CC BY
0
УДК 621.311
DOI: 10.24412/2071-6168-2023-9-257-258
ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ИССЛЕДОВАНИЯ ЭНЕРГОПОТРЕБЛЕНИЯ В ОБРАЗОВАТЕЛЬНЫХ УЧРЕЖДЕНИЯХ
В.И. Бирюлин, И.В. Ворначева, Д.В. Куделина
Показано, что удельные расходы энергетических ресурсов в сфере образования за последнее время имеют тенденцию к возрастанию, в то время как в других бюджетных сферах наблюдается снижение значений удельного потребления энергетических ресурсов. Для анализа значений расходов электроэнергии в образовательных организациях предлагается использование нейронных сетей. Произведена проверка работы созданной нейронной сети на контрольной выборке. Наиболее важными результатами являются: подробное рассмотрение процесса разработки нейронной сети с учетом специфики процессов исследования эффективности использования энергоресурсов.
Ключевые слова: нейронные сети, энергетические ресурсы, энергоэффективность, электроэнергия, обучающая выборка.
Острота проблемы экономии энергетических ресурсов в бюджетном секторе нашей страны в настоящее время не вызывает сомнения, так как бюджетная сфера потребляет значительное количество энергоресурсов, что неизбежно приводит к большим финансовым расходам на оплату потребляемых энергетических ресурсов. Нельзя сказать, что данная проблема (также и для других областей нашего общества) не привлекала внимания властных структур различного уровня. Для повышения энергоэффективности было принято много нормативных документов, например, Федеральный закон № 261-ФЗ «Об энергосбережении и повышении энергетической эффективности». Принятие этих документов создало условия для проведения работ по повышению уровня энергосбережения в нашей стране, включая и организации бюджетной сферы, в том числе образовательные учреждения.
Несмотря на это, задача увеличения эффективности потребления энергетических ресурсов по-прежнему имеет большую актуальность. Для подтверждения этого рассмотрим график изменения удельных расходов энергетических ресурсов, определяемых как значение потребления различных их видов, выраженных в килограммах условного топлива на м2 помещений зданий различного назначения за год [1].
о-
2015 2016 2017 2018 2019 2020 2021
Динамика удельных расходов энергии в кгут/м3 за год
Из этого графика видно, что, начиная с 2015 до 2021 года, удельные расходы энергоресурсов в образовательных учреждениях неуклонно повышались с некоторыми колебаниями, но при этом за данный временной период они оставались на более высоком уровне, чем в начальном году рассматриваемого интервала времени - 32,5 кг/м2 за год. А в 2021 году это значение достигло уровня 43,4 кг/м2 за год, что превышает начальное значение на 33,5%.
Если проанализировать по приведенному графику положение дел в области энергоэффективности в других сферах, то можно сделать вывод, что повышение удельных расходов энергоносителей за рассматриваемый интервал времени произошло только для образовательных учреждений. Такая тенденция неизбежно приводит к негативному влиянию на энергоэффективность, как отдельных регионов, так и всей страны в целом. Этот факт можно объяснить только тем, что работы по повышению уровня энергоэффективности образовательных учреждений сталкиваются со значительными трудностями, в том числе и на уровне организации и планирования, включая вопросы нормирования и анализа значений расходов энергетических ресурсов.
Для изучения вопросов повышения энергоэффективности образовательных учреждений, включая и анализ проблем, возникающих в этой области, проведено много исследований, выполненных различными авторами. Так, в работе [2] выполнено исследование эффективности использования энергоресурсов в учреждениях высшего образования. Авторы работы установили, что средние удельные затраты ВУЗов Приволжского Федерального округа возросли за период их рассмотрения (2002 - 2009 годы) в несколько раз. Также в этом исследовании выполнен краткий анализ проблем, возникающих при реализации энергосберегающих мероприятий:
- нет полноценного комплекта нормативных подзаконных документов, сопровождающих действие Федерального закона № 261-ФЗ «Об энергосбережении и повышении энергетической эффективности»;
- отсутствуют установленные руководящими документами значения нормативных показателей удельных расходов различных видов энергетических носителей, потребляемых образовательными учреждениями.
