сотрудник
Москва, г. Москва и Московская область, Россия
сотрудник
Москва, Россия
аспирант
Москва, г. Москва и Московская область, Россия
УДК 681.5 Автоматика. Теория, методы расчета и аппаратура систем автоматического управления и регулирования. Техническая кибернетика. Техника автоматизации
ГРНТИ 67.01 Общие вопросы строительства
ББК 308 Монтаж, эксплуатация, ремонт машин и промышленного оборудования
Сокращение энергопотребления объектами капитального строительства на всех стадиях их жизненного цикла является актуальной задачей для строительной отрасли и жилищно-коммунального комплекса. В статье рассматриваются пути сокращения энергозатрат при эксплуатации жилых зданий. Целью исследования является разработка методики прогнозирования энергозатрат при использовании системы управления домашнего энергопотребления на основе метода машинного обучения. Все устройства, входящие в систему «умного дома» разделены на три типа, для каждого из них описана методика расчёта энергопотребления. Алгоритм работы системы управления домашним энергопотреблением заключается в получении от поставщика энергоресурсов информации об их стоимости на час вперед, расчете энергозатрат всех устройств и прогнозировании энергопотребления на основе метода машинного обучения с подкреплением. Эффективность выбранного метода и достоверность прогнозирования оценивалась путем сопоставления результатов с реальными затратами за выбранный временной период, а также вычисления средней абсолютной ошибки и средней абсолютной ошибки в процентах. Результаты исследования свидетельствуют об перспективности применения метода машинного обучения с подкреплением для выстраивания системы управления домашним энергопотреблением на основе прогнозирования энергозатрат во времени.
система управления домашним энергопотреблением, метод машинного обучения с подкреплением, энергосбережение в строительстве, жизненный цикл объектов капитального строительства
Введение
Снижение энергетических затрат объектами капитального строительства является актуальным на всех стадиях их жизненного цикла, особенно на наиболее продолжительной стадии – эксплуатации здания. Это связано с тем, что строительная отрасль и жилищно-коммунальный комплекс являются одними из крупнейших потребителей энергетических ресурсов и испытывают повышенный спрос на энергию, который приводит к увеличению расходов на развитие и укрепление энергетической инфраструктуры [1, 2].
Снижение энергозатрат объектами капитального строительства возможно за счет выстраивания системы разумного энергопотребления и применения альтернативных источников энергии как на эксплуатационной, так и на других стадиях их жизненного цикла [3, 4].
В последние годы в странах с развитой экономикой происходит сокращение государственного регулирования оптового рынка энергии и открытие новых возможностей для автономных производителей и поставщиков энергии, что приводит к изменению способов продажи и покупки энергетических ресурсов [5]. Устойчивый тренд на снижение энергопотребления в строительном секторе наблюдается и в нашей стране, что подтверждается принятым в 2009 году Федеральным Законом РФ №261-ФЗ «Об энергосбережении и о повышении энергетической эффективности, и о внесении изменений в отдельные законодательные акты Российской Федерации», изданным в 2011 году Приказом Министерства регионального развития РФ №161 «Об утверждении Правил определения классов энергетической эффективности многоквартирных домов и Требований к указателю класса энергетической эффективности многоквартирного дома, размещаемого на фасаде многоквартирного дома», а также рядом других документов [6].
Для выстраивания системы разумного энергопотребления операторы энергетической инфраструктуры, прежде всего электросетей, внедряют гибкое тарифное планирование и программы регулирования спроса на энергию, сокращающие энергозатраты в определённые промежутки времени и выстраивающие баланс между спросом и предложением [7].
Гибкое тарифное планирование позволяет менять тарифы на электроэнергию в зависимости от времени суток, дня недели и месяца. В него входят пиковые, средние и непиковые периоды. Подобный подход предоставляет потребителю возможность сместить потребление электроэнергии на более дешевые периоды, тем самым контролируя свое энергопотребление [8]. Несмотря на то, что гибкое тарифное планирование снижает пиковое потребление энергии, оно может привести к такому же или даже большему энергопотреблению в непиковые часы.
Программы регулирования спроса могут быть поощрительными, предоставляющими потребителям льготные условия использования энергии при уровне потребления меньше установленного порога, и принудительными, предусматривающими как значительное увеличение цен на энергию при превышении лимита, так и принудительное ограничение доступа к энергоресурсам [9, 10]. Программное обеспечение, реализующее подобные алгоритмы, может быть использовано коммунальными службами, управляющими компаниями и т.п.
В последнее время начали появляться системы управления домашним энергопотреблением, позволяющие выстроить максимально гибкий баланс спроса и предложения для каждого отдельного потребителя. Они объединяются в общую систему «умного дома» и позволяют учитывать энергопотребление каждого потребителя в общей программе регулирования спроса многоквартирных домов [11-13].
Целью исследования является разработка методики прогнозирования энергозатрат в системах управления домашним энергопотреблением с применением методов машинного обучения.
Объектом исследования являются системы управления домашним энергопотреблением. Предметом исследования является применение методов машинного обучения в работе систем управления домашним энергопотреблением.
