Инновации в планировании и прогнозировании энергопотребления, на примере государственных учреждений

Малышев Е.А.

Статья в журнале

Креативная экономика (РИНЦ, ВАК)
опубликовать статью | оформить подписку

№ 11 (71), Ноябрь 2012

Цитировать:
Малышев Е.А. Инновации в планировании и прогнозировании энергопотребления, на примере государственных учреждений // Креативная экономика. – 2012. – Том 6. – № 11. – С. 90-94.

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=18037302
Цитирований: 1 по состоянию на 07.12.2023

Аннотация:
Инновационная система планирования основывается на прогнозе расходов энергоресурсов на основе нейросетевых технологий. Применение нейросетевых методов позволяет создать новую модель управления энергетической энергоэффективностью в государственных учреждениях, включающую принципиально новую систему стимулирования снижения энергозатрат.

Ключевые слова: региональная экономика, инновации в планировании, нейросетевые технологии, стимулирование снижения энергозатрат, управление энергетической энергоэффективностью, энергоресурсы, нейронные сети



Поиском решения проблемы эффективного использования энергоресурсов в государственных учреждениях заняты практически все регионы, но существенных положительных результатов в экономии энергоресурсов сегодня не достигнуто нигде. Автором разработана новая модель управления энергетической энергоэффективностью в госучреждениях. Основными элементами такой системы, по мнению автора, должны стать инновационная система планирования; принципиально новая система стимулирования снижения энергозатрат; новая организационная структура управления энергосбережением – агентство энергоэффективности.

Переход к инновационным технологиям планирования энергозатрат

Инновационная система планирования строится на прогнозе расходов энергоресурсов на основе нейросетевых технологий. Новый метод в сравнении с существующим позволяет использовать более объективные и точные значения затрат при управлении процессом энергосбережения.

В существующей системе планирования расходов на энергоресурсы учитывается среднее количество энергии, предъявленной к оплате, и приобретенного собственными котельными учреждений топлива за последние три года [1]. Самым большим недостатком такого подхода является то, что учреждения, недополучившие тепло по вполне объективным причинам в предыдущих отопительных сезонах (не было топлива, «теплая» зима и т.д.), заранее оказываются в худших условиях. В таких же условиях оказываются организации, уже внедрившие у себя технологии энергосбережения и имеющие сбалансированные объемы потребления энергоресурсов.

Предлагаемые методы планирования энергетических расходов, в частности, использования топлива, тепловой и электрической энергии можно разделить на два направления:

а) методы, основанные на линейных моделях планирования и прогнозирования расхода энергоресурсов;

б) методы, основанные на нейросетевых технологиях.

Линейные модели планирования и прогнозирования расхода энергоресурсов, имеют ряд ограничений. Метод не учитывает все многообразие факторов, влияющих на энергопотребление зданий: теплопотери элементов зданий, специфику планировки.

При существенном росте ставок тарифов на энергоносители для бюджетных организаций, при внедрении казначейской системы исполнения бюджета, а также ужесточении договорных отношений с энергоснабжающими организациями объективно повышаются требования к уровню планирования расхода энергоресурсов. Возникает потребность в новых подходах к планированию: более простых и одновременно обеспечивающих достаточную точность планирования расхода энергоресурсов [3].

Внедрение искусственных нейронных сетей в государственных учреждениях

Для решения указанной задачи автором была апробирована возможность применения искусственных нейронных сетей (ИНС) при прогнозировании расхода электрической энергии бюджетными организациями.

Надо отметить, что нейросетевые и нейрокомпьютерные технологии в настоящее время стремительно развиваются и уже показали свою эффективность в тех сферах человеческой деятельности, где требуется прогнозирование с учетом большого количества разнообразных факторов, достоверность которых не является стопроцентной [2].

