Исследование прогнозирования суточной пиковой нагрузки системы теплоснабжения с использованием алгоритма искусственного интеллекта

Батмэнд Л., аспирант, МГУНТ «ЭИ», инженер АО «УБТС», К.т.н.; Энхжаргал Х., академик; Цэцгээ Ц., аспирант, НИУ «МЭИ»; Энх-Амар Ө. магистр, МГУНТ «ЭИ» ; г. Улан-Батор, Монголия

Введение

Согласно исследованиям к 2040 году нагрузка на системы теплоснабжения города Улан-Батора достигнет 5006 Гкал/ч [1]. Планирование потребления тепловой энергии является одним из базовых требований, необходимых для обеспечения надежной работы источников теплоты, рационального выбора и планирования строительства новых источников теплоты [2].

В Монголии потребление тепловой энергии в городах приходится в основном на бытовых потребителей, поэтому нагрузка на систему в значительной степени зависит от температуры наружного воздуха.

Таблица 1. Среднемесячный прогресс суточной нагрузки по городу Улан-Батор в процентах от пиковой нагрузки за день в 2018–2024 гг.

В таблице 1 приведены сводные данные о пиковых нагрузках систем теплоснабжения города Улан-Батора в ночное и утреннее время.

Потенциал экономии можно увидеть за счет повышения уровня мониторинга, управления и автоматизации систем теплоснабжения, а также за счет полного перехода на систему ценообразования по потреблению.

Как показано в таблице 1 продолжительность суточных пиков в зимние месяцы составляет 16-24 часа, в весенние и осенние месяцы - 20-23 часа, в летние - 19-23 часа.

Данные производительности тепловой нагрузки за предыдущий день имеют большое значение для прогнозирования. На основе изучения этой корреляции можно рассчитать уравнение регрессии для прогнозирования потребления систем теплоснабжения для ежедневного планирования.

Сегодня алгоритмы искусственного интеллекта широко используются благодаря повышению вычислительной мощности компьютеров и возможности регистрации, сбора и повторного использования огромных объемов данных [2].

Искусственный интеллект - технология, разработанная с помощью компьютерного программного обеспечения, моделирующая человеческий разум и выводящая его практически на такой же уровень, предназначенная для контроля над любой деятельностью, осуществляемой человеком [3].

В последние годы искусственный интеллект применяется в энергетике как основная технология для повышения эффективности систем, снижения затрат, уменьшения человеческого вмешательства и содействия устойчивому развитию, добившись преимуществ развития во многих областях, таких как автоматизация энергосистем, оптимизация применения, управление эксплуатацией, подключение возобновляемых источников энергии к сетям и улучшение технического обслуживания [4].

В проведенной исследовательской работе алгоритм искусственного интеллекта используется для разработки прогноза суточной пиковой нагрузки систем теплоснабжения в зависимости от наружной температуры воздуха с учетом информации о теплопотреблении в предыдущие дни. Результаты сравниваются с данными, рассчитанными статистическими методами с применением уравнений регрессии.

Методология

На рисунке 1 представлены фактические часовые показатели тепловой нагрузки за январь 2025 года, чтобы показать, что тепловая нагрузка систем теплоснабжения города Улан-Батор зависит от температуры наружного воздуха и участия исходного генератора в пиковых нагрузках [5]. Как показано на рисунке 1 по состоянию на январь 2025 года ТЭС-4 обеспечивала 50% пиковой нагрузки, ТЭС-3 - 32%, АТС - 15% и ТЭС-2 - 3%.

Рисунок 1. Тепловая нагрузка систем теплоснабжения города Улан-Батор в январе 2025 года.

Суточные графики нагрузок сильно отличаются зимой и летом, в будние дни и выходные, понедельник и пятницу. График нагрузок в праздничные дни также сильно отличается от будних. Большая разница между дневной и ночной нагрузками указывает на большое влияние времени суток [2].

Поскольку тепловая энергия преимущественно идет на отопление, горячее водоснабжение, кондиционирование воздуха и в целом обеспечение жизнедеятельности потребителей, каждый из дней года (праздничный, выходной, рабочий день и т. п.) имеет свои особенности, включая собственную, уникальную суточную диаграмму нагрузки.

Диаграмма годовой нагрузки системы теплоснабжения города Улан-Батора в процентах от пиковой нагрузки представлена на рисунке 2.

Рисунок 2. График годовой нагрузки системы теплоснабжения города Улан-Батор.

