автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Методы интеллектуальной поддержки при принятии управленческих решений в системах энергетического менеджмента

005051094

БРЕБЕЛЬС Адриан

Методы интеллектуальной поддержки при принятии управленческих решений в системах энергетического менеджмента

05.13.01 — Системный анализ, управление и обработка информации (промышленность) 05.13.10 — Управление в социальных и экономических системах

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

2 8 МАР 2013

Волгоград-2013

005051094

Работа выполнена на кафедре «Системы автоматизированного проектирования и поискового конструирования» Волгоградского государственного технического университета (ВолгГТУ).

Научный руководитель доктор технических наук, профессор

Камаев Валерий Анатольевич

Научный консультант кандидат технических наук, доцент

Щербаков Максим Владимирович

Официальные оппоненты: Проталинский Олег Мирославович

доктор технических наук, профессор, Астраханский государственный технический университет, проректор по информатизации;

Финогеев Алексей Германович

доктор технических наук, профессор, Пензенский государственный университет, кафедра «Системы автоматизации проектирования», профессор.

Ведущая организация Астраханский государственный

университет.

Защита диссертации состоится 14 марта 2013 в 15-30 на заседании диссертационного совета Д.212.028.04 при Волгоградском государственном техническом университете по адресу: 400005, г. Волгоград, пр. Ленина, 28.

С диссертацией можно ознакомиться в библиотеке Волгоградского государственного технического университета.

Автореферат разослан 14 февраля 2013 г.

Ученый секретарь Водопьянов Валентин Иванович

диссертационного совета

Общая характеристика работы

Актуальность темы. Вопросы энергетической безопасности являются критическими для любой страны мира. В настоящее время наблюдается устойчивый рост потребления электроэнергии (см. отчеты Carbon Monitoring for Action, CARMA). При этом возрастающие риски техногенных катастроф приводят к закрытию генерирующих энергию объектов и к поиску новых источников энергии. В связи с этим, повышение энергетической эффективности и оптимального потребления энергии являются крайне актуальными задачами.

Для повышения энергетической эффективности в различных областях разрабатываются энергетические политики и реализуются мероприятия по энергосбережению. Такая система, объединяющая взаимосвязанные элементы, используемые для разработки и внедрения энергетической политики, процессов и процедур достижения энергетических целей получила название "система энергетического менеджмента" (или система энергоменеджмента, СЭМ) [ИСО/ISO 50001-2012]. Однако существующие модели СЭМ носят обзорный характер и включают только общие рекомендации по заданию энергетических целей и планированию мероприятий энергетического менеджмента для их достижения.

При реализации СЭМ осуществляется процесс принятия решения (ППР) по выработке и реализации мероприятий направленных на достижение экономической результативности. Теоретические положения теории принятия решения и разработки систем поддержки принятия решения на основе интеллектуального анализа данных и зданий отражены в работах Петровского А.Б., Ларичева О.И., Пупкова К.А., Armstrong S., Power D., Benner A., Er M., Druzdzel M., Flynn R., Holsapple C., Averweg U. Следует отметить труды в области энергетики таких отечественных и зарубежных ученых как Вагин В.П., Меламед A.M., Макоклюев Б.И., Baker A.B., Weron R., Taylor J. W., Espasa A, Deconinck G, Helsen L., Hyndman R.J и других.

Однако фактически задача принятия решения в СЭМ является труднофор-мализованной и слабоструктурированной и в связи с этим можно обозначить возникшую научно-техническую проблему поддержки при принятии управленческих решений в СЭМ.

Цели и задачи работы. Целью работы является повышение эффективности СЭМ, выражаемое в достижении энергетической результативности, а именно снижении расходов на потребление энергии при неизменном уровне комфорта или объеме выпускаемой продукции.

Для достижения поставленной цели были сформулированы следующие задачи. 5

х ; \ ■ л /

\ 'У \

1. Осуществить анализ системы энергетического менеджмента зданий и выделить проблемы, связанные с управлением энергетическими системами при достижении энергетических целей.

2. Формализовать процесс поддержки принятия решения в СЭМ, направленный на достижение формализованных энергетических целей.

3. Разработать методы интеллектуальной поддержки при принятии управленческих решений в СЭМ, учитывающие специфику предметной области: множественность объектов, плохие данные, реализация в режиме реального времени.

4. Реализовать математическое обеспечение систем интеллектуальной поддержки при принятии решения в системах энергоменеджмента зданий.

5. Испытать предлагаемые методы интеллектуальной обработки информации и оценить их эффективность.

Объектом исследования является система энергетического менеджмента зданий (СЭМЗ) различных типов.

Предмет исследования - методы поддержки при принятии управленческих решений в СЭМ на основе интеллектуальной обработки данных.

Гипотеза исследования - использование интеллектуальных моделей и методов обработки данных позволит повысить эффективность СЭМ зданий.

