CC BY
40
р-К8К 1607-3274. Радюелектронжа, шформатика, управлiння. 2015. № 2 е-ЕЗБЫ 2313-688Х. Каёю ЕкСгопга, Сошриег Баепсе, Сопйо1. 2015. № 2
УДК 004.032.26
Парфененко Ю. В.1, Шендрик В. В.2, Галiченко О. С.3
1Асистент кафедри комп'ютерних наук, Сумський державний унверситет, м. Суми, УкраТна 2Канд. техн. наук, доцент кафедри комп'ютерних наук, Сумський державний унверситет, м. Суми, УкраТна
3Студент факультету Електронки та ¡нформацШних технологй, Сумський державний унверситет, м. Суми, УкраТна
ПРОГНОЗУВАННЯ ТЕПЛОСПОЖИВАННЯ БУД1ВЕЛЬ СОЦ1АЛЬНО-БЮДЖЕТНО1 СФЕРИ З ВИКОРИСТАННЯМ НЕЙРОННИХ МЕРЕЖ
Запропоновано метод удосконалення процеав пщтримки прийняття ршень при управлшш режимами теплозабезпечення заклад!в сощально-бюджетно! сфери шляхом розроблення модел! прогнозу споживання теплово! енерги буд!влею. Об'ектом дослщження е процес вибору найбшьш оптимально! архттектури нейронно! мереж! для виршення задач! прогнозування теплоспоживання буд!вл! сощально-бюджетно! сфери. Предмет дослщження становлять модел! прогнозування теплоспоживання буд!вель сощально-бюджетно! сфери з використанням штучних нейронних мереж. Метою даного дослщження е пщвищення достов!рност! прогнозування потреб буд!вель сощально-бюджетно! сфери у теплозабезпеченш. Розроблено модел! короткострокового прогнозування теплозабезпечення об'екпв сощально-бюджетно! сфери з використанням штучних нейронних мереж, що враховують вплив погодних умов, коливання потреби в тепловш енерги в залежност вщ графжу роботи закладу, а також минут значення потреб у теплозабезпеченш. Модел! побудовано на основ! архитектур нелшшно! мереж! типу вхщ-вихщ, нелшшно! авторегресшно! мереж!, нелшшно! авторегресшно! нейронно! мереж! ¡з зовшшшми входами. Запропоноваш модел! реал1зовано у програмному середовищ! Mat1ab, для навчання використано алгоритм Левенберга-Марквардта. Проведено експерименти з дослщження точност розроблених моделей, яга показали, що найбшьшо! точност прогнозу можна досягти при використанш модел! типу ЫАЯХ. Використання запропоновано! модел! в рамках шформацшно! системи «НеаЮАМ» для прогнозування теплоспоживання буд!вель протягом опалювального сезону дозволяе п!двищити ефектившсть п!дтримки процесу прийняття р!шень при управлшш режимами теплозабезпечення, що призводить до зниження споживання теплово! енерги.
Ключовi слова: теплоспоживання, регулювання, моделювання, шформацшна система, прогнозування, нейронн! мереж!, енергоз-береження.
НОМЕНКЛАТУРА
Р (•) - оператор нейромережевого в1дображення;
Ь - кшьюсть нейрошв прихованого шару;
МАЕ - середня абсолютна помилка прогнозу;
МАРЕ - середня абсолютна помилка прогнозу у вщсотках;
МЖ - середньоквадратична помилка прогнозу;
N - потужшсть множини даних для перев1рки досто-в1рност1 прогнозу.
