CC BY
0УДК 62
Терентьев Е.А.
магистрант Иркутский технический университет (г. Иркутск, Российская Федерация)
РАЗРАБОТКА МОДЕЛИ ВЫБОРА КОНФИГУРАЦИИ СИСТЕМЫ АВТОНОМНОГО ЭЛЕКТРО- И ТЕПЛОСНАБЖЕНИЯ ПОТРЕБИТЕЛЯ
Аннотация: данная работа представляет собой исследование, посвященное разработке модели выбора конфигурации системы автономного электро- и теплоснабжения для потребителя. В работе рассматривается оптимизационная задача, целью которой является выбор наилучшей конфигурации системы, учитывающей потребности пользователя и экономические ограничения. Исследование предлагает программный алгоритм для решения данной задачи, обеспечивающий эффективное и оптимальное функционирование системы автономного электро- и теплоснабжения. Полученные результаты могут быть полезны для проектировщиков и разработчиков подобных систем, а также для оптимизации использования ресурсов и повышения энергоэффективности. Исследование подчеркивает важность точности и соответствия модели реальности для успешного применения моделирования в науке и инженерии.
Ключевые слова: гибридные системы возобновляемых источников энергии, оптимизационная задача, нейросеть.
Введение.
Целью данной работы является разработка модели выбора конфигурации системы электро- и теплоснабжения потребителя.
С помощью нейронной сети можно провести анализ данных о потреблении электро- и тепловой энергии, погодных условиях, технических характеристиках оборудования и других факторах, влияющих на работу системы. Нейронная сеть способна обучиться на имеющихся данных и выявить
1737
закономерности в выборе конфигурации системы, что позволит оптимизировать ее работу с учетом заданных параметров, таких как энергоэффективность и экономичность.
Основной задачей является оптимизация выбора параметров и компонентов системы с учетом энергоэффективности и экономичности.
Анализ подхода.
Обучение нейронной сети будет заключаться в передаче данных по потреблению энергии, погодным условиям и техническим характеристикам оборудования, чтобы сеть могла определить наиболее эффективную конфигурацию для решения задачи по электро- и теплоснабжению.
Компоненты системы включают в себя солнечные панели, аккумуляторы для хранения энергии, электрическую и тепловую системы, управляющие устройства.
Для решения задачи оптимизации выбора конфигурации системы и предсказания энергетических потребностей можно использовать обучение с подкреплением.
Оно представляет собой метод машинного обучения, в котором модель обучается на основе опыта и получает вознаграждение или наказание за свои действия. В данном случае, модель может принимать решения о конфигурации системы, и в зависимости от результата своих действий получать положительное или отрицательное вознаграждение [1]. Этот подход позволяет моделировать процесс обучения и постепенно улучшать принимаемые решения.
Решение задачи.
1738
import tensorflow as tf
if Задаем архитектуру нейронной сети model - tf.keras.Sequential([
tf.keras.layers.Dense(64, activation='relu', input_shape=(nura_featuresj)), tf.keras.layers.Dense(64, activation='relu'), tf.keras.layers.Dense(num_output_classes)
])
# Компилируем модель model.corapile(optimzer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy'])
# Обучаем модель
model.fit(x_train, y_train, batch_size=32, epochs=10)
# Получаем предсказания для тестовых данных predictions = model.predict(x_test)
Рисунок 1. Псевдокод реализации нейронной сети.
Этот псевдокод демонстрирует основные шаги для создания, обучения и использования нейронной сети с помощью TensorFlow. Для полноценной реализации необходимо дополнить код конкретными данными, определить численность входных и выходных параметров [5].
Обучение нейронной сети будет заключаться в передаче данных по потреблению энергии, погодным условиям и техническим характеристикам оборудования, чтобы сеть могла определить наиболее эффективную конфигурацию [3].
Определение среды.
Среда (Environment): имитирует процесс, в котором состояние изменяется на основе действий агента, и выдает награду за каждое действие [2].
1739
import * as tf from 'çtensorflow/tfjs';
class Environment i constructor)) { this.state = 9;
>
step!action) {
if (action === 0i { this.state -= 1;
> else {
this.state += 1;
>
return { nextState: this.state, reward: -Math.absithis.state) };
>
reset!) {
this.state = 0; return this.state;
>
I
Рисунок 2. Код определения среды. Определение агента.
