«Автоматизация и информатизация ТЭК»

Разработка нейронечеткой модели моделирования трудноформализуемых процессов систем теплоснабжения

УДК: 519.853
DOI: -

Авторы:

¹ Заполярный государственный университет им. Н.М. Федоровского, Норильск, Россия
² Тюменский государственный университет, Тюмень, Россия
³ ГАУ Северного Зауралья, Тюмень, Россия
⁴ Сибилинк, Тюмень, Россия
⁵ Тюменский индустриальный университет, Тюмень, Россия

Ключевые слова: 4GDH, цифровые технологии, система теплоснабжения, система управления, алгоритм управления, термодинамические процессы, математическая модель, нечеткая логика, нейронечеткая модель, имитационное моделирование

Аннотация:

Термодинамические процессы, протекающие в трубопроводных системах теплоснабжения, представляют интерес для изучения протекания данных процессов в закрытых системах. Развитие цифровых технологий, появление научно-технических новшеств и их интеграция в действующие системы теплоснабжения приводят к необходимости переосмысления старых и принятию новых решений, технологий и подходов к диагностике систем теплоснабжения в целом. При проектировании современных систем теплоснабжения 4-го поколения (4GDH) важно учитывать опыт применения различных методов искусственного интеллекта, в том числе технологии Big Data, для анализа протекающих процессов внутри системы прогнозирования этого влияния на аварийность системы в целом. Поскольку системы диагностики будущего будут включать в свою "информационную основу" технологии Big Data, необходимо рассмотреть физико-математические процессы, протекающие в трубопроводных сетях, и создать математические модели данных процессов. Это позволит осуществлять прогнозирование влияния протекающих термодинамических процессов на состояние трубопроводной сети. Ввиду сложности представления однофазных и многофазных процессов, протекающих в системах теплоснабжения, необходимо предусмотреть создание уникального математического аппарата, в основе которого лежат подходы нечеткой логики. Предлагаются решения для разработки нейронечеткой модели при моделировании трудноформализируемых процессов систем теплоснабжения.

Список литературы:

1. Оценка технического состояния тепловых сетей в РФ / Н.М. Попова, В.Е. Таран, Н.А. Петрикеева, Д.М. Чудинов // Градостроительство. Инфраструктура. Коммуникации. – 2021. – № 1(22). – С. 16–21.
2. Сорокин А.М. Мониторинг систем теплоснабжения // Вестн. Волгоград. гос. архитектурно-строит. ун-та. Сер.: Стр-во и архитектура. – 2022. – № 2(87). – С. 90–98.
3. Канев С.Н., Торопков С.А. Современные системы теплоснабжения: проблемы и пути их решения // Ученые заметки ТОГУ. – 2013. – Т. 4, № 4. – С. 1799–1807.
4. Ромаскевич С.А. Анализ проблем работы систем теплоснабжения и обоснование их модернизации // Приоритетные направления инновационной деятельности в пром-сти: сб. науч. ст. X междунар. науч. конф., Казань, 30–31 окт. 2021 г.: в 2 ч. Ч. 1. – Казань: Конверт, 2021. – С. 125–126.
5. Петров А.М., Попов А.Н. Разработка метода математического моделирования термодинамических процессов однофазных потоков наружных сетей теплоснабжения // Стр-во и техногенная безопасность. – 2022. – № 26(78). – С. 59–63.
6. Петров А.М., Попов А.Н., Кузяков О.Н. Совершенствование архитектуры интеллектуальных систем управления // Автоматизация и информатизация ТЭК. – 2023. – № 4(597). – С. 15–22. – DOI: 10.33285/2782-604X-2023-4(597)-15-22
7. Катасев А.С. Нейронечеткая модель и программный комплекс автоматизации формирования нечетких правил для оценки состояния объектов // Автоматизация процессов управления. – 2019. – № 1(55). – С. 21–29.
8. Рыбина Г.В., Рыбин В.М., Паронджанов С.С. Интеллектуальные системы управления: новые архитектуры // Информационно-измерительные и управляющие системы. – 2015. – Т. 13, № 8. – С. 15–20.
9. A self-partitioning local neuro fuzzy model for short-term load forecasting in smart grids / Z. Tavassoli-Hojati, S.F. Ghaderi, H. Iranmanesh [et al.] // Energy. – 2020. – Vol. 199. – DOI: 10.1016/j.energy.2020.117514
10. Bobyr M.V., Emelyanov S.G. A nonlinear method of learning neuro-fuzzy models for dynamic control systems // Applied Soft Computing. – 2020. – Vol. 88. – DOI: 10.1016/j.asoc.2019.106030
11. New generation neurocomputing learning coupled with a hybrid neuro-fuzzy model for quantifying water quality index variable: A case study from Saudi Arabia / M.S. Manzar, M. Benaafi, R. Costache [et al.] // Ecological Informatics. – 2022. – Vol. 70. – DOI: 10.1016/j.ecoinf.2022.101696
12. Artificial neural networks and adaptive neuro-fuzzy inference system in energy modeling of agricultural products / A. Nabavi-Pelesaraei, S. Rafiee, F. Hosseini-Fashami, Kwok-wing Chau // Predictive Modelling for Energy Management and Power Systems Engineering. – Elsevier, 2021. – Chapter 11. – P. 299–334. – DOI: 10.1016/B978-0-12-817772-3.00011-2
13. System identification using neuro fuzzy approach for IoT application / R.K. Pattanaik, S.K. Mohapatra, M.N. Mohanty, B.K. Pattanayak // Measurement: Sensors. – 2022. – Vol. 24. – DOI: 10.1016/j.measen.2022.100485
14. Буй Чыонг Ан. Разработка интеллектуальных систем моделирования слабоформализуемых процессов на основе нейронечетких моделей: дис. … канд. техн. наук: 05.13.01. – М., 2022. – 133 с.
15. Petrov A., Popov A., Molotok A. Development of a laboratory installation of a digital measuring system for visualization of internal pipeline processes // J. of Physics: Conf. Series. – 2020. – Vol. 1614. Int. Scientific Conf. Energy Management of Municipal Facilities and Sustainable Energy Technologies, Voronezh, Russian Federation, Dec. 10–13, 2019. – DOI: 10.1088/1742-6596/1614/1/012036