п - значення перюду затримки прогнозу;
NAR - модель нелшшно! авторегресшно! нейронно! мережц
NARX - модель нелшшно! авторегресшно! нейронно! мереж1 з екзогенними входами;
N10 - модель нейронно! мереж1 типу вхщ-вихщ;
2 - критерш якост прогнозування;
RMSE - квадратний коршь 1з середньоквадратично! помилки прогнозу;
/ - дискретний момент часу;
м> - множина значень вагових коефщенлв нейронно! мережц
X - множина даних мошторингу теплоспоживання;
х(1) - вектор вхщних змшних;
XI - компонента вектору х(/) температура навколиш-нього середовища, С;
Х2 - компонента вектору х(/) швидюсть виру, м/с;
Х3 - компонента вектору х(/) атмосферний тиск, мм. рт. ст.;
Х4 - компонента вектору х(/) волопсть повггря, %;
Х5 - компонента вектору х(/) тип дня тижня;
х(/ - п) - значення вхщного сигналу нейронно! ме-реж1 у попередш перюди часу;
© Парфененко Ю. В., Шендрик В. В., Гатченко О. С., 2015
БОТ 10.15588/1607-3274-2015-2-5
У - множина вихщних даних системи прогнозування;
у(0 - фактичне значення теплоспоживання буд1вл1, Гкал;
у(/) - прогнозоване значення теплоспоживання буд1вл1, Гкал;
у(/ - п) - значення вихщного сигналу нейронно! ме-реж1 у попередш перюди часу;
2 - множина даних теплоспоживання буд1влц
- множина даних для навчання нейронно! мережц
21 - тестова множина даних;
- множина даних для перев1рки достов1рност1 прогнозу.
ВСТУП
Застосування шформацшних технологш у теплоенер-гетищ дозволяе виршити широке коло задач проекту-вання, експлуатацп та оперативно-диспетчерського уп -равлшня функцюнуванням систем теплозабезпечення. Основш дослщження у цьому напрямку пов'язаш з по-будовою моделей для розрахунюв параметр1в потокороз-подшу, оцшкою поточного стану та оптим1защею схем теплових мереж, розробкою алгоритм1в анал1зу та опти-м1зац1! усталених режим1в теплозабезпечення, прогнозування режим1в теплоспоживання, а також потреб у паливних ресурсах та тепловш енерги.
Прогнозування, як складова системних досл1джень енергетики, е ключовим елементом управл1ння !! роз-витком [1], що мае на мета тдвищення енергоефектив-ност1 та дозволяе досягти економп енергетичних ресурс1в.
Реал1защя задач регулювання теплоспоживання буд1-вель з метою забезпечення комфортних умов для про-живання та роботи в опалювальних прим1щеннях та усу-
нення понаднормового споживання теплово! енерп! при коливанш температури навколишнього середовища та потреб у теплозабезпеченш в залежностi вщ графiку ро-боти закладу вимагае застосування прогнозних моделей з високим ступенем достовiрностi.
Метою даного дослщження е пiдвищення достов1р-ностi прогнозування потреб будiвель сощально-бюджет-но! сфери у теплозабезпеченш. При цьому необх1дно провести аналiз iснуючих методiв прогнозування, що застосовуються у теплоенергетицi, розробити моделi прогнозування потреб будiвлi у тепловш енергл з вико-ристанням штучних нейронних мереж, реалiзувати ство-ренi моделi та провести аналiз результатiв моделювання.
1 ПОСТАНОВКА ЗАДАЧ1
У загальному виглядi задача нейромережевого прогнозування потреби будiвлi сощально-бюджетно! сфери у теплово! енергл зводиться до побудови математично! моделi на основi сукупностi даних щодо кл1матичних умов, графiку роботи та теплоспоживання будiвлi, що подiляються на множину вхiдних даних Х та вихщних даних Y при заданих обмеженнях. Процедура побудови математично! моделi системи теплоспоживання Z на основ1 даних мониторингу е задачею знаходження тако! моделi нейронно! мережi, яка б виконувала нелiнiйну апроксимацiю вщображення, при якому забезпечуеть-ся прийнятне значення заданого критерiю якостi Q:
y(t) = F (X (t)). (1)
Компоненти вхiдного вектора Х у формул (1) для кож -ного об'екта теплоспоживання:
X (t) = (x(t), t). (2)
Результуюча змiнна y(t) - витрати теплово! енергл на обiгрiв за час t кожного об'екта теплоспоживання, Гкал.