Проблемы, возникающие при реализации энергосберегающей политики, также рассмотрены в более поздней работе [3]. В ней отмечается, что в образовательных учреждениях существуют как технические причины повышенных расходов на оплату энергоресурсов, так и организационные, включая отсутствие в образовательных организациях системы нормирования, учета и анализа данных по использованию энергетических ресурсов.
К подобным выводам приходили и другие исследователи, работающие в области региональной энергетики. Е.А. Малышев также привел в своей работе [4] организационные причины, негативно влияющие на процессы повышения уровня эффективности использования энергетических ресурсов в бюджетной сфере. Им же отмечено, что решение проблемы повышения уровня энергоэффективности в организациях бюджетной сферы является нетривиальной задачей, так как для ее решения необходимо использовать методы исследования, применяемые в нескольких дисциплинах.
Также нужно учитывать при решении этой задачи, что в разных регионах применяются различные способы, направленные на снижение потребления различных видов энергии, что должно приводить к повышению эффективности использования их в бюджетных организациях [4]. Но следует при этом отметить, что нигде (по крайней мере на момент опубликования этой работы) проблема в полной мере принципиально не решена. Известные научные исследования, выполняемые в этой области в большинстве случаев, ставят своей целью изучение проблем энергоэффективности на уровне крупных энергопредприятий, не рассматривая при этом взаимоотношения между энер-госнабжающими организациями и потребителями.
Одним из результатов исследования [2], основанного на обследованиях 63-х ВУЗов в Приволжском Федеральном округе является вывод, что удельные расходы энергоносителей резко отличаются даже при рассмотрении близких по структуре и другим параметрам учреждений высшего образования, эти отличия могут доходить до 5 и даже большего числа раз. Также авторами отмечено, что значения удельных расходов энергоносителей во всех обследованных ВУЗах не имеют каких-либо явно выраженных зависимостей, т.е. подчиняются случайному распределению.
Факты роста расходов на оплату энергоресурсов также зафиксированы в работе [6], в которой проведено исследование тенденции развития этих финансовых затрат. На основании полученного материала, авторы сделали вывод, что за период с 2004 года по 2007 удельные затраты выросли на 147%. Исходя из полученных данных, авторы работы [2] провели исследования законов случайных изменений удельных расходов энергоносителей различных образовательных учреждений. При проведении исследований данных законов авторы статьи учитывали только конечные результаты своих обследований - величины расходов энергоносителей, как на единицу площади (один м2), так и на одного учащегося.
Аналогичную методику предлагают авторы исследования [5], изучавшие потребление электроэнергии в 182 бюджетных учреждениях различного профиля. Ими получены довольно простые функции распределения для нахождения статистических характеристик значений удельных показателей расходов электроэнергии.
Несомненным достоинством методов, основанных на применении статистических данных, является относительная простота и сравнительно небольшой объем используемых для расчетов исходных данных. Но следует учитывать, что возрастание количества входных переменных, с одной стороны, позволяет получать более обоснованные значения итоговых показателей, но с другой стороны, приводит к появлению больших сложностей в обработке исходных данных. Поэтому такие способы обработки исходных данных могут быть подходящими для изучения вопросов энергопотребления в организациях, имеющих более или менее одинаковые условия работы. Если применить такой метод к средним школам, находящимся пусть даже и в одном (причем сравнительно небольшом) регионе, то здесь возникают значительные сложности, связанные с тем, что школы и их инфраструктура (особенно в сельской местности) имеют между собой гораздо больше отличий по сравнению с аналогичными учреждениями, находящимися в городах.
Природа таких отличий связана, прежде всего, с большим разбросом характеристик школьных зданий, среди которых можно выделить:
- время ввода их в эксплуатацию, что обуславливает как разную степень износа здания, так и различие в применяемых проектных решениях;
- разное количество этажей школьных зданий, что влияет на тепловые характеристики зданий и процессы, связанные с потерями тепла в окружающую среду;
- применение различных материалов в строительных конструкциях зданий, так стены зданий могут быть выполнены из бетона, кирпичей, дерева, шлакоблоков.