Научная новизна заключается в разработке методов интеллектуальной поддержки при принятии управленческих решений в системах энергетического менеджмента, включающих в себя:

1) метод оценок эффективности системы энергетического менеджмента на основе показателей энергетической результативности, позволяющий оценить качество принимаемых решений при управлении энергетическими системами;

2) метод автоматического прогнозирования потребления электроэнергии для множества зданий различных типов, включающий оригинальный алгоритм выбора модели прогнозирования на основе множества оценок ошибок прогнозирования;

3) метод прогнозирования потребления газа в зданиях, основанный на свертке данных и учитывающий различные внешние факторы, позволяющий снизить ошибки прогнозирования;

4) новый метод идентификации выбросов в данных, основанный на моделях прогнозирования и кластеризации данных, позволяющий идентифицировать выбросы различных типов.

Практическая ценность работы заключается в реализации предлагаемых методов в системах EcoSCADA, Data Quality Framework и апробация подходов на реальных объектах - зданиях различного типа в Бельгии и Голландии. Показано, что с использованием предложенных подходов повышение эффективности СЭМ достигает 20%.

Апробация. Основные положения и материалы диссертационной работы докладывались на международных научно-технических конференциях: Информационные технологии в образовании, технике и медицине: 21-24 сент. 2009 / Вол-гГТУ, Информационные технологии в науке, образовании, телекоммуникации и бизнесе (IT+SE40). Майская сессия (Украина, Крым, Ялта-Гурзуф, 20-30 мая 2010 г.). Инновационные технологии в управлении, образовании, промышленности "АСТИНТЕХ-2010" : матер, междунар. науч. конф. (11-14 мая 2010 г.), Международный симпозиум по прогнозированию ISF'l 1 (Прага, Чехия, 2011), 13 и 14 международные конференции по информационной интеграции и веб-ориентированным приложениям и сервисам iiWAS-2012 (Вьетнам, Декабрь 2012), iiWAS-2013 (Бали, Индонезия, 2013), Применение искусственного интеллекта в инженерии и бизнесе, Жежуф-2012, 20-23 сентября 2012, Конгресс по интеллектуальным системам и информационным технологиями "IS&IT'll" (Дивномор-ское, 2-9 сент. 2011 г.), Конгресс по интеллектуальным системам и информационным технологиями "IS&IT42" (Дивноморское, 2-9 сент. 2012 г.), Геленджик. Положения диссертации докладывались на аспирантском семинаре в Католическом Университет г.Левен, Бельгия.

Публикации. По теме диссертационной работы опубликовано 18 печатных работ, в том числе 6 публикаций в журналах, рекомендованных ВАК, 6 публикаций в иностранных изданиях (3 публикации проиндексировано в Scopus).

Личный вклад автора. Личный вклад автора заключается в постановке целей и формулировке задач исследований, разработки методов решения поставленных задач, анализе полученных данных и их интерпретации.

Структура и объём работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы из 112 наименований. Объём диссертации - 135 е., включая 72 рис., 18 таблиц.

Основное содержание работы

Во введении обоснована актуальность темы, сформулирована цель и задачи работы, приведены основные положения, выносимые на защиту.

В первой главе выделены проблемы, возникающие в системе энергетического менеджмента зданий, приведено обоснование необходимости реализации механизмов поддержки при принятии управленческих решений в СЭМ.

Система энергетического менеджмента зданий. Общемировой практикой для инициации мероприятий направленных на повышение энергетической эффективности и снижения энергопотребления при неизменном уровне комфорта является внедрение системы энергетического менеджмента. СЭМ - это набор взаимосвязанных или взаимодействующих элементов, используемых для разработки и

внедрения энергетической политики и энергетических целей, а также процессов и процедур для достижения этих целей [ISO /ИСО 50001, 2012].

Исходя из модели СЭМ, а также на основе методологии, известной как цикл постоянного улучшения (цикл Деминга-Шухарта), процесс ЭМ (ЕМ) можно представить в виде:

ЕМ = (ЕР, ED, ЕС, ЕА, EPL) (1)

где ЕР - процесс энергетического планирования, ED - процесс внедрения и функционирования СЭМ, ЕС - процесс проверки функционирования СЭМ, ЕА -анализ со стороны руководства и принятие действий по постоянному улучшению результативности деятельности в области энергетики и системы энергетического менеджмента в соответствии с энергетической политикой EPL.

В свою очередь процесс ЕР можно представить в виде:

ЕР = (PER, PEBD, PDEnPI, PEA) (2)

где PER - проведение энергетического анализа, PEBD- установка или переопределение энергетических базисов, PDEnPI - определение показателей энергетической результативности, PEA — установка энергетических целей и задач и планов мероприятий по энергетическому менеджменту. Процесс ЕС представлен следующим образом:

ЕС = (MMA, ELR, IA, DA, CoR) (3)

где ММ А - процедуры мониторинга, измерения и анализа ключевых характеристик операций, определяющих энергетическую результативность, ELR — оценка соответствия деятельности законодательным требованиям, IA - внутренний аудит СЭМ, DA - анализ несоответствий и формирование корректирующих и предупреждающих действий, CoR - управление записями.