Для ощнки достовiрностi моделi прогнозування та вибору найбшьш оптимально! для прогнозування теплоспоживання архгтектури нейронно! мережi при обчис-леннi критерiю якостi Q можуть бути використаш помил-ки прогнозу:
- середня абсолютна помилка прогнозу MAE, що обчислюеться за формулою:
- квадратний коршь iз середньоквадратично! помил-ки прогнозу RMSE, що розраховуеться за формулами:
1 N
MAE = — y(t) - y(t)| N t=1
(3)
- середню абсолютна помилка прогнозу у вщсотках MAPE, що розраховуеться за формулою:
1 N
MAPE =—У
N¿1
y(t) - y(t)
y(t)
MSE (y(t) - y(t ))2,
N-11=1
RMSE = VMSE.
(5)
(6)
•100%
(4)
2 ОГЛЯД Л1ТЕРАТУРИ
При дослщженш енергетичних систем широко застосовуються формалiзованi методи, що базуються на ви-користаннi моделей та алгорштшв обробки й аналiзу даних. В останш роки з'явилась значна кiлькiсть методiв для виршення проблеми прогнозування у теплоенерге-тищ [2]. При прогнозування потреб будiвлi у тепловiй енергл використовуються методи аналiзу часових рядiв [3] (дозволяють на основi моделi, що описуе поведiнку часового ряду, визначати його майбутш значення), aвторегресiйнi моделi та методи [4-6] (базуються на по-будовi функцл лшшно! залежностi параметрiв часового ряду вiд 1х попередшх значень), а також методи з викори-станням штучних нейронних мереж [7-9] (проводиться навчання нейронно1 мережi з використанням навчаль-но1 вибiрки даних, яка потiм застосовуеться при визна-ченнi майбутнiх значень вихщних параметрiв).
Порiвняльну характеристику методiв, що використовуються при короткостроковому прогнозуванш теплоспоживання будiвель, 1х переваги та недолжи наведено в табл. 1.
Найпоширешшим методом прогнозування на даний час е використання штучних нейронних мереж. При цьому враховуються рiзнi фактори впливу на потребу в тепло забезпеченш. Для короткострокового прогнозування потреб будiвлi у теплозабезпеченнi в роботi [8] викорис-тано багатошарову нейронну мережу з двома шарами, входами яко1 е добовi данi теплоспоживання, а також се-редньодобова температура повiтря навколишнього середовища. Для навчання дано1 нейронно! мережi застосовуеться алгоритм Левенберга-Маркварда. В робота [7] запропоновано враховувати при прогнозуванш потреб у теплозабезпеченш метеоролопчш умови навколишнього середовища (температуру, атмосферного тиску та швидкост виру).
Недолiками розглянутих вище моделей е те, що вони не враховують сощальний фактор. Специфжа роботи закладiв сощально-бюджетно! сфери полягае у тому, що потреби у теплозабезпеченш залежать не лише вщ ктма-тичних умов навколишнього середовища, а й в^ режи-
Таблиця 1 - Пор1вняльна характеристика метсдав прогнозування у теплоенергетищ
Метод Переваги Недолiки
Анал1зу часових ряд1в - простота; - прозорють моделювання; - не враховуе можливо! взаемодп змшних;
Авторегресшш методи - простота, прозорють моделювання; - одномаштшсть анашзу i проектування; - трудомiсткiсть i ресурсомiсткiсть щентифжаци моделей; - неможливють моделювання нелшшних зележностей; - низька адаптивнiсть;
Нейромережев1 методи - нелiнiйнiсть моделей; - масштабовашсть; - висока адаптивнiсть; - одномаштшсть анашзу i проектування; - складшсть вибору архiтектури; - жорстю вимоги до навчально! вибiрки; - складшсть вибору алгоритму навчання; - ресурсомютюсть процесу навчання
му роботи закладу (робочий день, вихщний, кашкули взимку). Таким чином у данш робот запропоновано розглядати у якостi вхщних параметрiв прогнозування як данi ктматичних умов, так i режим роботи закладу. Та -кож порiвняння декшькох арх^ектур нейронних мереж дозволить визначити найбшьш прийнятний тип моделi нейронно! мережi.
3 МАТЕР1АЛИ ТА МЕТОДИ
У данiй робот для вирiшення задачi прогнозування потреби будiвлi у тепловiй енергп пропонусться засто-совувати методи з використанням штучних нейронних мереж. Одшею з головних переваг штучних нейронних мереж порiвняно з iншими методами прогнозування е можливiсть моделювання нелiнiйних залежностей. Точнiсть прогнозування при використаннi даного методу залежить вщ вибору топологи, алгоритму навчання, що використовуеться для визначення вагових ко-ефiцiентiв, а також входiв нейронно! мережi.