Анализ многочисленных публикаций зарубежных и российских исследователей показывает, что в настоящее время для преодоления таких сложностей целесообразно использовать интеллектуальные методы, в том числе с применением нейронных сетей [7-15]. Данные сети обеспечивают эффективное решение задач прогнозирования потребления энергетических ресурсов, в том числе и зданиях различного назначения [8, 9, 14, 15], потребления энергоресурсов на уровне энергосистемы [11], а также других задач. Рассмотрим создание и применение нейронной сети для анализа потребления электрической энергии в образовательных учреждениях Курской области. Для анализа эффективности потребления электроэнергии были использованы следующие исходные данные:
- расход электроэнергии за год, тыс.кВт-час;
- количество персонала, работающего в данной школе;
- количество школьников, обучающихся в школе;
- материал стен (при создании и обучении нейронной сети будет использоваться условная численная характеристика);
- срок эксплуатации школьного здания, в годах;
- количество этажей школьного здания;
- общая площадь школьного здания, м2.
В начале работы была составлена обучающая выборка исходных данных, полученных в ходе работ по составлению программ энергосбережения, выполненных в ЮЗГУ. Часть этой выборки приведена в таблице.
Используя подготовленную обучающую выборку, авторами статьи была создана нейронная сеть для нахождения значений потребляемой электроэнергии образовательным учреждением в зависимости от перечисленных выше исходных факторов. После анализа большого количества программных средств, позволяющих разрабатывать и использовать нейронные сети, был сделан выбор в пользу компьютерной системы научно-технических расчетов МАТЬАВ.
Данная система представляет собой программное средство, обеспечивающее достаточно широкие возможности по работе с нейронными сетями (не уступающей по своей функциональности специализированным ком-
пьютерным системам, предназначенным для работы только с нейронными сетями). Также следует отметить прозрачность действий по созданию, обучению и работе с нейронными сетями в среде МАТЬАВ [16].
Фрагмент массива исходных данных (обучающей выборки)
№ п/п Wj-щ,, тыс. кВт-ч Nшкол Стены Срок эксплуатации/этажи S, м2
1 6,346 16 37 Дерево 62/1 630
2 7,68 17 19 Шлакоблок 54/1 479
3 4,026 24 26 Кирпич 50/2 1796
4 40,76 40 150 Кирпич 56/2 1773
5 20,7 31 86 Кирпич 36/2 1614
6 6,537 17 46 Кирпич 58/1 582
7 53,26 67 660 Кирпич 36/4 5397
8 18,39 32 55 Кирпич 50/2 1762
9 28,4 24 28 Кирпич 53/2 1710
10 19,13 20 17 Кирпич 40/2 1347
11 17,85 28 39 Кирпич 40/2 1250
12 12,35 13 32 Кирпич 43/1 350
13 19,3 30 120 Кирпич 38/2 3017
14 25,18 31 64 Кирпич 47/2 1805
Все действия по созданию и работе с нейронной сетью производились в следующей последовательности. В начале работы в рабочем пространстве системы MATLAB (с последующим сохранением в виде файла) была создан массив (матрица) isxod. Данная матрица содержит числовые данные в соответствии с таблицей, материал стен учитывается условными обозначениями:
- дерево: 1;
- шлакоблок: 2;
- кирпич: 3;
- бетон: 4.
Значения расхода электроэнергии за год были записаны в вектор result, представляющий собой выходную величину, отображающую влияние исходных факторов на величину электропотребления тем или иным образовательным учреждением.
После завершения подготовки исходных данных или обучающей выборки была создана нейронная сеть, имеющая название elektropot приведенной ниже командой MATLAB: elektropot = newlind(isxod, result).