Следует отметить, что положения по реализации ЕМ носят рекомендательный характер, и разработка полностью возлагается на организации. Это является критической проблемой, сдерживающей продвижение мероприятий по повышению энергетической эффективности. Кроме этого, в результате анализа СЭМ выявилось, что в результате реализации СЭМ осуществляется процесс принятия решения на основании обработки большого количества данных.

Формализация и классификация зданий как объектов потребителей энергии. Для проведения энергетического планирования ЕР требуется дать характеристику объекту анализа - потребителю энергии. Формально объект - потребитель можно представить следующим образом:

В = (TS, {lat, long], {5}, {OP}) (4)

где TS - параметр, определяющий значение временного интервала через которое осуществляется считывание значений сенсоров объекта (time stamp), пара {lat, long} - географическая широта и долгота исследуемого объекта, {5} - множество сенсоров, установленных на объекте, данные с которых используются для

поддержки принятия решения, {ОР} - множество паттернов поведения пользователей объекта (occupancy patterns). Кроме этого введем формальное обозначение погодной станции:

WS = (TS,{lat,long},{W}) (5)

где {W} - множество сенсоров, установленных на метеостанции.

Рассмотрим классификацию зданий по различным отличительным признакам. По типам зданий можно выделить: жилые (дома, многоэтажные дома) и публичные (торговые центры, офисные здания). По степени оснащенности системами климат контроля (СКК): без систем СКК cHVAC^°\ с системами СКК с системами СКК с управлением по правилам cHVAC(-MBC\ или с системами супервизорного управления cHVAC^MPC^. По источникам энергии: централизованные поставщики без возобновляемых источников электроэнергии cRESW, гибридные cRES™,

автономные (имеющие только возобновляемые источники электроэнергии) cRES^. По площади здания: малые cAR^smaU\ средние cAR^medium^ и крупные cAR(-large\ По степени декомпозиции учета: низкая (имеется датчик потребления для всего объекта), средняя

cMD^mid^ (имеются датчики либо для групп потребителей (освещение, СКК), либо для территории (общий зал, аудитории) и высокая cMD^high\ для каждого потребителя установлен датчик.

Автоматизация мониторинга и измерение процессов и ключевых характеристик операций. Для осуществления процедуры мониторинга, измерения и анализа ключевых характеристик операций, определяющих энергетическую результативность используют системы учета потребления (производства) электроэнергии (АСУЭ, АСКУЭ, SCADA). Основным назначением подобных систем является автоматизированный сбор данных об объектах потребителях. Если системы мониторинга реализуют функции автоматического управления, то они представляют класс автоматизированных систем управления зданием (Building Management System, BMS). Главными функциями таких систем являются (i) автоматическое поддержание уровня комфорта для обитателей (ii) мониторинг и оценка качества использования СКК.

Получаемые данные можно классифицировать на следующие группы: (i) измеряемые показатели приборов (счетчиков): потребление электроэнергии, потребление газа, температура внутри помещения; (ii) информация об использовании здания: часы открытия/закрытия, календарь работы (рабочие и праздничные дни), количество людей внутри помещения и (iii) информация о погоде: температура воздуха, влажность скорость ветра и другие (поставляемые погодными сервисами National Oceanic and Atmospheric Administration (NOAA), Kennedy Space

Center (NASA), Norwegian Meteorological Institute and Norwegian Broadcasting Corporation (yr.no), Weather Underground, Weather Online (weather.com).

Также можно предложить классификацию данных. В зависимости от продолжительности наблюдения за объектом: краткосрочные cOB^short\ среднесрочные cOB(mtd\ долгосрочные сОВ^1оп^. По типу сезонных паттернов можно выделить: без наблюдаемой сезонности с5(0), одномерная сезонность (single) двойная (double) cSW, тройная (triple) cS(3). Например, тройная сезонность наблюдается, если имеются дневные паттерны (ночью потребление ниже, чем днем), недельные паттерны (в рабочие дни потребление значительно выше, чем в выходные и праздники) и годовая. По наличию цикличности в функционировании объектов: цикличность отсутствует cCY^°\ цикличность имеется cCY^\ нет информации о цикличности cCY

Интеллектуальная поддержка при принятии управленческих решений в системах энергетического менеджмента. В соответствии с ISO 50001 в системе энергетического менеджмента осуществляется непрерывное принятие решений по достижению энергетической результативности. Согласно Петровскому (2009) процесс принятия решения (ППР) включает выполнение этапов: (i) выявление проблемы (содержательное описание проблемы, задание желательного результата решения, определение ограничений); (ii) постановка задачи (определение возможных вариантов решения, сбор и анализ информации, разработка модели проблемной ситуации, формулировка задачи принятия решения);(Ш) поиск решения (выбор/разработка метода решения задачи, оценка и анализ вариантов решения, выбор оптимального варианта, изменение формулировки проблемы, в случае необходимости) и (iv) исполнение решения (реализация и контроль принятого решения, оценка результата решения проблемы). На основе анализа СЭМ и ППР можно дать характеристику рассматриваемому в исследовании процессу принятия решения в СЭМ (таблица 1).