Факторами, влияющими на тепловую нагрузку, являются:

1. Влияние погоды является наиболее важным фактором, влияющим на тепловую нагрузку;
2. Типы пользователей, такие как жилые, промышленные и сферы услуг, также оказывают важное влияние на тепловую нагрузку.

Таблица 2. Коэффициент суточной нагрузки теплоснабжения Улан-Батора в январе 2025 года, по неделям.

Как видно из таблицы 2, диаграмма суточных нагрузок в будние дни не дублируется, но тепловая нагрузка в будние дни ниже, а в выходные - выше. Поэтому давайте определим взаимосвязь между тепловой нагрузкой системы теплоснабжения и температурой наружного воздуха, которая меняется в зависимости от сезона и климата.

Для проверки влияния температуры наружного воздуха на потребление тепловой энергии в системе теплоснабжения города Улан-Батор был определен коэффициент корреляции между суточной нагрузкой и среднесуточной температурой воздуха в 2018-2024 гг., который составил -0,937, т.е. сильную обратную линейную корреляцию.

Таблица 3. Коэффициенты корреляции суточных нагрузок со средней наружной температурой воздуха в 2018–2024 гг.

Поскольку взаимосвязь между суточной пиковой нагрузкой системы теплоснабжения и средней наружной температурой является сильной обратной и линейной, может быть получена однофакторная модель регрессии с одним фактором пиковой нагрузки или средней наружной температурой.

При прогнозировании тепловой нагрузки часто используемые регрессионные модели рассчитываются на основе фактических показателей тепловой нагрузки в предыдущие дни и погодных параметров, дней недели и категорий пользователей.

Таблица 4. Константы уравнений регрессии суточных нагрузок и средней наружной температуры воздуха в 2018–2024 гг.

Алгоритм искусственного интеллекта 

Алгоритм искусственного интеллекта представляет собой компьютерный алгоритм, который можно автоматически улучшать с использованием данных [6]. В отличие от статистических методов, этот алгоритм обладает характеристиками самонастраивающейся константы модели уравнения подгонки. Когда значения данных достаточно велики, можно использовать алгоритм для высокоточных предположений на более чем 80 000 часов данных. Результаты предыдущего раздела показывают, что помимо показателей нагрузки позавчерашнего дня изменение температуры окружающей среды также имеет важное значение для расчета прогноза суточной пиковой нагрузки.

Программное обеспечение

В данном исследовании на основе данных, предоставленных Бюро метеорологического и экологического анализа и международной климатической базы данных, были собраны данные о пиковой суточной нагрузке и значения среднесуточной температуры системы теплоснабжения в городе Улан-Батор за 2018-2024 годы.

В наше время инженерные, научные и технико-экономические расчеты производятся с помощью специализированного программного обеспечения. Например: Mathsad, Matlab, Maple Flow, Python, SMath и др. Это приносит ряд преимуществ, таких как экономия времени, вычисление сложных дифференциальных уравнений и более точное выполнение вычислений [9]. В данном исследовании обучение и ориентация алгоритмов искусственного интеллекта проводились с использованием языка программирования Python и программного обеспечения SPSS IBM.

Рисунок 3. Структура данных исследования.

Результаты расчета

Алгоритм искусственного интеллекта принимает в качестве входных данных показатели нагрузки в тот же день предыдущего дня и предыдущей недели, среднюю температуру в этот день и разницу температур окружающей среды в прогнозируемый день, а выходом является пиковое значение нагрузки в прогнозируемый день, как показано на рисунке 4.

Рисунок 4. Модель машинного обучения.

Нейронная сеть (Neural Network), одна из ключевых технологий искусственного интеллекта (ИИ) и машинного обучения (Machine Learning), представляет собой математическую модель, вдохновленную принципом работы нейронов человеческого мозга (Neurons) [3].

Она используется для обработки данных, обучения признакам прогнозирования и принятия решений. Таблица 5 показывает, что при создании нейронной сети с использованием программного обеспечения SPSS IBM и обучении алгоритма искусственного интеллекта корреляция и влияние тепловой нагрузки в прогнозируемый период с тепловой нагрузкой предыдущего дня и тепловой нагрузкой предыдущих 7 дней были наибольшими.

Таблица 5. Предполагаемая зависимость коэффициента тепловой нагрузки.

