Экспресс-оценка эффективности внедрения мероприятий по энергосбережению

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Экспресс-оценка эффективности внедрения мероприятий по энергосбережению

Литвин В.И. Институт энергосбережения и энергоменеджмента НТУУ «КПИ»

Аннотация

В статье описан алгоритм предварительной оценки результатов внедрения энергоэффективных мероприятий, основанный на использовании нейронной сети Кохонена. Предложенный подход позволяет имея статистику внедрения аналогичных мероприятий делать предварительные выводы о их целесообразности на конкретных объектах, прогнозировать величину экономии и затраты на внедрение.

Ключевые слова: энергоэффективность, экспресс-оценка.

Rezumat

Оn articol sunt descris algoritm de estimare prealabilг a implementгrii a mгsurilor energoeficiente, bazat utilizare re?elei neuronale tip Cohonen. Abordare propusг dг posibilitarea utilizвnd statisticг de implementare a mгsurilor analogice de a face concluzii despre practicabilitate la obiecte concrete ?i de a prognoza valarea ecoomiei ?i cheltuieli la implementare.

Cuvinte-cheie: eficien?г energeticг, evaluare-expres.

Abstract

Pre-analyze algorithm of estimation the energy conservation measures results is described in the article. It based on the Kohonen neural networks and allows making conclusions about the savings and needed costs using the statistic data about the similar projects.

Keywords: energy efficiency, express-evaluation.

нейронный сеть кохонен энергосберегающий

Внедрение мероприятий по повышению энергоэффективности требует выполнения значительного объема подготовительных работ, в частности проведения энергетических аудитов, которые позволили бы дать ответ на вопросы:

- какая эффективность внедрения энергоэффективных мероприятий для конкретного объекта?

- какова стоимость внедрения мероприятий?

В работах [1, 2, 4, 5, 6 7, 10] описаны различные методы оценки эффективности тех или иных мероприятий, но они основаны на необходимости проведения энергоаудита. Данный подход является оптимальным при внедрении мероприятий по повышению энергоэффективности на крупных единичных объектах. В случае же массового внедрения мероприятий на большом количестве однотипных объектов (жилые дома, бюджетные здания и т. п.) проведение энергетических аудитов на всех объектах (количество которых может доходить до сотен и тысяч) является затратным как с точки зрения финансов, так и с точки зрения времени.

Для выполнения предпроектной оценки эффективности внедрения мероприятий для значительного количества объектов необходим инструмент, который смог бы со значительной долей вероятности определить показатели проекта и указать на объекты, которые требуют первоочередного обследования.

Указанная оценка может быть выполнена при наличии статистических данных про внедрение мероприятий по повышению энергоэффективности на подобных объектах, полученных, в частности, с помощью систем мониторинга энергопотребления [5, 9, 10].

Постановка задачи

Имеется информация о внедрении мероприятий на некотором количестве () объектов:

- характеристика объекта , включающая данные о потреблении энергоресурсов до внедрения проекта, данные о геометрических характеристиках объекта (площадь, объем), данные о режиме работы объекта и другие данные, которые влияют на режим энергопотребления и стоимость внедрения мероприятий;

- данные о величине экономии () энергоресурсов сэкономленных в результате внедрения комплекса мероприятий ();

- данные о стоимости внедрения мероприятий ().

Необходимо для объектов, на которых планируется внедрение аналогичного комплекса мероприятий (), оценить стоимость и эффективность внедрения.

Предлагается для решения поставленной задачи использовать нейронную сеть Кохонена [2, 3, 7, 8], которая имеет следующие преимущества:

- возможность производить обучение «без учителя»;

- возможность автоматически формировать количество классов;

- возможность проводить переобучение сети без ее модификации, после появления большего числа примеров.

Алгоритм экспресс-оценки с использованием нейронной сети Кохонена:

1. Выделяется вектор входных переменных, характеризующий объект .

2. Выбирается предварительная конфигурация нейронной сети Кохонена с избыточным количеством классов.

3. На вход сети последовательно подаются вектора входных переменных и проводится обучение сети.

4. Обучение сети продолжается до тех пор, пока изменения центра классов не станет меньше заданной величины .