В качестве полигона для отработки технологии были выбраны организации здравоохранения. Из всех бюджетных организаций структура расхода электрической энергии в учреждениях здравоохранения наиболее сложная. С точки зрения математических расчетов задача планирования и прогнозирования расхода энергетических ресурсов с использованием ИНС в самом общем варианте ставится следующим образом: необходимо рассчитать планируемое потребление энергии организацией на будущий год таким образом, чтобы этого количества энергии хватило полностью. При этом следует подчеркнуть, что планироваться должен не максимальный расход организацией этой энергии, а именно незначительно перекрывающий наиболее вероятное ее потребление.

Для расчета расхода электрической энергии в качестве входных параметров были введены такие показатели, как фактический годовой расход электроэнергии зданием, организацией; установленная проектная мощность здания [4]. В модели планирования могут также учитываться количество койко-мест для медицинских организаций; посещаемость для организаций образования; общая площадь здания организации-потребителя электроэнергии; удельная электрическая нагрузка (кВт/место); количество часов использования электроэнергии в сутки (месяц, год); общая площадь здания организации, включая прилегающие территории (стоянки, парки и т.д.). В общем случае параметров может быть достаточно много, однако из-за недостатка их качественных характеристик (недостоверность, некорректность из-за невозможности точной оценки либо большой трудоемкости сбора данных) количество параметров в модели может быть сокращено.

Выходными параметрами модели являются расчетные годовой и месячные расходы электроэнергии зданием/организацией бюджетной сферы.

Обучающая выборка ИНС состояла из данных о расходе электроэнергии за 2006–2009 годы всеми организациями здравоохранения г. Перми.

На основе имеющихся данных необходимо обучить нейронную сеть прогнозировать помесячно расход электроэнергии на следующий год [4].

Поставленная задача была решена при помощи программы на основе нейронной сети прямого распространения. Программа использует алгоритм обратного распространения ошибки для обучения нейронной сети. В параметрах нейронной сети изначально было указано два скрытых слоя по пять нейронов в каждом с сигмоидальной активационной функцией. В качестве выходного параметра выступал помесячный расход электроэнергии. Обучающее множество состояло из данных о расходе электроэнергии по бюджетным организациям здравоохранения.

Рассматривая факторы, от которых зависит успешность обучения нейронной сети правильному решению задачи нужно отметить, что сеть должна быть достаточно гибкой, т.е. структура сети должна состоять из достаточного количества нейронов и связей для правильного решения примеров обучающей выборки.

Новая нейросетевая модель планирования демонстрирует точные результаты – средняя ошибка менее 1% при прогнозировании на плановый год.

Выводы

Применительно к использованию организациями бюджетной сферы энергоресурсов нейросетевые технологии позволяют:

а) с точки зрения органов власти: объективно рассчитывать плановый уровень расходов на энергоресурсы, финансируемые в планируемом периоде (году), что позволит в долгосрочной перспективе добиться необходимого соответствия между выделяемыми и израсходованными бюджетными средствами, а также точно определять полученную экономию средств за год;

б) с точки зрения поставщиков энергоресурсов: нейросетевые технологии необходимы для формирования соответствующих договорных отношений.

Важно создать эффективную систему управления энергопотреблением государственных учреждений и получить экономию энергоресурсов в размере 25 % [5].


Источники:

1. Малышев Е.А., Мартьянов Н.С. Прогнозирование расхода энергоресурсов организациями бюджетной сферы на основе искусственных нейронных сетей [Текст]. – Пермь: 2006.
2. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере [Текст]. – Новосибирск: Наука, 1996.
3. Вороновский Г.К., Клепиков В.Б., Коваленко М.В., Махотило К.В. Нейросетевая модель связного потребления тепловой и электрической энергии крупным жилым массивом города [Текст] // Вестник Харьковского государственного политехнического университета. Серия «Электротехника, электроника и электропривод», Выпуск 113. – Харьков: ХГПУ, 2000.
4. Методы нейроинформатики [Текст] / Под ред. А.Н. Горбаня. – Красноярск: КГТУ, 1998.
5. Малышев Е.А. Теория и методология эффективного функционирования регионального энергетического комплекса [Текст]. – Пермь: 2011.

Страница обновлена: 22.01.2024 в 19:36:43