Некоммерческое
партнерство
инженеров
Инженеры по отоплению, вентиляции, кондиционированию воздуха, теплоснабжению и строительной теплофизике
(495) 984-99-72 НП "АВОК"

(495) 107-91-50 ООО ИИП "АВОК-ПРЕСС"

АВОК ассоциированный
член
Summary:

Нейросети: возможности использования алгоритмов самообучения в системах управления теплоэнергопотреблением зданий

Neuron Networks: Possibilities of Using Unsupervised Training Algorithms in Building Heat and Energy Use Management Systems

N. V. Shilkin, Candidate of Engineering, Professor at Moscow Institute of Architecture, M. M. Brodach, Candidate of Engineering, Professor at Moscow Institute of Architecture

Keywords: neuron network, unsupervised training algorithm, mathematical models of room thermal conditions, building heat and energy use management system, identification

Modern building heat and energy use management systems provide for comfortable conditions in a room and reduction of energy use; however this control is not optimal: achievement of maximum thermal comfort indicators with minimum use of energy resources is only possible with resolution of the optimization problem – the problem of optimal management of building heat and energy use in the basis of mathematical modeling.  The highest conformity of the mathematical model to the subject of control can be achieved by using unsupervised training algorithms. One of the possibilities of implementation of unsupervised training algorithms in building heat and energy use management systems is the use of artificial neuron networks.

Описание:

Современные системы управления теплоэнергопотреблением зданий позволяют обеспечить комфортные условия в помещении и снизить энергопотребление, однако это управление не является оптимальным: достижение максимальных показателей теплового комфорта при минимальных затратах энергетических ресурсов возможно лишь при решении оптимизационной задачи – задачи оптимального управления теплоэнергопотреблением зданий на основе математического моделирования. 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).

Нейросети: возможности использования алгоритмов самообучения в системах управления теплоэнергопотреблением зданий

Современные системы управления теплоэнергопотреблением зданий позволяют обеспечить комфортные условия в помещении и снизить энергопотребление, однако это управление не является оптимальным: достижение максимальных показателей теплового комфорта при минимальных затратах энергетических ресурсов возможно лишь при решении оптимизационной задачи – задачи оптимального управления теплоэнергопотреблением зданий на основе математического моделирования [1, 2]. 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).

Нейросети: возможности использования алгоритмов самообучения в системах управления теплоэнергопотреблением зданий

Особенности математических моделей теплового режима помещений, предназначенных для использования в системах управления

В монографии [3] отмечены два основных требования к математическим моделям теплового режима помещений, предназначенным для использования в системах управления (по сравнению с моделями, предназначенными для проектирования):

  • необходимость высокой точности численного моделирования теплового режима,
  • программные ограничения по объему и времени вычислений.

Противоречивость этих требований, но при этом и необходимость их одновременного выполнения требуют перехода от универсальной математической модели к специализированной (предназначенной для использования в системах управления) математической модели теплового режима.

Специализированная математическая модель теплового режима позволяет при сокращении объема вычислений не только не потерять точности моделирования, но даже повысить эту точность по сравнению с универсальной моделью за счет использования экспериментальных данных.

В [3] указаны основные направления перехода от универсальной модели к специализированной. Исходным материалом для разработки является универсальная модель. Переход к специализированной модели осуществляется за счет «сужения» универсальной модели без потери, а желательно и с увеличением точности, по следующим направлениям:

  • сокращение количества независимых переменных (в задаче проектирования  – это исходные данные, в задаче управления – это входные параметры) путем перевода их в фиксированные параметры расчетной модели. Например, в модели для управления выпадают: группа данных, касающихся геометрических размеров помещений здания, группа данных, характеризующих размеры и теплофизические свойства ограждающих конструкций, и многие другие;
  • совершенствование алгоритма вычислений в направлении сокращения времени вычислений и повышения точности результатов на основе конкретизации постановки задачи. Большая определенность постановки задачи в случае специализированной модели во многих случаях дает возможность использовать более эффективные вычислительные методы;
  • повышение точности моделирования теплового режима за счет использования экспериментальных данных. Здесь очень много возможностей – от простого введения в расчет в качестве параметров характеристик, полученных при натурных измерениях в данном помещении, до уточнения в результате проведения измерений некоторых допущений в исходной модели. Например, в универсальной модели делается допущение о равномерности распределения проникающей солнечной радиации по внутренним поверхностям ограждающих конструкций по результатам измерений в конкретном помещении, накоплению статистики – это положение может быть уточнено. Большое значение имеет введение в расчетную модель уточненных данных, касающихся величин коэффициентов теплообмена на поверхности ограждений. По результатам измерений может быть в значительной мере повышена точность учета теплоаккумулирующей способности оборудования и мебели.

Повышение адекватности математической модели управления тепловым режимом помещения

Важным этапом разработки математической модели теплового режима помещения, предназначенной для использования в системах управления, является определение неизвестных или приближенно заданных параметров модели по данным, полученным в результате реального функционирования объекта, так называемая идентификация. Идентификация – экспериментальный метод конкретизации математической модели теплового режима помещения по входным и выходным сигналам объекта [3].

