Full Text

Введение. В настоящее время разработано большое количество методов управления техническими системами. Для повышения их эффективности обсуждается возможность использования упреждающего управления [1-3]. Такое управление показывает себя с лучшей стороны, если существует некоторое время - время реакции системы на возмущающее и управляющее воздействия (инертность объекта управления). На практике реакция по разным параметрам может иметь различное запаздывание, зависеть от внешних факторов. Такая реакция может отличаться и для двух одинаковых объектов в связи с тем, что они функционируют в разных условиях, имеют разную степень износа, могли проходить техническое обслуживание и регламентные работы, в результате которых отдельные детали были заменены или обновлены, уже при изготовлении не может быть сделано абсолютно идентичных изделий. Таким образом, для управления необходимо построение модели, которая будет учитывать особенности системы и будет предсказывать ее поведение или поведение ее отдельных параметров, необходимых для выработки управляющего воздействия. Построение таких моделей в настоящее время осуществляется на основе эмпирических методов - методов машинного обучения и использования статистических данных об объекте управления [4]. Ключевыми вопросами в этом случае становятся задача выбора метода, недостаточный объем или недостоверность данных, факторы неопределенности, многофакторность, вопросы обучения моделей. Объект исследования. В качестве примера рассмотрим задачу управления индивидуальным тепловым пунктом многоэтажного здания для поддержания стабильной температуры в помещении. Индивидуальный тепловой пункт (ИТП) рассматриваемого офисного здания - комплекс технических средств, расположенных в обособленном помещении и осуществляющих инженерные подключения системы отопления и горячего водоснабжения к централизованной тепловой сети. Структурная схема ИТП, включающая средства автоматизации и управления, приведена на рис. 1 (см. подробнее в [5] и [6]). Рис. 1. Структурная схема индивидуального теплового пункта многоэтажного здания: 1 - пластинчатый теплообменник, 2 - циркуляционные насосы ГВС c частотно-регулируемым электроприводом (ЧРП), 3 - смесительно-повысительные насосы отопления c ЧРП, 4 - двухходовой регулирующий клапан с электрическим приводом, 5 - трехходовой регулирующий клапан с электрическим приводом, МС12 (СУ ИТП) - контроллер системы управления, блок управления циркуляционными насосами, датчики температуры, Тн - наружная температура ИТП выполнен по зависимой схеме отопления с одноступенчатой системой горячего водоснабжения (ГВС). Из тепловой сети через подающий трубопровод осуществляется подача теплоносителя с температурой 95-70 °С в здание. С помощью обратного трубопровода в сеть попадает теплоноситель, который отдает часть тепловой энергии, необходимой для обогрева помещений и нужд ГВС. Движение теплоносителя в отопительном контуре поддерживается циркуляционными насосами (см. элемент 2 на рис. 1), которые включаются периодически. Управление насосом осуществляется в автоматическом режиме с помощью контроллера. Автоматическое поддержание необходимого температурного графика в отопительном контуре осуществляется с помощью алгоритма ПИД-регулирования [1]. Контролер воздействует на регулирующий клапан, расположенный на подающем трубопроводе на стороне внешней тепловой сети. Между подающим и обратным трубопроводами установлена смесительная перемычка с обратным клапаном, за счет которой осуществляется подмес в подающий трубопровод из обратной линии теплоносителя, с более низкими температурными показателями. Для исследования возможностей управления на основе предиктивных моделей была рассмотрена схема управления, приведенная на рис. 2. Рис. 2. Структура модели системы теплоснабжения на основании данных Для реализации данной схемы необходимо установление зависимости между входом и выходом для моделей 0, 1 и 2 на рис. 2 (построение моделей прогнозирования температуры помещения, нагревания воды, температуры воды после прохождения по контуру обогрева). Такие модели могут быть получены эмпирическим путем с использованием регрессионных моделей и методов машинного обучения. Машинное обучение в настоящее время широко применяется во всех областях, где стоит задача сбора и анализа данных [7]. Задачей машинного обучения является нахождение неизвестной