В качестве специфики исследования можно указать следующее: (i) множественность объектов-потребителей, т.е. СЭМ может быть применена к группе объектов; (ii) существует информационная неопределенность, связанная с отсутствием данных или наличием выбросов в них, (iii) менеджер, ответственный за систему энергетического менеджмента, как правило, не является специалистом в теории принятия решения, математической статистики и интеллектуальной обработки данных.

Отметим, что рассматриваемый ППР в СЭМ является слабоструктурированным, а, следовательно, разработать единую схему решения задачи принятия решения на сегодняшний день затруднительно.

Этапы ППР Этапы СЭМ Входные потоки Выходные потоки Используемые модели, методы и системы

Выявление проблемы Постановка задачи Поиск решения Энергетическое планирование энергетическая политика результаты энергетического анализа, энергетический базис, целевые показатели энергетической результативности (ПЭнР), методы и мероприятия методы идентификации зданий, методы определения ПЭнР методы выявления факторов влияющих на потребление энергии АСУЭ, ВМБ

Исполнение решения {реализация и контроль принятого решения) Процесс внедрения и функционирования результаты энергетического анализа, энергетический базис, целевые показатели энергетической результативности (ПЭнР), методы и мероприятия примененные методы и реализованные мероприятия, данные с АСУЭ, ВМБ ВМЭ

Исполнение решения (оценка результата решения проблемы) Проверка примененные методы и реализованные мероприятия, данные с АСУЭ, ВМЭ реальные значения ПЭнР, результаты мониторинга, измерений и анализа, записи, предупреждающие действия АСУЭ методы интеллектуального анализа данных (прогнозирования использования и потребления, выявление выбросов в данных)

Анализ со стороны руководства и принятие действий реальные значения ПЭнР, результаты мониторинга, измерений и анализа, записи, предупреждающие действия методы и мероприятия по совершенствованию СЭМ методы теории принятия решения

В связи с этим делается вывод о необходимости разработки методов поддержки при принятии управленческих решений в системах энергетического менеджмента на основе интеллектуального анализа данных.

Вторая глава содержит анализ подходов к разработке методов поддержки при принятии управленческих решений, а также моделей и методов обработки данных используемых в них.

В литературе достаточно широко освещены вопросы, касающиеся разработки систем поддержки принятия решения. Под СППР согласно Ларичеву, Петровскому (1987) будем понимать автоматизированную систему, которая позволяет лицам, принимающим решения, использовать данные, знания, объективные и субъективные модели для анализа решения слабоструктурированных проблем. Согласно классификации СППР (Power, 2002) можно выделить СППР основанные на моделях (Model-Driven), основанные на данных (Data-Driven), основанных на коммуникациях (Communications-Driven), основанные на документах (Document-Driven) и наиболее современная концепция СППР - основанных на знаниях (Knowledge-Driven). В качестве результатов функционирования СППР, основанных на знаниях, могут быть следующие уровни (состояния) знаний (knowledge state) (Holsapple, 2002): данные, информация, структурированная информация, оценка (понимание, insight), суждение (judgment), решение (decision).

В результате анализа сделан вывод о необходимости в реализации СППР для СЭМ, основанной на знаниях, при этом, учитывая наличие BMS, необходимо использовать модели и методы интеллектуальной обработки информации для извлечения знаний о процессе использования и потребления энергии. Такую СППР будем рассматривать как интеллектуальную систему поддержки при принятии управленческих решений в системах энергетического менеджмента.

Для реализации интеллектуальной поддержки принятия решения следует определить следующие задачи обработки данных: задача прогнозирования потребления энергии (электроэнергии и газа) с учетом специфики исследования, задача выявления пропусков и выбросов в данных.

{ Модели и методы ППЭЭ

( Модели к методы машинного обучения i

Однофекторные методы Ммогофакгорные__ Нейронные сети Метод опорные Сета Евйеса Гибридные мйдепи

I-с—=1 "Г г~~| " Г" ~ —JäHf»— " ~

ARIMA Экспоненциального AR1MAX Метод Коннектиаистасн» I

Т~~" сглаживания _Фаршра__ »аопюционкы* Метод спорной

SARIMA I--1-—1 ....... " .....Я»№-------РЧИЖ-

Г , Holt-Winter» SESM DESM TESM

OSARIMft TSARIMA

Рисунок 1. Иерархия моделей и методов прогнозирования потребления энергии

Модели и методы прогнозирования потребления электроэнергии и газа. Формально задачу прогнозирования потребления энергии можно свести к задаче прогнозирования временного ряда. Выделены следующие группы моделей и ме-

тодов прогнозирования: статистические и основанные на машинном обучении. Схема моделей и методов, рассматриваемых в рамках данного исследования представлена на рисунке 1.

Таблица 2. Перечень основных оценок ошибок прогнозирования количественными моделями1.