На рисунке 5 показаны прогнозные и фактические значения пиковых нагрузок, связанных с температурой наружного воздуха, выбранные с помощью алгоритмов обучения искусственного интеллекта из данных за 2018-2024 годы.

Рисунок 5. Совпадение пиков дней, выбранных из данных 2018-2024 годов с использованием алгоритмов обучения искусственного интеллекта, с фактическими значениями.

Для обучения алгоритмов искусственного интеллекта использовалось более 80 тыс. ч данных системы теплоснабжения Улан-Батора в период с 2018 по 2024 год. Большинство (95 %) прогнозных данных, обрабатываемых искусственным интеллектом, отличаются от фактических показателей на ±5 %.

Рисунок 6. Использование алгоритма обучения искусственного интеллекта для достижения совпадения пиковой нагрузки и фактического значения.

Рисунок 7. Фактические значения суточных нагрузок систем теплоснабжения города Улан-Батора, результаты расчета регрессионной модели и машинного обучения в 2018-2024 гг.

Используя данные за 2018-2024 годы, суточная нагрузка за 2020-2024 годы была рассчитана с помощью алгоритма обучения ИИ, как показано на рисунке 7.

В таблице 5 представлено статистическое сравнение предположений, сделанных с использованием регрессионных моделей и алгоритмов искусственного интеллекта. Регрессионная корреляция регрессионной модели составляет 0,91%, а коэффициент регрессии алгоритма искусственного интеллекта составляет 0,953, что имеет высокую точность.

Таблица 6. Регрессионные модели, результаты вычислений машинного обучения.

Сравнение характеристик системы теплоснабжения города Улан-Батор при высокой суточной нагрузке с головоломкой, выполненной с помощью регрессионных моделей и алгоритмов искусственного интеллекта, представлено на рисунке 5.

Заключение

В условиях быстрого роста применения алгоритмов искусственного интеллекта в теплоэнергетике был изучен и опробован новый способ выполнения планирования тепловой нагрузки.

Изучение состояния часовой, суточной и месячной тепловой нагрузки системы теплоснабжения города Улан-Батора и формирование карт за счет дальнейшего повышения уровня автоматизации позволяют сэкономить ночное и утреннее время в часы пик.

При использовании алгоритма искусственного интеллекта для прогнозирования тепловой нагрузки было обнаружено, что фактическая производительность предыдущего дня сильно коррелирует с фактической производительностью предыдущих семи дней.

При использовании алгоритмов искусственного интеллекта для прогнозирования ежедневной пиковой нагрузки точность прогнозирования лучше, чем у статистических методов и 95% ошибок согласования в более чем 80 000 часах данных находятся в пределах ± 5%.

Результаты исследований показывают, что предположения, сделанные алгоритмом искусственного интеллекта, имеют хорошую точность, коэффициент регрессии составляет 0,91, а среднеквадратичная ошибка составляет 0,953.

Применение алгоритмов искусственного интеллекта увеличивается и развивается с каждым днем и регулярно применяется в энергетической сфере, особенно в системах теплоснабжения, путем прогнозирования потребления, обнаружения утечек в сетях, оптимизации работы сетей передачи и распределения, сокращения выбросов CO₂ и интеграции возобновляемых источников энергии в системы (содействие использованию солнечных тепловых систем, геотермальной энергии, биотоплива и отработанного тепла).

Литература

[1] «Future perspective of heat supply of Ulaanbaatar city until 2040» Proceedings of 3rd Mongolian Photovoltaic Conference – 2024

[2] Исследование по прогнозированию ежедневной пиковой нагрузки интегрированной электросети в Центральном, Ph.D С.Сайнболд «Энергия & Engineering» журнал 2023-6(232)

[3] Редакционная статья: Так искусственный интеллект повлияет на нашу жизнь. «Энергия & Engineering» журнал 2020-4(194)

[4] ChatGPT чат-боты, OpenAI платформа искусственного интеллекта

[5] Улан-Баторская тепловая сеть АО, система управления информацией portal.dulaan.mn

[6] DeepSeek чат-боты, Платформа с открытым кодом (LLM)

[7] Метеорологическая база данных https://www.visualcrossing.com/

[8] Будущие тенденции в системах теплоснабжения, Х.Энхжаргал Л.Батмэнд «Энергия & Engineering» журнал 2023-4(230)

[9] Перспективы применения искусственного интеллекта в энергетических расчетах: проблемы и решения Д.Амармөрөн «Энергия & Engineering» журнал 2024-3(241)