Процес побудови нейромережi для прогнозування теп-лоспоживання будiвлi умовно можна розподшити на етап вибору типу моделi нейромережi, що визначае !! структуру, та етап пошуку оптимальних параметрiв нейромережi.
На основi проведеного аналiзу попереднiх дослiджень для нейромережевого прогнозування обрано арх^екту-ри нейронно! мережi типiв [10]:
1) нелшшна нейромережа прямого розповсюдження типу «вхщ-вихщ», що враховуе для прогнозування лише видт змiннi:
у(/) = ^ (-1), х(/ - 2),..., х(/ - п)); (7)
2) нелiнiйна авторегресiйна мережа, що приймае в якост вхщних даних прогнозованi данi виходiв:
у(0 = F (у(Г -1), у(Г - 2),..., у(Г - п)); (8)
3) нелiнiйна авторегресшна нейромережа з екзоген-ними входами, яка поеднуе як вхiднi змшш, так i данi по-передшх прогнозiв:
у(/) = ^ (у(/ -1), у(/ - 2),..., у(/ - п), х(г -1), х(г - 2),..., х(г - п)). (9)
На етат налаштування параметрiв моделi нейронно! мережi здiйснюеться пiдбiр вагових коефщенлв нейронно! мережi М в результата реалiзацil процедури навчання, яка полягае у вщображенш множини даних мониторингу на множинi вагiв нейромережево! моделi 2 ^ м з метою отримання оптимального, за певним критерiем, прогнозного значення вихiдного сигналу у(/).
Для навчання нейронно! мережi множину даних про теплоспоживання 2 слщ розбити на три тдмножини, що не перетинаються - множину даних для навчання 2Г, тестову множину 21 та множину для перевiрки 2У. Множини даних для навчання та перевiрки формуються на основi даних мониторингу теплоспоживання будiвлi закладу сощально-бюджетно! сфери за декiлька попереднiх опалювальних сезонiв. Тестування нейронно! мережi, що пройшла навчання за обраним алгоритмом, вщбуваеть-ся на обмеженiй кшькоста даних монiторингу, що вщоб-ражають змши теплоспоживання будiвлi в залежност вiд клiматичних умов навколишнього середовища та графь ку роботи закладу.
Для щентифжацп параметр1в модел1 нейроно! мереж1 необхщно шляхом побудови нейронно! мереж1 за дани-ми навчально! виб1рки та проведення обчислювального експерименту знайти оптимальш значення кшькост ней-рошв прихованого шару L та множини значень вагових коефщенлв нейромереж1 w, за яких похибка обчислен-ня е найменшою. Для оцшки точност прогнозування слщ обчислити помилки прогнозу та пор1вняти !х 1з до-пустимими значеннями.
4ЕКСПЕРИМЕНТИ
Запропоноваш модел1 прогнозування теплоспоживання буд1вл1 сощально-бюджетно! сфери реал1зовано у програмному середовищ1 Matlab Neural Network Toolbox. У якост об'екта для тестування розроблених моделей прогнозування обрано систему теплоспоживання буд1 -вель Сумського державного ушверситету. Арх1в даних для навчання нейронно! мереж1 сформовано за допомо-гою тдсистеми мониторингу шформацшно-анал^ично! системи «HeatCAM» [11]. Вхщними даними для прогнозування е значення кшькост теплово! енергп, з1бран1 з л1чильниюв, встановлених у корпусах ушверситету, а також дат ктматичних умов навколишнього середовища та графшу роботи закладу.
У програмному середовищ1 Matlab Neural Network Toolbox побудовано арх1тектури моделей нейронних мереж титв NIO, NAR та NARX. Множину даних про теплоспоживання Z для навчання нейронно! мереж1 було розбито у пропорцп: Ztr - 70%, Zt - 20%, Zv - 10%.
Шляхом проведення розрахункових експерименлв встановлено кшьмсть нейрошв прихованого шару L (Number of hidden neuron) - 10, параметр затримки, що визначае число попередшх даних яю будуть використо-вуватись у прогнозуванш n (Number of delays) - 7.