Название Формула расчета

Средняя абсолютная ошибка (Mean Absolute Error, МАЕ) MAE = ~Y\e\ = mear\e,\, где e, = {y, -/(m>). rae y, - из- Yl /=! t=\,n меренное значение в момент времени t, - прогнозное значение в момент времени /, полученное в результате использования исследуемой модели прогнозирования т.

Средняя квадратичная ошибка (Root Mean Square Error, RMSE) RMSE = ) = ^rnean{e;)

Средняя абсолютная процентная ошибка (Mean Absolute Percentage Error, МАРЕ) ШРЕЛ^Ш-\р\=теагк00-\р\),Г№ PtJÁ П /=1 '=>." 11 у/

Симметричная средняя абсолютная процентная ошибка (Symmetric Mean Absolute Percentage Error, sMAPE) sMAPE = ^¿200 ■ \s¡\ = meanil00 • \s.\), гдe í = , N iy.+f.)

Средняя относительная абсолютная ошибка (Mean Relative Absolute Error, MRAE) Q MRAE = mean\r\ »где r = 7--—r (y,-/:)

Средняя абсолютная масштабированная ошибка (Mean Absolute Scaled Error, MASE) MASE = mean\q.\, í—t,n ' '' Iе'1 где q, = ——J-J- У,-\ П- 1/.2

Относительная средняя абсолютная ошибка (Relative Mean Absolute Error, RelMAE) D \ AЛ T? MAE КМАЬ= где МАЕ и МАЕ средние абсолютные МАЕ ошибки для анализируемой модели прогнозирования и базовой модели соответственно

Интегральные оценки Integral Normalized Mean Square Error inRSE = ¡meante') /•i

Учитывая специфику объекта исследования, рассмотрены подходы к автоматическому прогнозированию энергии (например, Нупёшап (2008), ЯеПу (2012). Как правило, такие концепции включают последовательное выполнение следующих шагов: (1) формирование набора возможных моделей (как правило, основанных на АШМА, ЕТ8); (2) формирование набора критериев качества, (3) настройку моделей и формирование прогноза для тестовой выборки данных, (4) расчет оши-

1 Полный перечень приведен в диссертации.

бок прогнозирования в соответствии с выделенными критериями качества и (5) выбор наилучшей модели. Однако следует выделить ключевые проблемы: (1) выбор и настройка моделей требует значительного времени, (2) модель, применяемая для данного набора данных может быть неэффективной (с точки зрения оценки ошибки прогнозирования) для другого набора, (3) точность модели может изменяться в зависимости от примененной оценки ошибки прогнозирования.

Рассмотрены оценки ошибок прогнозирования количественными моделями (см. таблицу 2). К настоящему времени выделяют достаточно большое количество оценок ошибок прогнозирования (De Gooijer, Hyndman, 2006). В связи с тем, что каждая оценка ошибки прогнозирования обладает недостатками, которые могут приводить к неточному определению качества прогнозирования, невозможно выделить один универсальный критерий. В связи с этим можно сформулировать научную проблему создания подхода для выбора приемлемой оценки (или оценок) для рассматриваемой предметной области в условиях множества объектов прогнозирования, множества моделей прогнозирования и множества оценок ошибок прогнозирования.

Подходы к выявлению выбросов в энергетических данных. Для решения задачи идентификации выбросов в энергетических данных были выделены два типа выбросов (Chandola V.) . Первый тип - значение не подчиняется закону распределения рассматриваемой случайной величины. Второй тип выбросов -значение является аномальным в определенном контексте. Формально, можно использовать подходы выявления выбросов во временных рядах при неизвестном законе распределения случайной величины. Методы выявления выбросов во временных рядах достаточно широко освещены в литературе и могут быть включены в один из следующих классов: подходы, основанные на алгоритмах обучения с учителем (supervised scenario), без учителя (unsupervised scenario) и смешанный вариант (semi-supervised scenario). Так как достаточно сложно привлекать эксперта для маркирования данных, то сделан вывод об использовании подходов основанных на обучении без учителя.

В третьей главе описаны предлагаемые методы интеллектуальной поддержки при принятии управленческих решений в системах энергетического менеджмента. Исходя из разработанной схемы ППР в СЭМ можно представить методику интеллектуальной поддержки как взаимосвязь моделей и методов, формирующих единую методику (рисунок 2).

Метод оценки энергетической результативности. Для оценки энергетической результативности предлагается метод, основанный на расчете системы показателей (индексов) энергетической эффективности. Рассмотрим предлагаемые индексы.

ЕпР1г- индекс эффективности потребления электроэнергии. Индекс определяется как отношение:

EnPI, = (а ■ HDDcur + b)/(Ecur) (6)

где Есиг - потребление энергии в рассматриваемый период времени, нормализованное по градусо-дням отопления (heating degree day, HDD), HDDcur- градусо-дни отопления в рассматриваемый период, а,Ъ - коэффициенты линейной регрессии, полученные в результате аппроксимации потребления энергии в прошедший период времени Eref , нормализованного по градусо-дням отопления HDDref

Eref = а ■ HDDref + b При этом, HDD = - xt) если xb > xh х,- - средняя температура в течение

дня, хь - базовая температура2, п - число дней в рассматриваемом периоде.

