energyЭнергетика. Известия высших учебных заведений и энергетических объединений СНГENERGETIKA. Proceedings of CIS higher education institutions and power engineering associations1029-74482414-0341BNTU10.21122/1029-7448-2026-69-1-77-94energy-2537Research ArticleТЕПЛОЭНЕРГЕТИКАНEAT POWER ENGINEERINGНейронная сеть прогнозирования теплового потребления зданияNeural Network for Predicting Building Heat ConsumptionКолосовМ. В.KolosovМ. V.

Адрес для перепискиКолосов Михаил ВикторовичСибирский федеральный университетпросп. Свободный, 79/10,660041, Красноярск, Российская ФедерацияТел.: +375 0000-0003-4884-4889

MKolosov@sfu-kras.ru

Address for correspondenceKolosov Mikhail V.Siberian Federal University79/10, Svobodny Ave.,660041, Krasnoyarsk,Russian FederationТел.: +375 0000-0003-4884-4889

MKolosov@sfu-kras.ru

MKolosov@sfu-kras.ruЛиповкаА. Ю.LipovkaA. Yu.

г. Красноярск

Krasnoyarsk

ЛиповкаЮ. Л.LipovkaYu. L.

г. Красноярск

Krasnoyarsk

Сибирский федеральный университетРоссияSiberian Federal UniversityRussian Federation2026100220266917794Copyright © Колосов М.В., Липовка А.Ю., Липовка Ю.Л., 20262026Колосов М.В., Липовка А.Ю., Липовка Ю.Л.Kolosov М.V., Lipovka A.Y., Lipovka Y.L.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://energy.bntu.by/jour/article/view/2537

Прогнозирование спроса на тепловую энергию необходимо для достижения оптимального управления энергопотреблением здания. Целью данной статьи является выявление важнейших факторов, влияющих на точность прогнозирования теплопотребления зданий с применением нейронных сетей, что соответствует национальной стратегии развития искусственного интеллекта РФ. В статье исследуется зависимость точности моделирования от различных комбинаций параметров окружающей среды, а также от применения разных функций активации нейронных сетей, широко используемых в практике создания систем искусственного интеллекта. Продемонстрировано, что модели машинного обучения, основанные на большом количестве данных о тепловом потреблении, имеют большие возможности в прогнозировании реальных моделей и тенденций потребления, а значение средней абсолютной процентной ошибки лучшей модели прогнозирования сопоставимо с величиной максимального предела допускаемой относительной погрешности измерений тепловой энергии измерительным каналом теплосчетчика. На основе данных, полученных с помощью разработанной системы дистанционного мониторинга индивидуальных тепловых пунктов зданий, продемонстрировано сравнение действительных значений теплового потребления и величин теплового потребления, полученных с использованием модели прогнозирования. Экономия энергии, теплоносителя и прочего на объекте не может быть измерена напрямую, поскольку она представляет собой отсутствие потребления. Поэтому универсальный подход с использованием искусственного интеллекта для технически обоснованного и экономически целесообразного метода прогнозирования результатов применения энергосберегающих решений для сравнения измеренного энергопотребления до и после внедрения энергоэффективного мероприятия может позволить повысить эффективность принятия решений в сфере сбережения энергетических ресурсов.

Heat demand forecasting is necessary to achieve optimal management of building energy consumption. The purpose of this article is to identify the most important factors influencing the accuracy of forecasting heat consumption of buildings using neural networks, which is in line with the national strategy for the development of artificial intelligence of the Russian Federation. The article studies the dependence of modeling accuracy on various combinations of environmental parameters, as well as on the application of different activation functions of neural networks, widely used in the practice of creating artificial intelligence systems. It is demonstrated that machine learning models based on a large number of data on thermal consumption have great possibilities in predicting real patterns and trends of consumption, and the value of the average absolute percentage error of the best prediction model is comparable to the value of the maximum limit of the tolerable relative error of thermal energy measurements by the measuring channel of the heat meter. On the basis of data obtained using the developed system of remote monitoring of individual heating points of buildings, a comparison of actual values of heat consumption and values of heat consumption obtained using the prediction model was demonstrated. Savings of energy, heat carrier and other things at the object cannot be measured directly, because the savings represent the absence of consumption, so a universal approach using artificial intelligence for a technically sound and economically feasible method of predicting the results of the application of energy-saving solutions to compare the measured energy consumption before and after the implementation of energy-efficient measures may allow to improve the efficiency of decision-making in the field of saving energy resources.