Для навчання дано! нейронно! мереж1 обрано метод нелшшно! оптишзацп Левенберга-Марквардта, який ха-рактеризуеться бшьш високою швидюстю зб1жност1 у пор1внянш з шшими град1ентними методами [10].
5 РЕЗУЛЬТАТИ
Результати точносп прогнозу побудованих моделей для тестово! виб1рки даних наведено в табл. 2.
На рис. 1-3 зображено графжи фактичного значення теплоспоживання буд1вл1 одного з корпушв Сумского державного ушверситету та прогнозованого значення, одержаного при використанш моделей нейронно! мереж! титв NIO, NAR та NARX за три тижн мчня 2013.
Результати обчислювальних експерименпв з оцшки до-стсгарност! запропонованих моделей наведено в табл. 3.
6 ОБГОВОРЕННЯ
Як показують результати розрахунку точноста моделей прогнозування для тестово! виб1рки даних, наведен в табл. 2, найбшьшу точтсть мае прогноз теплошоживання з використанням модел1 нелшшно! нейронно! авторегре-
Таблиця 2 - Порiвняння точностi моделей прогнозування типу NAR, NIO та NARX
Тип прогнозно!" модел1 Точтсть прогнозу, %
NAR 79,6
NIO 81,8
NARX 88,2
Гкал
40
25
20
10
' Фактичне значення
■ Прчгнозоване значения
tjv cjv
Рисунок 1 - Порiвняння фактичних значень теплоспоживання будiвлi та прогнозованих значень з використанням моделi нейронно!
мережi типу NIO
Рисунок 2 - Порiвняння фактичних значень теплоспоживання будiвлi та прогнозованих значень з використанням моделi нейронно!
мереж! типу NAR
ТУ.&Л.
£ & I
О-
jy jy jy JS
Qv „V V V V "P V
V №
cvV
«v
Ф # 0 ;
Ш & t;s & ¿P .T S
у Л л" ЛГ Л^ л" Л tsv ¿Г .
Pv «Ф ^ # »?■ -С' л* т?
& ¿У S
' Фа.*;тичне значення
■ Прогнозоване значення
Ф & $ ф $
^ cs*
с О'
п®
Л? J?
-8 $ -Р
Рисунок 3 - Порiвняння фактичних значень теплоспоживання будiвлi та прогнозованих значень з використанням моделi нейронно!
мережi типу NARX
Таблиця 3 - Оцшка точност прогнозування теплоспоживання
Помилка Тип модел! нейромереж! Грудень 2012 р. Очень 2013 р. Лютий 2013 р.
RMSE NIO 6,15 1,74 0,89
NAR 3,88 1,51 1,75
NARX 2,19 0,88 0,66
MAE NIO 4,69 1,25 0,37
NAR 1,78 0,88 1,4
NARX 1,06 0,68 0,47
MAPE, % NIO 14,95 4,28 1,48
NAR 5,16 2,89 5,67
NARX 3,17 2,34 1,87
сшно! мереж1 типу NARX, що враховуе при прогнозуванш як результата поиередщх прогнозованих значень, так i зна-чення входiв нейронно! мережi. При проведены обчислю-вальних експерименгiв з ощнки достовiрностi запропоно-ваних моделей прогнозування теплоспоживання за формулами (3)-(6) обчислено помилки RMSE, MAE та MAPE (табл. 3). Для зими опалювального сезону 2012-2013 одержано значення середньо! абсолютно! помилки у ввдсотках MAPE, обчислене за формулою (4) для нейронно! мережi типу NARX <5%, що св!дчить про високу точнiсть результата прогнозування. Для нейронно! мережi типу NAR по-милка MAPE перевищуе 5% для грудня 2012 р. та мчня 2013 р. Значення помилки MAPE для грудня 2012 р. ста-новить 14,95%, що св!дчить про низьку точшсть дано! моделi прогнозу Як видно з графтв рис. 1-3 теплоспоживання в опалювальному сезонi 2012-2013 взимку ко-ливаеться в межах вщ 20 до 40 Гкал на добу. Значення помилки MAE, обчислеш за формулою (3), найменшi для нейронно! мережi типу NARX (не бшьше нiж 1,06 Гкал). Значення помилки RMSE, обчислеш за формулою (6), також е найнижчим для нейронно! мережi типу NARX. Таким чином результати проведених обчислювальних ек-спериментiв свiдчать про те, що застосування нейронно! мережi типу NARX при прогнозуванш теплоспоживання будiвлi соцiально-бюджетно! сфери дозволяе до-сягти бiльшо! точностi прогнозу ж^вняно з нейронними мережами типiв NIO та NAR. ВИСНОВКИ
У робот вирiшено актуальну задачу прогнозування споживання теплово! енергi! закладами сощально-бюд-жетно! сфери.