Методология
Для прогнозирования энергозатрат в системах управления домашним энергопотреблением был выбран метод машинного обучения с подкреплением, предполагающий обучение на своем опыте и адаптацию для достижения наилучших результатов [14]. Планирование энергопотребления выполняется с использованием многоагентного обучения, при этом каждое домашнее устройство представляет собой среду, содержащую своего собственного агента с различными мерами и вознаграждениями [15, 16].
Выбранный алгоритм работы системы управления домашним энергопотреблением позволяет пользователю получить данные о стоимости энергии на 1 час вперед и прогнозировать предстоящие энергозатраты [17]. Вместе с прогнозированием предстоящих затрат метод машинного обучения с подкреплением используется для принятия оптимального решения для различных устройств с использованием децентрализованного подхода, при этом вычислительная нагрузка переносится с центрального оптимизатора на группу интеллектуальных агентов [18].
Система управления получает данные о стоимости энергии на час вперед от поставщиков энергоресурсов, при этом энергопотребление каждого n-го устройства в момент времени t можно описать уравнением (1).
En,t=en,t (1)
где
Домашние устройства по своим техническим характеристикам и возможностям разделены на 3 группы:
- с непереключаемой нагрузкой;
- с переключаемой нагрузкой;
- с регулируемой нагрузкой (освещение, кондиционирование).
Для устройств с непереключаемой нагрузкой стоимость энергопотребления определяется уравнением (2).
где сt – стоимость энергии в момент времени t, 
– потребление энергии n-го устройства с нерегулируемой нагрузкой в момент времени t.
Для устройств с переключаемой нагрузкой есть 2 положения: включено и выключено, энергопотребление при этом можно описать уравнением (3).
где
Для устройств с переключаемой нагрузкой существует 2 типа стоимостных затрат: за потребление энергии и дискомфорт, связанный с ожиданием запуска и завершения работы устройства (4-6).
где
Устройства с регулируемой нагрузкой могут переходить из режима с наименьшим (
Целью приборов этой группы является снижение энергозатрат пользователя, которое, однако, может привести к его дискомфорту при понижении режима работы устройства, что отражается переменной
Минимальные затраты на энергию и дискомфорт, связанные с изменением режима работы домашних устройств определяется по формуле (10).
где
Эффективность метода оценивалась через среднюю абсолютную ошибку (MAE) и среднюю абсолютную ошибку в процентах (MAPE) между прогнозируемыми и реальными затратами на энергию в соответствии с уравнением (11) и (12).
где 
Результаты
Алгоритм работы системы запускается в начале дня, то есть в момент времени t=1, при этом инициализируется номинальная мощность, время работы, переменная цены дискомфорта и переменная компромисса. Используя переменные, в каждый час t система обновляет входные данные использует метод машинного обучения с подкреплением для прогнозирования предстоящих затрат на следующий час. Затем система вычисляет оптимальное решение для всех устройств, используя прогнозируемые предстоящие затраты.
Метод машинного обучение с подкреплением протестирован с использованием информации о стоимости и мощности рынка электроэнергии, полученной из открытых источников с помощью расширения Data Miner. Информация для обучения была взята в период с 1 января 2022 г. по 21 февраля 2022 г., а затем выполнено прогнозирование затрат в период с 22 по 28 февраля 2022 г. Архитектура используемой нейронной сети сдержит 5 слоев: 1 входной слой с 18 нейронами, 3 скрытых слоя с 40, 20 и 10 нейронами и 1 выходной слой с 1 нейроном.
Рис. 1 иллюстрирует разницу между прогнозируемыми (зеленый цвет) и реальными (синий цвет) затратами за выбранный период времени.
Рис. 1. График реальных и прогнозируемых затрат в период с 22 по 28 февраля 2022 г.
Согласно рис. 1 прогнозируемые затраты следуют той же тенденции, что и реальные затраты, при этом MAE составляет 2,12, а MAPE составляет 8,59%.
Заключение
Результаты сравнения прогнозируемых и реальных затрат, а также вычисленные средняя абсолютная ошибка и средняя абсолютная ошибка в процентах, не превышающая 10%, подтверждают применимость разработанной методики прогнозирования энергозатрат в системах управления домашним энергопотреблением с применением методов машинного обучения. Результаты исследования также свидетельствуют об перспективности применения метода машинного обучения с подкреплением для выстраивания системы управления домашним энергопотреблением на основе прогнозирования энергозатрат во времени.
1. Hong, J. A Framework for Reducing Dust Emissions and Energy Consumption on Construction Sites / J. Hong, T. Hong, H. Kang, M. Lee // Energy Procedia. - 2019. - Vol. 158. - P. 5092-5096. - doi.org/10.1016/j.egypro.2019.01.637.
2. Huang, J. Artificial intelligence for planning of energy and waste management / J. Huang, D. D. Koroteev // Sustainable energy technologies and assessments. - 2021. - Vol. 47. - P. 101426. - DOIhttps://doi.org/10.1016/j.seta.2021.101426.