Повышение адекватности математической модели управления тепловым режимом помещения связано не только с идентификацией ее к теплотехническим особенностям помещения и технологического процесса в нем, но также с учетом реакции помещения на внешние климатические воздействия. В связи с тем что период повторяемости внешних климатических воздействий составляет годы, это создает большие трудности в задаче идентификации математической модели. Одним из путей решения этой задачи является использование самообучающейся математической модели [4, 5].

Использование алгоритмов самообучения

Был предложен следующий алгоритм самообучения математических моделей управления теплоэнергопотреблением зданий [3].

В систему управления теплоэнергопотреблением дополнительно вводится программный блок-эмулятор показаний датчиков внешних метеоусловий, передающий смоделированные показания датчиков в программу обработки данных. В начальный период эксплуатации системы время между циклами управления используется для самообучения системы. На период между циклами управления обрабатываются сигналы не от реальных датчиков внешних метеоусловий, а смоделированные показания. Работа системы во время обучения происходит так же, как и во время процесса управления, с той лишь разницей, что входную информацию система получает от имитатора датчиков внешних метеоусловий, а выходную – передает программе, моделирующей формирование микроклимата. После того как на очередной математической модели формирования микроклимата обучение закончится, вводится более сложная математическая модель формирования микроклимата, и система, используя накопленный опыт, обучается на этой модели. Как только система начнет достаточно быстро переходить от одной математической модели формирования микроклимата к другой, процесс обучения на моделях заканчивается, и система переводится в режим обучения на реальном объекте. Время обучения сокращается за счет того, что в период обучения на математических моделях частота циклов управления увеличивается на два порядка.

Искусственные нейронные сети (нейросети)

Одним из вариантов реализации алгоритмов обучения, в том числе и самообучения – «обучения без учителя» (англ. unsupervised learning), является использование так называемых нейросетей – искусственных нейронных сетей (ИНС, англ. artificial neural networks, ANN).

Искусственная нейронная сеть – математическая модель, построенная на принципах действия биологических нейронных сетей.

Основной структурной единицей биологической нейронной сети является нейрон – узкоспециализированная нервная клетка. Нейрон может принимать информацию от другого нейрона или иного органа, обрабатывать ее, хранить и передавать далее, также другому нейрону или иному органу. Нейроны посредством разветвленных связей объединяются в биологические нейронные сети. Поскольку один нейрон может быть связан со многими другими нейронами (так, в человеческом мозге один нейрон может иметь связи с 20 тысячами других нейронов), а общее количество нейронов (и, соответственно, связей) в сети может быть очень большим, биологическая нейронная сеть, построенная на относительно простых нейронах, сама может быть очень сложной.

Подобно биологической нейронной сети, искусственная нейронная сеть строится на относительно простых элементах – искусственных нейронах. Искусственный нейрон получает входные сигналы, обрабатывает их по определенному алгоритму и в зависимости от результата обработки передает далее определенный выходной сигнал. Аналогично биологической нейронной сети, в искусственной нейронной сети один искусственный нейрон может быть связан со многими другими, в результате чего на относительно простых элементах и алгоритмах может быть реализована очень сложная сеть.

Преимущества искусственных нейронных сетей – относительно простая аппаратная реализация, но при этом потенциально очень высокое быстродействие, помехоустойчивость, отказоустойчивость. Но главное преимущество искусственных нейронных сетей перед традиционными алгоритмами – это возможность обучения. Искусственные нейронные сети не программируются в традиционном понимании – они обучаются.

Основные задачи, которые решаются с использованием искусственных нейронных сетей, – это распознавание образов, управление в реальном времени, прогнозирование, оптимизация.

Принцип работы искусственной нейронной сети

Схема искусственного нейрона приведена на рис. 1. Искусственный нейрон (англ. artificial neuron) – это упрощенная модель биологического нейрона. Имеется n входных сигналов X1…Xn, которые поступают от других нейронов и подаются на вход сумматора Σ. При этом сигнал от каждого нейрона имеет разную значимость, «вес» и, соответственно, может быть скорректирован введением своего рода поправочного коэффициента W1…Wn – «веса» каждого входного сигнала, весовых коэффициентов, то есть коэффициентов связи между нейронами.

Схема искусственного нейрона

Рисунок 1.

Схема искусственного нейрона: X1…Xn – входные сигналы, W1…Wn – «вес» входных сигналов (весовые коэффициенты) – коэффициенты связи между нейронами, ∑ – сумматор входных сигналов, φ – вычислитель передаточной функции (функции активации), θ – пороговое значение, Y – выходной сигнал

Сигналы, скорректированные с учетом коэффициентов связи, суммируются и далее поступают в вычислитель передаточной функции (функции активации) φ. Вычислитель передаточной функции, в зависимости от заданного порогового значения θ, вырабатывает тот или иной выходной сигнал Y, который и передается другим нейронам в качестве входного сигнала.

Схема искусственной нейронной сети приведена на рис. 2. 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.