Наукова новизна роботи полягае в тому, що запропо-новано модель прогнозування теплоспоживання будiвлi закладу сощально-бюджетно! сфери з використанням технологи штучних нейронних мереж, яка враховуе по-переднi значення теплоспоживання, параметри мматич-них умов навколишнього середовища та графiк роботи закладу.
Проведено аналiз методш, що застосовуються при корот-костроковому прогнозуваннi теплоспоживання об'екпв соц-iально-бюджетно! сфери, виявлено !х переваги та недолiки. Розроблено моделi прогнозування теплоспоживання буда-вель сощально-бюджетно! сфери на основ! нейронних ме-режi типу NIO, NAR та NARX, що враховують залежнiсть ргвня теплоспоживання вiд погодних умов, а також графку роботи закладу. Моделi протестовано для прогнозування теплоспоживання одного з корпуав Сумського державого уш-версигегу, проведено вдентифшащю параметрiв запропоно-ваних моделей. Для навчання нейронних мереж використано
алгоритм Левенберга-Марквардта. Проведено експеримен-ти з ощнки дост^рносп прогнозу теплоспоживання з використанням запропонованих моделей, як! показали, що най-бiльшо! точностi прогнозу можна досягти при використаннi моделi типу NARX. Врахування в розробленш моделi як фак-торiв впливу клшатичних умов, так i коливання потреб у теп-лозабезпечент в залежностi вiд графжу роботи закладу дозволило тдвищити точтсть прогнозування.
Практична щнтсть отриманих результатов полягае в тому, що на основi запропоновано! моделi типу NARX розроблено тдсистему прогнозування iнформацiйно-аналiтично! сис-теми монiторингу та прогнозування теплозабезпечення бу-дiвель «HeatCAM». Подальшi до^дження пов'язано з використанням результата прогнозування для тдтримки прий-няття ршень щодо управлiння режимами теплозабезпечення будавель закладу сощально-бюджетно! сфери. ПОДЯКИ
Роботу виконано в рамках науково-дослщно! роботи Сумського державного унiверситету за темою: «Науко-во-методологiчнi основи розробки шформацшних тех-нологiй для розподшених систем», номер державно! рее-страцп 0111U006119, а також комплексно! щльово! про-грами розвитку Сумського державного ушверситету «Енергоефективний СумДУ». СПИСОК ЛГГЕРАТУРИ
1. Системные исследования в энергетике: Ретроспектива научных направлений СЭИ-ИСЭМ / отв. ред. Н. И. Воропай. -Новосибирск : Наука, 2010. - 686 с.
2. Вороновский Г. К. Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Ч. 2. Управле -ние / Г. К. Вороновский, К. В. Махотило, С. А. Сергеев // Пробл. заг. енергетики. - 2007. - № 16. - С. 54-67.
3. Chramcov B. Heat Demand Forecasting for Concrete District Heating System / B. Chramcov, Ja. Balate, M. Princ // International Journal of Mathematical Models and Methods in Applied Sciences. -2010. - Vol. 4, No. 4. - P. 231-239.
4. Bacher P. Short-term heat load forecasting for single family houses / P. Bacher, H. Madsen // Energy and Buildings. - 2013. -Vol. 65. - P. 101-112.
5. Kontu K. Forecasting district heating consumption based on customer measurements [Electronic resource] / K. Kontu // International association EUROHEAT & POWER. - Access mode: http ://www. euroheat.org/Files/Filer/Presentations/ 20130527_EHP_Congress/130527_1600_1730_Pl_6_Kaisa Kontu.pdf.
