XIV Международная студенческая научная конференция Студенческий научный форум - 2022

В настоящее время системы управления теплоэнергопотребления позволяют обеспечить комфортные условия в помещении и снизить энергопотребление, однако это управление не является оптимальным. Задачи оптимального управления тепловым режимом, сводящиеся к поддержанию его на заданном уровне или изменению в соответствии с заданным законом, основываются на математическом моделировании.

Наиболее высокое соответствие математической модели объекту управления может быть достигнуто за счет использования алгоритмов самообучения. Одной из возможностей реализации алгоритмов самообучения в системах управления теплоэнергопотреблением зданий является использование искусственных нейронных сетей (нейросетей).

Аналитическая часть

Внедрение автоматических систем регулирования (АСР) отопления, вентиляции, горячего водоснабжения является основным подходом к экономии тепловой энергии. Установка систем автоматического регулирования в индивидуальных тепловых пунктах снижает потребление тепла в жилом секторе на 5-10%, а в административных помещениях на 40%[3]. Наибольший эффект получается за счет оптимального регулирования в весенне-осенний период отопительного сезона, когда автоматика центральных тепловых пунктов практически не выполняет в полной мере свои функциональные возможности.

Нейросетевые технологии появились на основе нейронных сетей, т.е. программ, имеющих структуру, схожую с работой мозга. Это направление принадлежит к одному из направлений в развитии искусственного интеллекта.

Искусственная нейронная сеть – это набор нейронов, соединённых между собой. Как правило, передаточные функции всех нейронов в сети фиксированы, а вес является параметром сети и может изменяться. Некоторые входы нейронов являются внешними входами сети, а некоторые выходы – внешними выходами сети.

Схема искусственной нейронной сети приведена на рисунке 1. Искусственные нейроны, обрабатывающие входные сигналы, составляют входной слой; искусственные нейроны, выдающие результирующие сигналы (результат работы нейросети), составляют, соответственно, выходной слой. Однако между входным и выходным слоями могут быть добавлены промежуточные скрытые слои со многими связями между различными нейронами, которые и выполняют основные вычислительные операции. В результате на простых элементах могут быть построены сети очень сложной архитектуры. К настоящему времени разработано множество типов архитектуры искусственных нейронных сетей.

Рисунок 1 – Схема искусственной нейронной сети (ИНС).

Практически любую задачу можно решить, используя алгоритм нейросети. Задача обычно решается в два этапа. На первом этапе выбирается тип сети (её архитектура). Во время второго подбираются параметры сети – вес взаимосвязей (её обучение). До выбора нейросетевой архитектуры необходимо определить, какие модели нейронов будут использоваться.

Рисунок 2 - Классификация ИНС

Таким образом, можно решить задачу создания на основе оптимальных решений и самообучающихся математических моделей систему искусственного интеллекта для управления теплоэнергопотреблением здания и помещений. Ее решение предполагает выполнение следующих этапов.

1. Разработка математической модели теплового режима здания как единой теплоэнергетической системы, которая в наибольшей степени соответствует основным составляющим теплового баланса объекта. При этом могут иметь место три класса математических моделей с распределенными, частично-распределенными или сосредоточенными параметрами внутреннего теплового режима здания.

2. Разработка метода реализации полученной математической модели теплового режима здания как единой теплоэнергетической системы.

3. Идентификация математической модели теплового режима здания как единой теплоэнергетической системы, т. е. этап определения по реализации входных и выходных переменных, полученных в условиях функционирования объекта, неизвестных или приближенно заданных параметров модели.

4. Решение задачи оптимального управления расходом энергии, затрачиваемой на отопление или охлаждение помещений зданий.

5. Создание системы самообучения математической модели, т. е. искусственного интеллекта в структуре автоматизированной системы управления теплоэнергопотреблением.

Поставленная цель создания системы самообучения достигается тем, что система управления теплоэнергопотреблением, содержащая: датчики микроклимата, датчики параметров, характеризующих формирование микроклимата, датчики внешних метеоусловий, связанные через контроллер ввода/вывода данных с программой обработки данных, управляющей, в свою очередь, через контроллер исполнительными устройствами, дополнительно содержит программный блок-эмулятор показаний датчиков внешних метеоусловий, передающий смоделированные показания датчиков в программу обработки данных.

На рисунке 3 показана функциональная схема управления теплоэнергопотреблением.

Рисунок 3 – Функциональная схема управления теплоэнергопотреблением.

Система содержит: датчики микроклимата 1, датчики параметров технологических процессов 2, датчики внешних метеоусловий 3, исполнительные устройства (ИУ), контроллер ввода/вывода данных 4, программу обработки данных 5, программный блок-эмулятор показаний датчиков внешних метеоусловий, передающий смоделированные показания датчиков в программу обработки данных 6.

Работа системы организована следующим образом:

- Процесс управления разделен на циклы равной продолжительности. В начале каждого цикла производится последовательный опрос датчиков.

- Программа обработки данных через контроллер опрашивает датчик и получает его показатель. Время, затрачиваемое на преобразование и ввод измерительной информации в программу обработки данных 5, значительно меньше периода колебаний в управляемом процессе. Поэтому вся измерительная информация одного цикла вводится практически одновременно.

- После того как вся измерительная информация передана в запоминающее устройство, в течение некоторого времени программа обработки данных 5 производит обработку поступивших данных и расчет необходимых управляющих сигналов.

- Затем управляющий сигнал от контроллера к исполнительным устройствам вырабатывает на них величину управляющего воздействия, которая сохраняется неизменной на протяжении данного цикла управления.

- Затем обработанная и обобщенная измерительная информация о ходе процесса и состоянии технологического оборудования передается программой обработки данных на запоминающее устройство и на необходимые периферийные устройства. После чего система переходит в состояние ожидания либо к выполнению вспомогательных расчетов, которые могут прерываться без нарушения программы и промежуточных результатов на время очередного цикла управления.

В начальный период эксплуатации системы время между циклами управления используется для самообучения системы, которое осуществляется следующим образом.

К программе обработки данных 5 подключается программный блок математической модели теплового режима помещения. На период между циклами управления программа обработки данных 5 включает программный блок-эмулятор показаний датчиков внешних метеоусловий 6.

Аналоги

Контроллер NEUROBAT предназначен для управления системой отопления, в котором для оптимального управления теплопотреблением реализуются предиктивные (прогнозирующие) и адаптивные алгоритмы.

Как и контроллеры традиционного типа, контроллер NEUROBAT сопряжен с четырьмя датчиками температуры. Контролируются следующие значения:

температура теплоносителя в подающей магистрали;

температура теплоносителя в обратной магистрали;

температура в обслуживаемом помещении (внутренняя температура);

наружная температура.

Кроме того, используется расходомер. Измерение расхода и температуры теплоносителя позволяют оценить количество тепловой энергии, передаваемой зданию от отопительного контура.

Список использованной литературы:

Табунщиков Ю. А., Бродач М. М. Математическое моделирование и оптимизация тепловой эффективности зданий. М.: АВОК-ПРЕСС, 2015.

Табунщиков Ю. А., Бернер М. С. Опыт реконструкции системы теплоснабжения промышленных зданий с целью минимизации теплопотребления // Энергосбережение. – 2008. – № 2.

Потапенко, А.Н. Автоматизированное управление процессом централизованного теплоснабжения распределенного комплекса зданий с учетом моделирования этих процессов [Текст] / А.Н. Потапенко, Е.А. Потапенко, А.С. Солдатенков, А.О. Яковлев// Изв. вузов. Проблемы энергетики. –2007. –№ 7–8. –С. 120–134

Код для цитирования: Скопировать