Агент (Agent): обучается предсказывать оптимальные действия на основе состояний. Использует политику, представленную нейронной сетью [2].
thii»no6c\ ■ it.i^ucniult Wert! t
tf.Uyer«*tftfl*e (LnpwtShftp«; !l!f unit»! II, «ctlvttion: *r*lu"Hf tf.U)rtri.dMS( (unit»; 2. Activation; '*oft*j»'>
Hi
thu.of>il*t^r ■ (f.trplti.edwe.l I;
predicti*t*t«) 4
retern if.tidy(I »> <
«mit inputs * tf.tenwrZd'Ittm), II, t|)i
return t'ut.aotfel. predict i input*);
»1
triinlsliti, Ktlori, reward, ffitititc! { «mit letnunqftatt * t.fl; <on»t opt »Ker ■ tf.traln.wtaa! le*rnlr»g**tei;
optui;m.aiiiiRiiti|) *> t
«mt pf*4tctttfft*«iird» ■ 1hl>.pr«dt(t(»T»tv ;
<om" low - tf .lo»»e4.»oftaifc«Cro*t£ntrop]rUf .«nettot I fact tool« 21, prtdittedftew*rd* \ ; rtrtotn lai».«ut<~fM»ril>; // k*t« the toi» i>t ifv* гrenard
>4
•<t<»T*ie) t
■ thli.predictlst*t«l; too it prpfe* ■ lo^m.dittSync1 ; return protoilll » probiltl ? 1 : t;
const env a new EnvironmentOï const agent = new Agent(); let state « env.resetO;
const numEplsodes = 290;
for (let i = 6; i < nufltEpisodes; i+O {
Рисунок 3. Код определения агента.
1740
Обучение агента.
Цикл обучения состоит из многократного взаимодействия агента со средой. Каждый раз он выбирает действия, за которые получает награды, тем самым обновляя свои веса модели [2].
Агент при обучении будет производить расчеты параметров элементов электрической сети по алгоритму, представленному ниже и предлагать собственную конфигурацию. Результаты будут сравниваться с оптимальными и, в зависимости от близости к ним, агент будет получать награду. Таким образом в процессе обучения будет улучшаться работа нейронной сети.
Архитектура нейронной сети.
Для решения задачи оптимизации выбора конфигурации системы и предсказания энергетических потребностей можно использовать рекуррентные нейронные сети (RNN), так как они могут учитывать временные зависимости в данных.
Архитектура нейронной сети для данной задачи может выглядеть следующим образом:
1. Входной слой: данные о потреблении электро- и тепловой энергии, погодных условиях.
2. Скрытый слой RNN: обработка временных зависимостей и предсказание будущего потребления.
3. Выходной слой: предсказание оптимальной конфигурации системы (например, количество солнечных панелей, объем аккумуляторов) [4].
Такая архитектура позволит модели эффективно учитывать изменения в потреблении энергии и погоде, предсказывать оптимальную конфигурацию системы и управлять ею для обеспечения энергоэффективности и экономичности.
Заключение.
В заключении можно отметить, что данное исследование и разработанный программный алгоритм для оптимизации выбора конфигурации системы представляют собой важные инструменты для повышения
1741
эффективности и устойчивости работы энергетических систем. Проведенное исследование позволяет учитывать различные факторы, влияющие на выбор конфигурации, и обеспечивает возможность принятия обоснованных решений в процессе проектирования и эксплуатации системы. Полученные результаты могут быть применены в практике для создания более совершенных и адаптированных под конкретные потребности систем автономного электро- и теплоснабжения, способствуя тем самым повышению их эффективности и экономической выгодности. Дальнейшее развитие исследований в данной области могут привести к созданию более сложных и инновационных моделей выбора конфигурации систем автономного электро- и теплоснабжения, способствуя прогрессу в области энергетики.
СПИСОК ЛИТЕРАТУРЫ:
1. Кропоски Б., Ламмерт М., Ханнеган Б. Повышение энергоэффективности и снижение затрат в отрасли нефтехимии, Energy Star Guide for Energy and Plant Managers, 2007. — 112 с;
2. Хуанг Б. и др. Оптимизация конфигурации системы аккумулирования энергии для надежной и экономически эффективной поддержки напряжения в распределительных сетях, I E E E Transactions on Smart Grid, 2018.— 68 с;
3. Салас В. и др. Оптимальное проектирование гибридных систем возобновляемой энергии: обзор методов и инструментов, Renewable and Sustainable Energy Reviews, 2019.— 123 с;
4. Мирхоссейни М. и др. Оптимальный выбор размеров системы аккумулирования энергии и электрического транспортного средства для автономной микросети, Applied Energy, 2014.— 43с;
5. Лазарова-Молнар С. и др. Оптимальное проектирование автономных систем солнечной-ветровой-дизельной энергетики: экономический подход, Solar Energy, 2017.— 98 с
1742
Terentyev E.A.
Irkutsk National Research Technical University (Irkutsk, Russian Federation)
DEVELOPMENT OF A CHOICE MODEL AUTONOMOUS SYSTEM CONFIGURATIONS ELECTRIC AND HEAT SUPPLY FOR CONSUMERS
Abstract: this work is a study devoted to the development of a model for choosing the configuration of an autonomous power and heat supply system for the consumer. The paper considers an optimization problem, the goal of which is to select the best system configuration that takes into account the user's needs and economic constraints. The study proposes a software algorithm for solving this problem, ensuring efficient and optimal functioning of the autonomous power and heat supply system. The results obtained can be useful for designers and developers of such systems, as well as for optimizing the use of resources and increasing energy efficiency. The study highlights the importance of accuracy and model fit to reality for the successful application of simulation in science and engineering.
Keywords: hybrid systems of renewable energy sources, optimization problem, neural
network.
1743