энергоэффективность зданиятеплоснабжениеотопление зданийнейросетьискусственный интеллектиндивидуальный тепловой пункткомпьютерное моделированиемониторинг теплопотребленияbuilding energy efficiencyheat supplybuilding heatingneural networkartificial intelligenceindividual heat supply unitcomputer modelingheat consumption monitoringReferencesWang, C. Role of Input Features in Developing Data-Driven Models for Building Thermal Demand Forecast / C. Wang, X. Li, Hailong Li // Energy & Buildings. 2022. Vol. 277. P. 112593. https://doi.org/10.1016/j.enbuild.2022.112593.Wang C., Li X., Li H. (2022) Role of Input Features in Developing Data-Driven Models for Building Thermal Demand Forecast. Energy and Buildings, 277, 112593. https://doi.org/10.1016/j.enbuild.2022.112593.Evaluation of Methods to Assess the Uncertainty in Estimated Energy Savings / S. Touzani, J. Grandersona, D. Jumpb, D. Rebello // Energy & Buildings. 2019. Vol. 193. P. 216–225. https://doi.org/10.1016/j.enbuild.2019.03.041.Touzani S., Granderson J., Jump D., Rebello D. (2019) Evaluation of Methods to Assess the Uncertainty in Estimated Energy Savings. Energy and Buildings, 193, 216–225. https://doi.org/10.1016/j.enbuild.2019.03.041.Langner, F. Model Predictive Control of Distributed Energy Resources in Residential Buil-dings Considering Forecast Uncertainties / F. Langner, W. Wang, V. Hagenmeyer // Energy & Buildings. 2024. Vol. 303. P. 113753. https://doi.org/10.1016/j.enbuild.2023.113753.Langner F., Wang W., Frahm M., Hagenmeyer V. (2024) Model Predictive Control of Distributed Energy Resources in Residential Buildings Considering Forecast Uncertainties. Energy and Buildings, 303, 113753. https://doi.org/10.1016/j.enbuild.2023.113753.Comparative Study of Univariate and Multivariate Strategy for Short-Term Forecas-ting of Heat Demand Density: Exploring Single and Hybrid Deep Learning Models / S. Salehi, M. Kavgic, H. Bonakdari, L. Begnoche // Energy and AI. 2024. Vol. 16. P. 100343. https://doi.org/10.1016/j.egyai.2024.100343.Salehi S., Kavgic M., Bonakdari H., Begnoche L. (2024) Comparative Study of univariate and Multivariate Strategy for Short-Term Forecasting of Heat Demand Density: Exploring Single and hybrid Deep Learning Models. Energy and AI, 16, 100343. https://doi.org/10.1016/j.egyai.2024.100343.Building Heating Load |Forecasting Based on the Theory of Transient Heat Transfer and Deep Learning / Z. Shi, R. Zheng, R. Shen [et al.] // Energy and Buildings. 2024. Vol. 313. P. 114290. https://doi.org/10.1016/j.enbuild.2024.114290.Shi Z., Zheng R., Shen R., Yang D., Wang G., Liu Y., Zhao J. (2024) Building Heating Load Forecasting Based on the Theory of Transient Heat Transfer and Deep Learning. Energy and Buildings, 313, 114290. https://doi.org/10.1016/j.enbuild.2024.114290.Forecasting Building Energy Demand and On-Site Power Generation for Residential Buildings Using Long and Short-Term Memory Method with Transfer Learning / D. Kim, G. Seomun, Y. Lee [et al.] // Applied Energy. 2024. Vol. 368. P. 123500. https://doi.org/10.1016/j.apenergy.2024.123500.Kim D., Seomun G., Lee Y., Cho H., Chin K., Kim M.-H. (2024) Forecasting Building Energy Demand and On-Site Power Generation for Residential Buildings Using Long and Short-Term Memory Method with Transfer Learning. Applied Energy, 368, 123500. https://doi.org/10.1016/j.apenergy.2024.123500.Mohan, R. An Ensemble Model for the Energy Consumption Prediction of Residential Buil-dings / R. Mohan, N. Pachauri // Energy. 