¡Методы оценки энергетической] результативности

Методы поддержки принятия решения

Формирование структурированной информации (отчетов)

' Г Формировать *! автоматических \ управляющих воздействий

Г Модели и методы интеллектуальной обработки данных

Методы и технологии сбора данных

„.использует____^

■ - -включает —

Методы выявления и заполнения пропусков в данных

Методы идентификации выбросов в данных

потребпения электроэнергии

Модели прогнозирования

потребления газа в системах климат контроля

Рисунок 2. Методика интеллектуальной поддержки при принятии решении

Такой показатель способен отобразить деградацию СКК, неоптимальное использование энергии (например, небрежное отношение к расходу энергии) или как следствие качество СЭМ.

ЕпР1г- индекс, характеризующий качество энергетического менеджмента. Индекс рассчитывается как отношение числа дней П-ге/ с наибольшим «нерациональным» потреблением энергии в течение прошедшего (базового) периода к числу дней псиг с

наибольшим «нерациональным» потреблением энергии в рассматриваемый пери од:

_ flref

(7)

EnPI2 =

2 TLr

Lcur

ЕпР13 - индекс эффективности потребления электроэнергии в часы, когда здание не используется. Индекс определяется следующим отношением:

2 в диссертации базовая температура принимается равной 18°С

13

ЕпР13

: (Еореп + ЕС10ве) \Eclose

(Ерреп\

Ег1о5е'

.+ Е,

ореп "Т" и,с1о$е)сиг

/Ерреп\

X

(8)

геГ ге//' V ..........'сиг сигу

где Еореп - потребление электроэнергии в часы работы здания, Ес1ове - потребление электроэнергии в часы, когда здание не используется.

КР1х - индекс дискомфорта, определяемый как

!(.хтт ~ х1~)> если XI < Хт1п (*( - Хтах), если Х1 > Хтах (9)

О, если х1 > хЫп их; < хтах где х- температура внутри помещения и хт1п = 20°С, хтах = 23°С.

Метод прогнозирования потребления электроэнергии в автоматическом режиме. В основу метода положены исследования по автоматическому прогнозированию и интеллектуальной обработке потоков сенсорных данных. Спецификой данного метода является адаптация к решению задачи прогнозирования (0 для множества объектов, (П) при наличии множества моделей прогнозирования, (ш) в условиях изменения набора входных данных, (¡V) ограничения по времени формирования прогноза.

Схематично метод представлен на рисунке 3.

модели прогнозирования прогнозирования

Заполнение пропусков в данных

формирование прогноза на тестовом интервале прогнозирования

Формирование прогноза для заданного интервала прогнозирования

Настройка моделей прогнозирования

оценки ошибок прогнозирования

выбор наилучшей модели

Рисунок 3. Схема метода автоматического прогнозирования

В качестве моделей прогнозирования используются следующие3: наивная4 (nm), простая средняя (sam), нейросетевая модель на базе многослойной полносвязанной нейронной сети (mnn), эволюционные нейросетевые модели (епп), ансамбли нейронных сетей (emnn) а также прогнозные модели, усредняющие результаты других моделей прогнозирования (am).

В качестве входных переменных могут быть использованы: (i) значения потребления электроэнергии в предыдущие моменты времени, (и) значения статуса использование здания (открыто/закрыто), (iii) температура воздуха.

Так как все существующие оценки ошибок прогнозирования (ОП) имеют недостатки, проявляющиеся на рассматриваемых данных, то для выбора оптимальной модели предлагается следующий оригинальный метод, сравнивающий результаты прогнозирования, полученные с использованием различных моделей и с использованием различных оценок ошибок прогнозирования.

Шаг 1. Расчет абсолютной ошибки прогнозирования для каждого из методов и формирование гиперкуба НС1 с измерениями <людели, здания>.

Шаг 2. Разбиение горизонта прогнозирования на п интервалов (короткие интервалы прогнозирования, КИП) с постоянной длиной h.

Шаг 3. Расчет значений ошибок прогнозирования ае с применением различных ОП на каждом коротком интервале наблюдения. В результате формируется гиперкуб НС2 с измерениями <модели, ОП, здания, КИП >. Если в результате расчета ае возникает исключение (например, деление на ноль), то значение ае маркируется как «undefined». Таким образом, гиперкуб НС2 включает элементы (факты), принимающие как действительные значения, так и значения «undefined>>.

Шаг 4. Расчет интегральной ошибки. Для получения одного значения ошибки требуется выполнить свертку фактов:

4.1. по значениям «КИП», в результате чего получается гиперкуб НСЗ с элементами < модели, ООП, здания>.

4.2 по значениями «здания» , в результате чего получается гиперкуб НС4 с элементами < модели, ООП >.

