Такие системы нуждаются в регулярном дообучении с учетом изменений в техническом состоянии теплосети, продолжает пресс-служба ПНИПУ. Ученые вуза вместе с коллегами из компании «СофтМ» разработали и протестировали интеллектуальный модуль, включающий наиболее эффективные модели корректировки результатов нейросетевого прогнозирования. Это снизит риски возникновения ошибок и повысит эффективность расходования энергоресурсов.
Для обучения и тестирования моделей ученые выбрали 10 многоквартирных домов, данные для которых за определенный период содержат наименьшее количество пропусков по техническим причинам. Для каждого построили отдельную модель, с использованием которой вычислялись температуры теплоносителя на входе в многоквартирные дома. Затем результаты сравнили с реальными значениями из заданной выборки.
—Предложенные методы апробированы на реальных данных, что подтверждает возможность их использования при разработке интеллектуальной информационной системы управления теплоснабжением, — цитирует пресс-служба Валерия Столбова, профессора кафедры «Вычислительная математика, механика и биомеханика» ПНИПУ.
Ученые определили наиболее эффективную модель предсказания поведения тепловой сети, которая позволит правильно выбирать управляющее воздействие. Это значительно снизит риск нарушения экологических правил и трату ресурсов на перерасход топлива и электроэнергии, обслуживание и ремонт оборудования.