6. Grosswindhager S. Online Short-Term Forecast of System heat Load in District Heating Networks / S. Grosswindhager, A. Voigt, M. Kozek // ISF 2011 : the 31st International Symposium on Forecasting, Prague, Czech Republic, 26-29 June 2011 : conference proceedings. - Lancaster : International Institute of Forecasters, 2011. - P. 1-8.
7. Dostal P. Prediction of the heat supply daily diagram via artificial neural network / P. Dostal, B. Chramcov, Ja.Balate // East West Fuzzy Colloquium : proceedings. Zittau, Germany, 2002. - P. 178-183.
8. Buhari M. Short-Term Load Forecasting Using Artificial Neural Network / M. Buhari, S. S. Adamu // IMECS 2012 : International MultiConference of Engineers and Computer Scientist, Hong Kong, 14-16 Mar 2012 : proceedings. - Hong Kong, 2012.
9. Grzenda M. Consumer-oriented heat consumption prediction / M. Grzenda // Control and Cybernetics. - 2012. - Vol. 41, No. 1. -P. 213-240.
10. Haykin S. Neural Networks - A Comprehensive Foundation / S. Haykin. - NJ : Prentice Hal, 2005. - 823 p.
11. Parfenenko Yu. Information System for Monitoring and Forecast V. Nenja, S. Vashchenko // Communications in Computer and
of Building Heat Consumption / Yu. Parfenenko, V. Shendryk, Information Science. - 2014. - Vol. 465.- P. 1—11.
Стаття надшшла до редакцп 28.10.2014.
Шсля доробки 21.11.2014.
Парфененко Ю. В.1, Шендрик В. В.2, Галиченко А. С.3
'Ассистент кафедры компьютерних наук, Сумский государственный университет, г. Сумы, Украина 2Канд. техн. наук, доцент кафедры компьютерных наук, Сумский государственный университет, г. Сумы, Украина 3Студент факультета Электроники и информационных технологий, Сумский государственный университет, г. Сумы, Украина ПРОГНОЗИРОВАНИЕ ТЕПЛОПОТРЕБЛЕНИЯ ЗДАНИЙ СОЦИАЛЬНО-БЮДЖЕТНОЙ СФЕРЫ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ
Предложен метод усовершенствования процессов поддержки принятия решений при управлении режимами теплопотребления учреждений социально-бюджетной сферы путем разработки модели прогноза потребления тепловой энергии зданием. Объектом исследования является процесс выбора наиболее оптимальной архитектуры нейронной сети для решения задачи прогнозирования теплопотребления здания социально-бюджетной сферы. Предмет исследования составляют модели прогнозирования теплопотребления зданий социально-бюджетной сферы с использованием искусственных нейронных сетей. Целью данного исследования является повышение достоверности прогнозирования потребностей зданий социально-бюджетной сферы в теплообеспечении. Разработаны модели краткосрочного прогнозирования теплопотребления объектов социально-бюджетной сферы с использованием искусственных нейронных сетей, учитывающих влияние погодных условий, колебания потребности в тепловой энергии в зависимости от графика работы учереждения, а также предыдущие значения потребностей в теплообеспечении. Модели построены на основе архитектур нелинейной сети типа вход-выход, нелинейной авторегрессионной сети, нелинейной авторегрессионной нейронной сети с внешними входами. Предложенные модели реализованы в программной среде Matlab, для обучения использован алгоритм Левенберга-Марквардта. Проведены эксперименты по исследованию точности разработанных моделей, которые показали, что наибольшей точности прогноза можно достичь при использовании модели типа NARX. Использование предложенной модели в рамках информационной системы «HeatCAM» для прогнозирования теплопотребления зданий в течение отопительного сезона позволяет повысить эффективность поддержки процесса принятия решений при управлении режимами теплообеспечения, что приводит к снижению потребления тепловой энергии.
Ключевые слова: теплопотребление, регулирование, моделирование, информационная система, прогнозирование, нейронные сети, энергосбережение.