2025. Vol. 314. P. 134255. https://doi.org/10.1016/j.energy.2024.134255.Mohan R., Pachauri N. (2025) An Ensemble Model for the Energy Consumption Prediction of Residential Buildings. Energy, 314, 134255. https://doi.org/10.1016/j.energy.2024.134255.A Novel Intelligent Modeling and Prediction of Heat Energy Consumption in Smart Buildings / M. Jayashankara, A. Sharma, A. Kumar Singh [et al.] // Energy and Buildings. 2024. Vol. 310. P. 114105. https://doi.org/10.1016/j.enbuild.2024.114105.Jayashankara M., Sharma A., Singh A. K., Chanak P., Singh S. K. (2024) A Novel Intelligent Modeling and Prediction of Heat Energy Consumption in Smart Buildings. Energy and Buildings, 310, 114105. https://doi.org/10.1016/j.enbuild.2024.114105.Application of the Hybrid Neural Network Model for Energy Consumption Prediction of Office Buildings / L. Wang, D. Xie, L. Zhou, Z. Zhang // Journal of Building Engineering. 2023. Vol. 72. P. 106503, https://doi.org/10.1016/j.jobe.2023.106503.Wang L., Xie D., Zhou L., Zhang Z. (2023) Application of the Hybrid Neural Network Model for Energy Consumption Prediction of Office Buildings. Journal of Building Engineering, 72, 106503. https://doi.org/10.1016/j.jobe.2023.106503.Седнин, А. B. Энергоэффективность применения гибридных тепловых пунктов в условиях интеграции электрических и тепловых сетей городских микрорайонов. Ч. 1: Обоснование целесообразности применения гибридных тепловых пунктов / А. B. Седнин, М. И. Позднякова // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2023. Т. 66, № 6. С. 552–566. https://doi.org/10.21122/1029-7448-2023-66-6-552-566.Sednin A. V., Pozdnyakova M. I. (2023) Energy Efficiency of Using Hybrid Heating Points in Conditions of Integration of Electrical and Thermal Networks of Urban Neighborhoods. Part 1. Justification of the Feasibility of Using Hybrid Thermal Points. Energetika. Izvestiya Vysshikh Uchebnykh Zavedenii i Energeticheskikh Ob’edinenii SNG = Energetika. Proceedings of CIS Higher Education Institutions and Power Engineering Associations, 66 (6), 552–566 https://doi.org/10.21122/1029-7448-2023-66-6-552-566 (in Russian).Моделирование и расчет параметров малой гелиотеплицы с целью повышения энергоэффективности / Г. Н. Узаков, В. А. Седнин, А. Б. Сафаров [и др.] // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2025. Т. 68, № 4. С. 367–384. https://doi.org/10.21122/1029-7448-2025-68-4-367-384.Uzakov G. N., Sednin V. A., Safarov A. B., Mamedov R. A., Rakhmatov O. I. (2025) Simulation and Calculation of Parameters of a Small Solar Greenhouse in Order to Increase its Energy Efficiency. Energetika. Izvestiya Vysshikh Uchebnykh Zavedenii i Energeticheskikh Ob’edinenii SNG = Energetika. Proceedings of CIS Higher Education Institutions and Power Engineering Associations, 68 (4), 367–384. https://doi.org/10.21122/1029-7448-2025-68-4-367-384 (in Russian).Колосов, М. В. Система мониторинга теплопотребления зданий / М. В. Колосов, А. Ю. Ли-повка, Ю. Л. Липовка // Известия Томского политехнического университета. Инжиниринг георесурсов. 2024. Т. 335, № 7. С. 206–220. https://doi.org/10.18799/24131830/2024/7/4443.Kolosov M. V., Lipovka A. Yu., Lipovka Yu. L. (2024) System for Monitoring Building Heat Consumption. Bulletin of the Tomsk Polytechnic University. Geo Аssets Engineering, 335 (7), 206–220. https://doi.org/10.18799/24131830/2024/7/4443 (in Russian).

The authors declare that there are no conflicts of interest present.