В результате выполнения этой команды система MATLAB автоматически создает нейронную сеть, после чего также без участия пользователя происходит процесс обучения созданной сети. Разработанная нейронная сеть имеет шесть входов, на которые подаются значения исходных данных, а на выходе сети получается величина годового расхода электроэнергии.
Дальнейшая работа с созданной нейронной сетью состоит в составлении и подаче на входы данной сети вектора столбца значений входных факторов. Выходное значение Wn® рассчитывается в автоматическом режиме, для этой цели нужно использовать функцию MATLAB, использующую имя созданной сети (elektropot) и вектор входных данных (vxodl), созданный для рассматриваемого образовательного учреждения: W = sim(elektropot,vxod1).
Для иллюстрации работы выполним расчет по контрольным данным образовательного учреждения, не включенного в обучающую выборку:
- количество персонала, работающего в данной школе: 30;
- количество школьников, обучающихся в школе: 120;
- материал стен: кирпич (3);
- срок эксплуатации школьного здания: 47;
- количество этажей школьного здания: 2;
- общая площадь школьного здания: 3017 м2.
В результате работы нейронной сети было получено расчетное значение 18,14 тыс.кВт-ч. Контрольное значение данного параметра составляет 19,3 тыс.кВт-ч.
Приведенные в статье результаты показывают, что создание и дальнейшая работа с нейронной сетью позволяет достаточно просто оценивать с достаточной точностью величину годового расхода электроэнергии в образовательных учреждениях. Такая нейронная сеть может с успехом использоваться при мониторинге электропотребления, позволяя выявлять образовательные учреждения с большим расходом электроэнергии относительно среднего уровня подобных потребителей.
Исследование выполнено при финансовой поддержке Министерства высшего образования и науки Российской Федерации (Государственное задание «Исследование алгоритмов, моделей и методов повышения эффективности функционирования сложных технических систем», проект № 0851-2020-0032).
Список литературы
1. Государственный доклад о состоянии энергосбережения и повышении энергетической эффективности в Российской Федерации в 2021 г.: Минэнерго России, Москва, 2022 [Электронный ресурс] URL: https://www.economy.gov.ru/material/file/5a79eed92247fc7cb91873a107625372/Energy efficiency 2022.pdf (дата обращения: 23.09.2023).
2. Вагин Г. Я., Дудникова Л. В. Исследование эффективности использования энергоносителей в образовательных учреждениях // Энергобезопасность и энергосбережение. 2010. № 6. С. 12-16.
3. Ставровский Е. С., Костерин А. Ю. Проблемы организации мониторинга энергопотребления образовательных учреждений // Сб. науч. тр. междунар. (ХХ Всероссийской) науч.-техн. Конф. «Состояние и перспективы развития электро- и теплотехнологии» (Бернадосовские чтения): в 2 т. 29-31 мая 2019 / под ред. С. В. Тарарыкина. Иваново: Изд-во ООО «ПресСто», 2019. Т. 1. С.283-285.
4. Малышев Е. А. Повышение эффективности энергопотребления в бюджетной сфере региона // Региональная экономика: теория и практика. 2007. №7. С.99 - 108.
5. Дудникова Л. В. Статистическая и нормативная модели формирования лимитов на энергоресурсы для ВУЗов // Дудникова Л. В., Скуднова О. В., Дудникова Н. А. // Энергоэффективность. 2007. №1-2.
6. Гончаров Г. С., Гусятников В. Н. Моделирование потребления электроэнергии учреждениями бюджетного сектора // Энергоресурсосбережение и энергоэффективность. 2014. № 1(55). С. 15-19.
7. Соснина Е. Н. Нормирование энергопотребления образовательных учреждений на основе нейросетево-го подхода [Электронный ресурс] / Е. Н. Соснина, А. В. Шалухо, Р. Ш. Бедретдинов, И. А. Липужин // Инженерный вестник Дона. 2013. №3.URL: http://ivdon.ru/ru/magazine/archive/n3y2013/1841. (дата обращения: 23.09.2023).