зависимости между известными множествами объектов. При этом такие методы требуют наличия статистических данных (рис. 3), а выбор конкретного метода осуществляется на основе оценки точности описания, полученной на основе обучающей выборки данных модели на тестовых данных [8]. На рис. 3 представлены данные, которые использовались для обучения модели в форме временных рядов [9]. Это данные за два месяца отопительного сезона. Экспериментальным путем было выяснено, что смешение данных отопительного сезона и сезона, когда отопление не подается, так же, как и использование данных не соответствующего периоду отопления сезона, приводит к получению моделей, не проходящих проверку на адекватность или имеющих значительные отклонения при визуальном сопоставлении выборок (при отображении их как в виде временных рядов, так и диаграмм размахов) [10]. а б Рис. 3. Используемые выборки данных для построения и анализа системы управления ИТП: а - обучающая, б - тестовая Прогнозирование параметров модели. Нам необходимо решить вопрос прогнозирования значений параметров, характеризующих объект исследования. Для этого мы будем определять зависимость исследуемых параметров от нескольких признаков. Такую задачу называют задачей регрессионного анализа. Для работы с данными и решения задачи регрессии рассматривались такие методы машинного обучения [11], как: Neural Network, Support Vector Machine (SVM), k-NN, PLS Regression, Lasso, Bayesian linear regression (Bayesian statistics). Основным недостатком метода SVM является его чувствительность к шумам [12]. Идентификация и удаление компонентов шума из векторов пространственных объектов на большом наборе данных - непростая задача. Кроме этого на метод оказывает негативное влияние высокая размерность (зависимость целевого значения от большого количества параметров и факторов) [12]. Neural Network и метод k-NN применяются к моделям любой сложности, но при работе с большими данными расчет производится медленнее и ухудшается точность. За счет усреднения значения получается хороший результат, но в сравнении с другими методами машинного обучения результат себя не оправдывает. k-Nearest Neighbor обычно используется в приложениях интеллектуального анализа данных. Значение k, которое дает наибольшую точность, зависит от имеющегося набора данных и должно быть настроено заранее [13]. Минусом нейронных сетей являются сложность интерпретации принципов получения решений, так как модель, по сути, является «черным ящиком», а также высокая зависимость результата от используемых данных и неудовлетворительные результаты в случае, если данные имеют периодические процессы (данные часто усредняются). При использовании байесовского подхода и метода PLS регрессии [14] в задачах регрессии могут возникать сложности, связанные с получением оценок при использовании больших объемов данных ввиду потерь точности [15]. Расчеты на имеющихся статистических данных также показали наилучшие результаты при использовании метода Lasso. Кроме этого данный метод является быстрым, что особенно важно в задачах управления. Lasso (Least Absolute Shrinkage and Selection Operator) - это метод понижения размерности. В статистике и машинном обучении Lasso является методом регрессионного анализа, который выполняет выбор переменных (коэффициентов) и регуляризацию с целью повышения точности прогнозирования, исключая недостатки метода наименьших квадратов [16]. Метод может работать с любыми подмножествами, зависящими от формы ограничения, что приводит к обращению в 0 некоторых коэффициентов модели. Он решает основную проблему - неустойчивость к оценкам коэффициентов (признаков) в задаче линейной регрессии, когда независимые переменные коррелируют друг с другом. Данная проблема решается путем наложения ограничения на норму вектора коэффициентов модели. Учитываем целевую функцию , где регрессионный коэффициент определяет вектор , где X - матрица значений свободных переменных (матрица признаков), X ( . В случае большого числа матрицы признаков метод приводит к повышению устойчивости. Регуляризованная версия Lasso с оценкой будет выглядеть следующим образом: , где - комплексный параметр, контролирующий величину штрафа, т.