5. Объекты группируются в соответствии с номером класса и для каждой группы определяются характеристики внедрения энергоэффективных мероприятий (величина экономии и стоимость внедрения) как среднее для объектов класса.

6. На вход полученной сети подается вектор, характеризующий объект для которого необходимо сделать оценку эффективности внедрения комплекса мероприятий (),

7. Определяется класс, к которому принадлежит объект и по полученным ранее для класса усредненным характеристикам определяется эффективность внедрения комплекса мероприятий.

Алгоритм классификации с применением сети Кохонена

Рассмотрим процесс классификации объектов с применением сети Кохонена [3].

В качестве входных данных выбирается вектор параметров одного объекта. Результатом работы сети будет код класса, к которому принадлежит предъявленный на входе объект. В нейросетях принята кодировка номером канала. Потому сеть будет иметь выходов, по числу классов, и чем большее значение принимает выход номер, тем более "уверенность" сети в том, что входной объект принадлежит к классу .

Для оценки принадлежности объекта к классу выбрана евклидова мера близости.

В этом случае ядро класса, который минимизирует сумму мер близости для объектов этого класса, совпадает с центром тяжести объектов:

(1)

где - число объектов в классе .

Во время разбивки на классы должна быть минимизирована суммарная мера близости для всего множества входных объектов:

(2)

- расписано скалярное произведение. В этой сумме два слагаемого не зависят от способа разбивки и постоянные: ( под и понимаются векторы, которые характеризуют соответственно объект и центр класса).

Потому задача поиска минимума эквивалентна поиску максимума выражения:

(3)

Такой алгоритм легко реализуется в виде нейронной сети. Чтобы определить класс, к которому относится объект, нужно выбрать среди всех нейронов данного слоя один с максимальным выходом -- это осуществляет интерпретатор.

На рис. 1 изображена схема нейронной сети, которая использует эвклидову меру близости для классификации объектов, называемая сетью Кохонена.

Рис. 1. Схема сети Кохонена

Нейроны слоя Кохонена генерируют сигналы . Интерпретатор выбирает максимальный сигнал слоя Кохонена и выдает номер класса т, соответствующий номеру входа, по которому интерпретатором получен максимальный сигнал. Это отвечает номеру класса объекта, который был предъявлен на входе, в виде вектора .

Ядра являются весовыми коэффициентами нейронов. Каждый нейрон Кохонена запоминает одно ядро класса, и отвечает за определение объектов в своем классе, то есть величина выхода нейрона тем больше, чем ближе объект к данному ядру класса.

Общее количество классов совпадает с количеством нейронов Кохонена. При изменении количества нейронов, можно динамически менять количество классов.

В рассмотренном примере нейроны Кохонена имеют линейную функцию активации.

Входные векторы сети нормируются:

(4)

Обычно начальные значения в нейронных сетях выбираются малыми случайными числами. Для слоя Кохонена такой выбор возможен, но имеет недостатки. Так как ядра классов нормируются, то и начальные значения нужно нормировать.

Рассмотрим алгоритм классификации.

Присваиваются начальные значения весовым коэффициентам.

Подается на вход один из векторов .

Рассчитывается выход слоя Кохонена и определяемый номер нейрона, который выиграл (выход которого максимален) .

Корректируются весы нейрона, который только что выиграл:

(8)

-- коррекция записана в виде векторного выражения (вектор весовых коэффициентов нейрона имеет столько компонент, сколько их у входного вектора). -- скорость обучения, небольшая положительная величина.

Веса корректируются так, что вектор весовых коэффициентов приближается к текущему входному вектору. Скорость обучения управляет скоростью приближения ядра класса (вектора весовых коэффициентов) к входному вектору .

Алгоритм выполняется до тех пор, пока весовые коэффициенты не перестанут меняться.

Представленный алгоритм был опробован на зданиях бюджетной сферы города Киева. На протяжении 2000-2005 годов был реализован широкомасштабный проект по внедрению систем учета и регулирования потребления тепловой энергии.

В таблице 4 представлены исходные данные (потребление тепловой энергии и площадь) и результаты группировки объектов с помощью нейронной сети Кохонена.

Таблица 1. Исходные данные для экспресс-оценки

В таблице 2 представлены усредненные характеристики групп с точки зрения эффективности внедрения предложенного комплекса мероприятий.