Parfenenko Yu. V.1, Shendryk V. V.2, Galichenko O. S.3
Assistant of Computer Science Department, Sumy State University, Sumy, Ukraine
2PhD, Associate Professor of Computer Science Department, Sumy State University, Sumy, Ukraine
3Student of Electronics and Information Technologies Faculty, Sumy State University, Sumy, Ukraine
PREDICTION THE HEAT CONSUMPTION OF SOCIAL AND PUBLIC SECTOR BUILDINGS USING NEURAL NETWORKS
The method of improvement the process of decision support to improve management of heat supplies' modes through the development of prediction heat consumption model of the social and public sector building is proposed. The object of the study is the process of choosing the most optimal architecture of the neural network to solve goals of forecasting of heat consumption of the building of social and public sector. The subject of the study is models prediction heat consumption of buildings of social and public sector using artificial neural networks. The purpose of this study is to improve the forecasting reliability of heat energy demand of social and public sector buildings. Models of short-term prediction of heat energy demand of social and public sector buildings using artificial neural networks that take into account the influence of weather conditions, fluctuations in demand for thermal energy depending on the type of day of the week and the previous values of heat energy demand are proposed. Models are based on such architectures of neural network's as a nonlinear network input-output, a nonlinear autoregressive network, a nonlinear autoregressive neural network with external inputs. The proposed models were implemented in the programming environment Matlab, to train their the Levenberg-Marquard algorithm was used. Experiments on the study of the accuracy of the developed models, which showed that the greatest accuracy of prediction can be achieved by using a model type NARX, were carried. Using the proposed model within the information system «HeatCAM» for the prediction of building's heat consumption during the heating season can increase the effectiveness of decision support in the management of heating modes, which reduces heat consumption. Keywords: heat consumption, management, modeling, information systems, prediction, neural networks, energy saving.
REFERENCES
1. Voropaj N. I. Sistemnye issledovanija v jenergetike: Retrospektiva nauchnyh napravlenij SEI-ISEM. Novosibirsk, Nauka, 2010, 686 p.
2. Voronovskij G. K., Mahotilo K. V., Sergeev S. A.. Problemy i
perspektivy ispol'zovanija iskusstvennyh nejronnyh setej v jenergetike. Ch. 2. Upravlenie, Problemy obshhej jenergetiki, 2007, No. 16, pp. 54-67.
3. Chramcov B. Balate Ja., Princ M. Heat Demand Forecasting for Concrete District Heating System, International Journal of Mathematical Models and Methods in Applied Sciences, 2010, Vol. 4, No. 4, pp. 231-239.
4. Bacher P., Madsen H. Short-term heat load forecasting for single family houses, Energy and Buildings, 2013, Vol. 65, pp.101-112.
5. Kontu K. Forecasting district heating consumption based on customer measurements [Electronic resource], International association EUROHEAT & POWER. Access mode: http:// www.euroheat.org/Files/Filer/Presentations/ 20130527_EHP_Congress/130527_1600_1730_Pl_6_Kaisa Kontu.pdf.
6. Grosswindhager S., Voigt A., Kozek M., Online Short-Term Forecast of System heat Load in District Heating Networks, ISF
2011 : the 31st International Symposium on Forecasting, Prague, Czech Republic, 26—29 June 2011 : proceedings. Lancaster, International Institute of Forecasters, 2011, pp. 1-8.
7. Dostal P., Chramcov B., Balate Ja. Prediction of the heat supply daily diagram via artificial neural network, East West Fuzzy Colloquium : proceedings. Zittau, Germany, 2002, pp. 178183.
8. Buhari M., Adamu S. S. Short-Term Load Forecasting Using Artificial Neural Network, IMECS 2012 : International MultiConference of Engineers and Computer Scientist, Hong Kong, 14-16 Mar 2012 : proceedings. Hong Kong, 2012.
9. Grzenda M. Consumer-oriented heat consumption prediction, Control and Cybernetics, 2012, Vol.41, No. 1, pp. 213-240.
10. Haykin S. Neural Networks - A Comprehensive Foundation. NJ, Prentice Hal, 2005, 823 p.
11. Parfenenko Yu., Shendryk V., Nenja V., Vashchenko S. Information System for Monitoring and Forecast of Building Heat Consumption, Communications in Computer and Information Science, 2014, Vol. 465, pp. 1-11.