Так как гиперкуб НС2 может включать значения, обозначенные как «undefined», то это делает невозможным расчет интегральной (средней) ошибки прогнозирования. В качестве альтернативы предлагается подход, основанный на разбиении значений ошибок прогнозирования на п интервалов (классов) длиной Ак и присвоения классам весов w (штрафы). При этом все неопределенные значения «помещаются» в один класс. Если такой класс имеет максимальный штраф, то он включает значения с максимальной ошибкой прогнозирования и неопределенные

полное описание моделей (входные, выходные переменные, параметры модели, задаваемые априорно) приведено в диссертации,

используется в качестве базисной (эталонной) модели.

значения. В работе предлагается два варианта разбиения на классы, при которых значение Дк либо постоянное (линейное разбиение):

Ак = Хтах ~ ХтЫ (10)

п

или не постоянное (нелинейное разбиение):

&кр=-ра (11) р п

где р = 1, ...,п. В случае, когда в данных имеются выбросы (как правило, представляющие собой значения, в несколько раз превышающие допустимый максимум), то целесообразно использовать разбиение (11).

Шаг 5. Выбор лучшей модели прогнозирования осуществляется на основании минимального интегрального значения ошибки из гиперкуба НС4.

Шаг 6. Проверка на согласованность различных оценок ошибок прогнозирования. Данный шаг предназначен для анализа противоречий - когда значение ошибки прогнозирования согласно одной ООП ниже или выше значения ошибки прогнозирования, рассчитанной с использованием другой ООП. Такие ситуации будем рассматривать как «пересечения» («crossovers»).

Метод прогнозирования потребления газа. При применении существующих моделей и методов прогнозирования к прогнозированию потребления газа в зданиях ошибка прогнозирования достигала достаточно больших значений. Это обуславливается особенностью функционирования систем отопления, потребляющих газ. В предлагаемом подходе используется процедура свертки данных (например, переход от 15 минутных наблюдений к часовым) и включение данных о внешних факторах (статус (открыто здание или закрыто), температуру окружающего воздуха). В ходе реализации метода выбирается модель в соответствии с имеющимися в базе данных данными. Так можно выделить стадии: (1) прогноз формируется только на основании информации о потреблении газа, (2) к модели добавляется информация о статусе здания (открыто оно или закрыто), (3) к модели добавляется информация о температуре окружающего воздуха, на основании которых рассчитывается значение HDD. Схема предлагаемого метода представлена на рисунке 4.

Метод идентификации выбросов в данных. Для идентификации выбросов в данных предлагается метод, использующий модель прогнозирования и алгоритм определения порога допустимых значений основанных на расчете ошибки обучения моделей. Схема метода представлена на рисунке 5. Основным назначением данного метода является обнаружение выбросов различных типов в системах мониторинга в рамках СЭМ.

Рисунок 4 Схема метода прогнозирования газа.

Метод использует модели краткосрочного прогнозирования наблюдаемой величины на основе исторических данных. Одновременно с получением очередного значения с сенсора, формируется прогноз этого значения. Оба этих значения передаются на вход механизма идентификации выбросов I типа. Если наблюдаемая величина в потоке сенсорных данных значительно отличается от прогнозной, т.е. ошибка между этими величинами превышает рассчитанный порог ошибки (12), то принимается решение о том, что наблюдаемая величина является выбро-

сом.

Для определения порога предлагается следующая схема. В процессе обучения (стохастического в случае нейронных сетей) и тестирования, рассчитывается значение среднеквадратичной ошибки на заданном временном интервале размером £>.

ЧтЫь-'У

где е - абсолютная ошибка прогнозирования, м - средняя абсолютная ошибка на интервале [г - £> +1, г -1], где В - величина окна. На основе априорно заданных величин окна Д уровня значимости а, а также полученного среднеквадратичного отклонения ошибок обучения и тестирования рассчитывается значение порога

в,=а-а, (11)

Для полученного очередного значения из потока и его прогнозного значения рассчитывается абсолютная ошибка. Далее осуществляется проверка условия

е,в[И-е„ц + в] (12)

Если выявлен выброс I типа, то далее используется процедура идентификации выбросов II типа, проверяющая относится ли наблюдаемый выброс к кластеру со значениями отмаркированными как выбросы I типа или выбросы II типа. Если в кластере находятся заданное число т выбросов I типа, то они маркируются как выбросы II типа. Кластеризация осуществляется с использованием алгоритма к - means. При идентификации выброса того или иного типа формируются соот-

Для определения качества метода обнаружения выбросов используются следующие оценки: истинно-положительная TP — выброс классифицирован корректно как выброс; ложно-положительная FP — корректное значение классифицировано как выброс; ложно-отрицательная FN - выброс классифицирован как корректное значение и истинно-отрицательная TN — корректное значение классифицировано как корректное значение. На основе указанных оценок определяются интегральные оценки Рисунок 5. Схема метода идентификации выбросов I и II качества идентификации: типов. достоверность (accuracy),

точность (precision), полнота (recall) и F1 - мера (мера Ван Ризбергена). Т.к. спецификой данной работы является расширение процедуры выявления выбросов на идентификацию выбросов и аномалий, то целесообразно разделить оценки корректной идентификации аномалий среди выбросов: ТРО - выброс I типа идентифицирован корректно как выброс I типа, TP А - выброс II типа идентифицирован корректно как выброс II типа, FOAR - выброс I типа идентифицирован как выброс II типа, FAOR - выброс II типа идентифицирован как выброс I типа.