Таблица 2. Характеристики групп

Подавая на вход сети данные для других подобных объектов, в зависимости от того к какой группе они будут отнесены, можно делать предварительные выводы о целесообразности внедрения комплекса мероприятий. Проверка метода на контрольной выборке (объектах, не входящих в обучающую выборку, на которых были внедрены подобные мероприятия) показала высокую достоверность полученных результатов - более 80% прогнозов было подтверждено. Для увеличения достоверности результатов в зависимости от комплекса энергоэффективных мероприятий могут варьироваться входные переменные и увеличиваться обучающая выборка.

Выводы:

1. Предложенный метод экспресс-оценки позволяет с высокой достоверностью определять эффективность от внедрения энергосберегающих мероприятий при условии, что имеется достаточный массив статистических данных.

2. Нейронная сеть Кохонена, используемая в данном методе играет роль экспертной системы, накапливающей и систематизирующей информацию о результатах внедрения энергоэффективных мероприятий.

Библиография

1. Ueno T. Effectiveness of an energy-consumption information system on energy savings in residential houses based on monitored data [Text] / T. Ueno, S. Fuminori, S. Osamu, T. Kiichiro // Applied Energy. - 2006. - 83. - P. 166-183.

2. Використання класифікації підрозділів по потенціалу енергозбереження для планування впровадження енергозберігаючих заходів/Розен В.П., Чернявський А.В., Литвин В.І., Нац. техн. ун-т України «Київ. політехн. ін-т» - Київ, 2005. - 26 с. - Бібліогр.: 6 назв. - Укр. - Деп. в ДНТБ України 5.06.06, №37 - Ук 2006.

3. Дубровин В.И. Эвристический алгоритм классификации и его нейросетевая интерпретация [Текст] / В.И. Дубровин, С.А. Субботин // Радіоелектроніка, інформатика, управління. - 2000. - № 1.- C. 72-76.

4. Енергетичний аудит об'єктів житлово-комунального господарства: Монографія [Текст] / В.П. Розен, О.І. Соловей, С.В. Брестовський, А.В. Чернявський/ Під заг. Ред. В.П. Розена.- К.: ДП "Іноваційний центр". - 2006р. - 224 с.

5. Методика оцінки ефективності впровадження проектів з енергозбереження в адміністративних і громадських будівлях м. Києва [Текст] / В.І. Дешко, Ю.В. Хоренженко, Ю.В. Шовкалюк та інш. - Академтеплоенергопроект - Київ. - 2006. - 12 с.

6. Энергетический менеджмент [Текст] / А.В. Праховник, А.И. Соловей, В.В. Прокопенко и др. - К.: ІЕЕ НТУУ "КПИ". - 2001. - 472 с.

7. Розен В.П. Використання класифікації підрозділів по потенціалу енергозбереження для планування впровадження енергозберігаючих заходів/ В.П. Розен, А.В. Чернявський, В.І. Литвин // Нац. техн. ун-т України «Київ. політехн. ін-т» - Київ, 2005. - 26 с. - Бібліогр.: 6 назв. - Укр. - Деп. в ДНТБ України 5.06.06, №37 - Ук 2006.

8. Розен В.П. Использование нейронной сети Кохонена для построения типовых графиков потребления энрегии общественными и административными зданиями / В.П. Розен, В.И. Литвин // Экономическая безопасность государства и интеграционные формы ее обеспечения/под ред. Г.К. Вороновского, И.В. Недина. - К.: Знания Украины, 2007. - С. 365-368.

9. Розен В.П. Моніторинг режимів теплоспоживання об'єктів бюджетної сфери / В.П. Розен, В.І. Литвин// Економічна безпека держави і науково-технологічні аспекти її забезпечення: праці 1-го науково-практичного семінару з міжнародною участю, 21-22 жовтня 2009 р. - видавець, Чабаненко Ю. А. - 2009. - C. 386-391.

10. Ячник Е.А. Методика мониторинга проектов энергосбережения организаций [Текст] / Е.А. Ячник, А.А. Школьный // Проблемы недроиспользования: сборник научных трудов. Международный форум-конкурс молодых ученых 21-23 апреля 2010 г. - СПб.: , 2010. - Часть II. - С. 224-227.

Размещено на Allbest.ru