3. Tadeu, S. Eco-efficiency to support selection of energy conservation measures for buildings: A life-cycle approach / S. Tadeu, C. Rodrigues, P. Marques, F. Freire // Journal of Building Engineering. - 2022. - Vol. 61. - P. 105142. - doi.org/10.1016/j.jobe.2022.105142.
4. Shahrabi, E. Developing optimal energy management of energy hub in the presence of stochastic renewable energy resources / E. Shahrabi, S.M. Hakimi, A. Hasankhani, G. Derakhshan, B. Abdi // Sustainable Energy, Grids and Networks. - 2021. - Vol. 26. - P. 100428. - doi.org/10.1016/j.segan.2020.100428.
5. Yan, X. A review on price-driven residential demand response / X. Yan, Y. Ozturk, Z. Hu, Y. Song // Renewable and Sustainable Energy Reviews. - 2018. - Vol. 96. - P. 411-419. - doi.org/10.1016/j.rser.2018.08.003.
6. Коротеев, Д. Д. Законодательство в сфере энергосбережения в строительстве / Д. Д. Коротеев // Современные проблемы механики, энергоэффективность сооружений и ресурсосберегающие технологии: Сборник трудов научной школы-семинара молодых ученых и студентов с международным участием, Москва, 15-17 сентября 2015 года. - Москва: Российский университет дружбы народов, 2015. - С. 243-245.
7. Nguyen, H. Optimal demand side management scheduling-based bidirectional regulation of energy distribution network for multi-residential demand response with self-produced renewable energy / H. Nguyen, U. Safder, J. Loy-Benitez, C. Yoo // Applied Energy. - 2022. - Vol. 322. - P. 119425. - doi.org/10.1016/j.apenergy.2022.119425.
8. Chen, Z. Multi-objective residential load scheduling approach for demand response in smart grid / Z. Chen, Y. Chen, R. He, J. Liu, M. Gao, L. Zhang // Sustainable Cities and Society. - 2022. - Vol. 76. - P. 103530. - doi.org/10.1016/j.scs.2021.103530.
9. Li, S. Double-layer energy management system based on energy sharing cloud for virtual residential microgrid / S.Li, J. Zhu, Z. Chen, T. Luo // Applied Energy. - 2021. - Vol. 282. - P. 116089. - doi.org/10.1016/j.apenergy.2020.116089.
10. Jasim, A.M. A new optimized demand management system for smart grid-based residential buildings adopting renewable and storage energies / A.M. Jasim, B.H. Jasim, A. Flah, V. Bolshev, L. Mihet-Popa // Energy Reports. - 2023. - Vol. 9. - P. 4018-4035. - doi.org/10.1016/j.egyr.2023.03.038.
11. Duman, A. C. A home energy management system with an integrated smart thermostat for demand response in smart grids / A. C. Duman, A. C. Erden, Ö. Gönül, Ö. Güler // Sustainable Cities and Society. - 2021. - Vol. 65. - P. 102639. - doi.org/10.1016/j.scs.2020.102639.
12. Aliero, M.S. Smart Home Energy Management Systems in Internet of Things networks for green cities demands and services / M.S. Aliero, K.N. Qureshi, M.F. Pasha, G. Jeon // Environmental Technology & Innovation. - 2021. - Vol. 22. - P. 101443. - doi.org/10.1016/j.eti.2021.101443.
13. Gonçalves, I. Optimizing the management of smart home energy resources under different power cost scenarios / I. Gonçalves, Á. Gomes, C.H. Antunes // Applied Energy. - 2019. - Vol. 242. - P. 351-363. - doi.org/10.1016/j.apenergy.2019.03.108.
14. Сорокин, И.В. Aнализ опыта применения методов машинного обучения в строительной отрасли России / И. В. Сорокин, А. В. Настычук // Строительство и архитектура. - 2023. - Т. 11, № 1. - С. 18. - DOIhttps://doi.org/10.29039/2308-0191-2022-11-1-18-18.
15. Park, K. Multi-agent deep reinforcement learning approach for EV charging scheduling in a smart grid / K. Park, I. Moon // Applied Energy. - 2022. - Vol 328. - P. 120111. - doi.org/10.1016/j.apenergy.2022.120111.
16. Wang, Y. Cooperative energy management and eco-driving of plug-in hybrid electric vehicle via multi-agent reinforcement learning / Y. Wang, Y. Wu, Y. Tang, Q. Li, H. He // Applied Energy. - 2023. - Vol. 332. - P. 120563. - doi.org/10.1016/j.apenergy.2022.120563.
17. Lehna, M. Forecasting day-ahead electricity prices: A comparison of time series and neural network models taking external regressors into account / M. Lehna, F. Scheller, H. Herwartz // Energy Economics. - 2022. - Vol. 106. - P. 105742. - doi.org/10.1016/j.eneco.2021.105742.
18. Keles, D. Extended forecast methods for day-ahead electricity spot prices applying artificial neural networks / D. Keles, J. Scelle, F. Paraschiv, W. Fichtner // Applied Energy. - 2016. - Vol. 162. - P. 218-230. - doi.org/10.1016/j.apenergy.2015.09.087.