е. показывает, насколько коэффициенты уклоняются от оценок наименьших квадратов и нуля. Если сравнивать данный метод с Ridge регрессией [17], оценочные коэффициенты Lasso имеют более низкую дисперсию и менее склонны к превышению, чем метод наименьших квадратов. Поэтому плюс данного метода состоит в том, что мы можем осуществить не только регуляризацию параметров, но и приравнять некоторые из коэффициентов к нулю. Введем для каждой переменной две неотрицательные переменные следующего вида: , где , , . Тогда при уменьшении получим . Это означает исключение коэффициента. В итоге метод Lasso осуществляет отбор признаков, исключая шумовые и признаки, связанные с ощутимыми затратами, и хорошо решает проблему мультиколлинеарности. На основе его использования были получены результаты, приведенные на рис. 4. а б Рис. 4. Данные, получаемые в результате прогнозирования параметров модели методом Lasso: а - температура теплоносителя, б - температура обогреваемого помещения, в - температура теплообменника в Рис. 4. Окончание Полученные при прогнозировании результаты, прошли проверку на адекватность по критериям Пирсона и Фишера на всем тестовом интервале. Такое качество предсказания результатов в зависимости от других параметров модели позволяет использовать данные для построения модели системы теплоснабжения и системы управления и проверить возможности предиктивного управления в таких задачах. Предиктивное управление системой теплоснабжения. В результате проведенных модельных экспериментов выяснилось, что получаемые данные смещены относительно шкалы времени. Это смещение оказалось равно двум часам. Выяснение значения этой величины необходимо при рассмотрении каждого параметра системы по отдельности и может быть определено экспериментально. В случае если имеется некоторый интегральный показатель, то необходимо определять величину инертности как функцию от времени (которая зависит от группы параметров, влияющих на значение оцениваемого критерия): , где - минимальное время инертности, - горизонт времени рассматриваемого процесса, - текущее время, - интегральный показатель. Использование приведенных выкладок и моделей для отдельных параметров, а также схемы, приведенной на рис. 2, позволило получить данные, приведенные на рис. 5. Рис. 5. Расчеты температуры теплообменника и обогреваемого помещения, полученные на модели, в сравнении с исходными данными Из графика видно, что в большинстве случаев, если учитывать инертность протекающего процесса, то для поддержания заданного уровня температуры в помещении достаточно меньшей температуры нагрева. В среднем на рассматриваемом участке интегральный нагрев теплоносителя мог быть осуществлен на 23 213,13 ºС меньше, что при среднем объемном расходе в 5 м3/ч = 0,08 м3/мин системы теплоснабжения дает 23 213,13×0,08×0,0001 = 0,1857 Гкал экономии за 12 суток. При цене 1319,13 руб./Гкал (минимальная цена за Гкал для населения) [18] экономия составит 245 рублей. В течение 7 месяцев отопительного сезона это обеспечивает 3500 рублей экономии без учета повышения тарифов, а также, что более важно, стабильную температуру в помещении. При рассмотрении диапазона в 10 лет при сохранении текущей динамики повышения тарифов это уже может составить до 115 тыс. рублей для одного объекта. Если рассмотреть экономию в масштабах небольшого города (количество зданий до 1000 штук), то это уже составит 115 млн. рублей. При этом первый участок графика (см. рис. 5), дающий худшие результаты, является участком адаптации системы и при непрерывном управлении не будет повторяться, а значит, и оказывать отрицательное влияние на систему управления, что повысит экономический эффект использования предиктивных методов управления, и это при том, что приведенные цифры получены при управлении уже автоматизированными ИТП [19]. Выводы. Использование данных прогнозов в задачах управления открывает новые возможности исследования инертных процессов, протекающих в технических системах, позволяет учитывать различные значения запаздывания реакции для различных параметров и тем самым повышать согласованность функционирования элементов системы и качество управления (в рассмотренном случае энергоэффективность [20]).

About the authors

L. A Mylnikov

Perm National Research Polytechnic University

N. A Gergel

Perm National Research Polytechnic University

A. V Kychkin

Perm National Research Polytechnic University

B. Krause

University of Applied Sciences Anhalt

References

Statistics

Views

Abstract - 23

PDF (Russian) - 10

Refbacks

• There are currently no refbacks.