Схема искусственного нейрона

Рисунок 2.

Искусственная нейронная сеть (ИНС): входной слой, скрытый слой, выходной слой

Одно из главных преимуществ нейронных сетей перед традиционными алгоритмами – возможность обучения. С точки зрения математической модели обучение искусственной нейронной сети – это нахождение коэффициентов связей между нейронами. Именно значения коэффициентов связей между нейронами (весовых коэффициентов) и являются «знанием» искусственной нейронной сети.

В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходным результатом. При известных результатах реакции на входной сигнал появляется возможность корректировать весовые коэффициенты для уменьшения ошибки до тех пор, пока сеть не сможет вернуть верный результат.

Пример практической реализации: NEUROBAT – самообучающийся контроллер управления отоплением на основе нейросетей

В качестве примера практической реализации алгоритмов самообучения на основе использования нейросетей может быть рассмотрен разработанный швейцарскими специалистами самообучающийся контроллер управления отоплением NEUROBAT [6]. Алгоритм контроллера был разработан и протестирован как совместный проект между CSEM (Centre Suisse d’Electronique et de Microtechnique – ведущая организация), инжиниринговой компанией ESTIA Ltd, промышленным партнером SAUTER и LESO-PB (Solar Energy and Building Physics Laboratory, Швейцария).

В настоящее время простейшее управление системами отопления основано на кривых отопления, которые определяют зависимость между температурой теплоносителя в зависимости от температуры наружного воздуха. Это управление без обратной связи. Данная концепция не позволяет существенно оптимизировать энергопотребление, достичь высоких показателей теплового комфорта и требует значительных усилий при вводе в эксплуатацию. Более совершенные алгоритмы предусматривают непрерывный учет теплоты от солнечной радиации или внутренних бытовых тепловыделений, однако и они не позволяют решать задачи оптимального управления теплопотреблением здания.

Швейцарскими специалистами был разработан алгоритм управления отоплением на основе нейросетей и создан контроллер, реализующий этот алгоритм. Контроллер реализует предиктивную (прогнозирующую) оптимальную стратегию управления на основе математической модели теплофизических характеристик здания, поведения пользователя и прогноза погоды за счет использования самообучающихся алгоритмов нейросетей. Алгоритм оптимального управления направлен на оптимизацию теплового комфорта при минимизации энергопотребления.

В качестве входных сигналов используются данные от стандартных датчиков: температуры наружного воздуха, интенсивности солнечной радиации (посредством двух измерений температуры воздуха: один датчик температуры подвергается воздействию прямого солнечного излучения, а другой – защищен от солнца; разность температуры пропорциональна солнечному излучению), температуры подаваемого и обратного теплоносителя, температуры воздуха в помещении. Влияние пользователя ограничивается заданием температуры в помещении и графика использования помещения. Функции самообучения алгоритма управления не требуют дополнительного определения параметров или адаптации параметров при вводе в эксплуатацию. Контроллер адаптирует и оптимизирует параметры моделей здания и наружного климата посредством самообучения во время работы.

Имитационное моделирование, а затем и испытания на реальном объекте подтвердили снижение энергопотребления на 10–15 % даже по сравнению с достаточно совершенными системами управления, одновременно оптимизируя тепловой комфорт пользователя. Кроме того, применение нейросетевых алгоритмов существенно облегчает ввод оборудования в эксплуатацию и его наладку.

В одном из следующих номеров эта система будет рассмотрена более подробно.

Литература

  1. Табунщиков Ю. А. Математическое моделирование – универсальный инструмент управления теплоэнергопотреблением здания // АВОК. – 2018. – № 6.
  2. Миллер Ю. В., Бродач М. М., Шилкин Н. В. Оценка потенциала энергосбережения при применении автоматизированной системы управления теплоэнергопотреблением и микроклиматом здания // АВОК. – 2018. – № 6.
  3. Табунщиков Ю. А., Бродач М. М. Математическое моделирование и оптимизация тепловой эффективности зданий. М.: АВОК-ПРЕСС, 2002.
  4. Табунщиков Ю. А. Здание должно мыслить // АВОК. – 2016. – № 1.
  5. Табунщиков Ю. А., Бродач М. М. Искусственный интеллект в управлении теплоэнергопотреблением здания // АВОК. – 2018. – № 8.
  6. Krauss J., Bauer M., Bichsel J., Morel N. Energy and HVAC: NEUROBAT – a Self-Commissioned Heating Control System Using Neural Networks / In book: Sensors in Intelligent Buildings. Vol. 2. Р. 63–83.  
купить online журнал подписаться на журнал
Поделиться статьей в социальных сетях:

Статья опубликована в журнале “АВОК” за №4'2019

PDF pdf версия


Реклама
Реклама на нашем сайте
Яндекс цитирования

Подписка на журналы

АВОК
АВОК
Энергосбережение
Энергосбережение
Сантехника
Сантехника
Сертификационный центр АВОК
Реклама на нашем сайте
KSB
Онлайн-словарь АВОК!