8. Соломкин А. В. Применение нейросетевых методов для прогнозирования потребления электроэнергии // Электроника и информационные технологии. 2009. № 2 (7). С. 1-4.
9. Бабанова И. С. Применение искусственных нейронных сетей в задачах прогнозирования энергопотребления для предприятий минерально-сырьевого комплекса // Фундаментальные и прикладные исследования в современном мире. 2015. №9-1. С. 128-133.
10. Торопов А. С., Туликов А. Н. Прогнозирование почасового электропотребления региональной энергосистемы с использованием искусственных нейронных сетей // Вестник Иркутского государственного технического университета. 2017. Т. 21. № 5. С. 143-151. doi: 10.21285/1814-3520-2017-5-143-151
11. Староверов Б. А., Гнатюк Б. А. Определение наиболее перспективных нейронных сетей и способов их обучения для прогнозирования энергопотребления // Вестник Ивановского государственного энергетического университета. 2015. № 6. С. 1-4. doi: 10.21285/1814-3520-2017-5-143-151
12. Suárez-Varela J., Almasan P., Ferriol-Galmés M., Rusek K., Geyer F., Cheng X., Shi X., Xiao S., Scarselli F., Cabellos-Aparicio A., Barlet-Ros P. Graph neural networks for communication networks: context, use cases and opportunities // IEEE Network. 2023. Vol. 37. No. 3. P. 146-153. doi: 10.1109/MNET.123.2100773.
13. Lou G., Shi H. Face image recognition based on convolutional neural network // China Communications. 2020. Vol. 17. No. 2. P. 117-124. doi: 10.23919/JCC.2020.02.010.
14. Application of artificial neural network in predicting building's energy consumption / R. Zahedi, A. Aslani, A. Gitifar, O. Farahani, H. Yousefi // Proceedings of 8th International Conference on Technology and Energy Management (ICTEM). 08-09 February 2023. Mazandaran, Iran, 2023. doi: 10.1109/ICTEM56862.2023.10084336.
15. Research on building energy consumption prediction based on bp neural network / K. Dai, F. Ji, L. Bai, H. Li // Proceedings of International Conference on Advances in Electrical Engineering and Computer Applications (AEECA). 2021 August 2022. Dalian, China, 2022. doi: 10.1109/AEECA55500.2022.9918918.
16. Дьяконов В. П. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики / В.П. Дьяконов, В.В. Круглов. М.: СОЛОН-ПРЕСС, 2017. 456 с.
Бирюлин Владимир Иванович, канд. техн. наук, доцент, [email protected], Россия, Курск, Юго-Западный государственный университет,
Ворначева Ирина Валерьевна, канд. техн. наук, и.о. заведующего кафедрой, [email protected], Россия, Курск, Юго-Западный государственный университет,
Куделина Дарья Васильевна, канд. техн. наук, доцент, [email protected], Россия, Курск, Юго-Западный государственный университет
NEURAL NETWORKS APPLICATION FOR ENERGY CONSUMPTION INVESTIGATION IN EDUCATIONAL
INSTITUTIONS
V.I. Biryulin, I. V. Vornacheva, D. V. Kudelina
It is shown that the specific consumption of energy resources in the education sector has recently tended to increase, while in other budgetary areas there has been a decrease in the specific consumption of energy resources. To analyze the values of energy consumption in educational organizations, the use of neural networks is proposed. The operation of the created neural network was checked on a control sample. The most important results are: a detailed examination of the process of developing a neural network, taking into account the specifics of the processes of studying the efficiency of energy use.
Key words: neural networks, energy resources, energy efficiency, electricity, training set.
Biryulin Vladimir Ivanovich, candidate of technical sciences, docent, [email protected], Russia, Kursk, Southwest State University,
Vornacheva Irina Valerievna, candidate of technical sciences, acting head of department, [email protected], Russia, Kursk, Southwest State University,
Kudelina Daria Vasilievna, candidate of technical sciences, docent, mary [email protected], Russia, Kursk, Southwest State University
