Нейронная сеть прогнозирования теплового потребления здания

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.

1. Wang, 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.