФЕРЕНЦИИ, Тамбов, 21–22 декабря 2020 – Тамбов: Издательство Першина Р. В., 2020: 19 – 22.

8. Прогнозирование тепловой нагрузки для систем централизованного теплоснабжения с помощью моделей TCN и CatBoost / C. Han, M. Gong, J. Sun [и др.] // Теплоэнергетика 2023: 9: 97 – 105. DOI 10.56304/S0040363623090047.

9. Возможности применения нейросетей в теплоснабжении / Д. П. Корабельникова, Д. И. Никитина, К. В. Осинцев, Ю. С. Приходько // Молодой исследователь : материалы 8-й научной выставкиконференции научно-технических и творческих работ студентов, Челябинск, 18 – 20 мая 2021 года / Министерство науки и высшего образования Российской Федерации Южно-Уральский государственный университет. – Челябинск: Издательский центр ЮУрГУ 2021: 485 – 493.

10. Прогнозное управление локальной городской системой теплоснабжения на основе нейросетевого моделирования / Г. В. Нетбай, В. Д. Онискив, В. Ю. Столбов, Р. Р. Каримов // Вестник ЮжноУральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника 2020: 3: 29 – 38. DOI 10.14529/ctcr200303.

11. Han, C., Gong, M., Sun, J. et al. Heat Load Prediction for District Heating Systems with Temporal Convolutional Network and CatBoost. Therm. Eng. 70, 719 – 726 (2023), DOI https://doi.org/10.1134/S0040601523090045

12. Bingwen Zhao, Hanyu Zheng & Ruxue Yan Heat Distribution of Heat Exchange Station in District Heating System based on Load Forecasting. Therm. Eng. 71, 364 – 373 (2024), DOI https://doi.org/10.1134/S0040601524040086

13. Gong M., Han C., Sun J. et al. Heat Load Prediction of District Heating Systems Based on SCSO-TCN. Therm. Eng. 71, 358 – 363 (2024), DOI https://doi.org/10.1134/S0040601524040013

14. Ahmadi M. Building energy efficiency: using machine learning algorithms to accurately predict heating load. Asian J Civ Eng 25, 3129 – 3139 (2024), DOI https://doi.org/10.1007/s42107-023-00967-w

15. СП 124.13330.2012. Свод правил. Тепловые сети. Актуализированная редакция СНиП 41-02-2003.

16. Дементьев С. А., Жерлыкина М. Н., Кононова М. С. Экономический эффект от автоматизации индивидуального теплового пункта жилого дома при разных режимах подачи теплоносителя // Жилищное хозяйство и коммунальная инфраструктура 2017: 4(3): 90 – 97.