ветствующие сообщения пользователю системы.

Рисунок б Годовое потребление электроэнергии коммерческим зданием (кВт).

В четвертой главе представлены результаты реализации и испытания предлагаемых подходов, также архитектура СППР в СЭМ и показана экономическая эффективность предлагаемых подходов.

Для реализации методов интеллектуальной поддержки при принятии управленческих решений было разработано соответствующее программное обеспечение (технология .NET, язык программирования С#).

Результаты испытания предлагаемого метода прогнозирования электроэнергии. Эксперименты включали в себя различные наборы данных о потреблении электроэнергии в зданиях в интервале с 01-01-2010 00:00:00 по 31-12-2012 23:45:00. Интервал наблюдения соответствует 15 минутам.

Годовое потребление электроэнергии в коммерческом здании представлено на рисунке 6. Кроме потребления энергии (далее переменная «энергия», кВт) для каждого здания имелась информация о времени открытия / закрытия (далее, переменная «статус» принимающая значение 0 - если здание закрыто, 1 - если здание открыто), информация о внешних погодных факторах (переменные «температура» (°С)~

Таблица 3 Выборочные результаты прогнозирова-

ния потребления электроэнергии

№ Модель MAE RMSE MAPE sMAPE

пт 37,39 79,53 77.26 15,67

sam 15,92 40,24 27,9 8,39

sams 9,4 25,3 12,98 5,27

тпп 18,95 42,35 24,66 9,44

1 mnns 14,87 36,11 27,34 7,72

mnnst 14,91 35,2 25,87 7,8

mnndw 15,39 31,43 25,04 10,62

emnns 10,91 26,4 14,32 7,01

emnnst 18,24 50,25 39,54 18,61

am 9,67 25,02 13,08 5,86

nm 24,43 45,98 35,79 11,1

sam 25,28 57,71 19,9 10,46

sams 8,16 15,26 12,59 4,59

mnn 29,64 65,67 19,9 12,3

1 mnns 17,74 39,18 13,35 6,86

mnnst 18,38 39,78 14,36 7,2

mnndw 16,07 33,81 16,37 7,88

emnns 9,57 18,59 10,08 5,03

emnnst 11,09 20,28 13,19 5,5

am 7,87 13,73 10,32 4,49

температура окружающего воздуха). Таблица 3 содержит выборочные результаты 2-х экспериментов прогнозирования (для тестовой выборки с 01.11.2012 0:00:00 по 14.11.2012 23:45:00). Следует отметить, что в результате экспериментов лучшими моделями прогнозирования (в зависимости от здания, ОП) являлись средние модели с учетом статуса (£ат.у), ансамбли нейронных сетей (етида) и модели, усредняющие прогнозные значения других моделей (ат).

Результаты испытания метода прогнозирования потребления газа представлены в таблице 4. Сравнение прогнозных и реальных значений потребления газа представлены на рисунке 7. При включении переменной, характеризующей статус в модель прогнозирования, ошибка прогнозирования уменьшилась в сред-

Испытание метода идентификации выбросов в данных. Испытание предложенного метода идентификации выбросов I и II типов проводилось в системе автоматического учета потребления электроэнергии и супервизорно-го управления СКК.

Исходя из свойств сезонности было принято решение о формировании ансамбля нейронных сетей (96 прогнозных моделей) и выполнение кластеризации 96 выборок данных. Так первая выборка включала значения потребления в 00:15 минут для всего интервала наблюдения, вторая в 00:30 минут и так далее. Для проверки эффективности метода подготовлены два тестовых примера, в которых экспертом были отмечены выбросы различных типов. Первая - выборка данных состоит из 1728 значений. Число выбросов I и II типов определенных экспертом соответственно 4 и 246, всего 250 значений (14.47 %). Для обучения использовалась выборка из 672 значений. Вторая выборка данных представляла собой временной ряд из

нем на 28%, при включении данных о HDD на 31%.

Таблица 4. Результаты прогнозирования потребления газа

" "----^Ошибка Переменные —---_____ RMSE

ml m2

Gc 4.470 3.333

Gc, Status 3.250 2.387

Gc, HDD 4.650 3.193

Gc, Status, HDD 3.141 2.236

Прогнозирование потребления газа

25 —.—.——--------------—---------------

Измеренное »иугеннв -ml(Se,3tetus. НПО; .....m2[Gc.. Status, HDD)

Рисунок 7. Результаты прогнозирования потребления газа различными моделями.

2688 значений. Число выбросов I и II типов определенных экспертом составляло соответственно 2 и 118, всего 120 значений (4.46 %). Для обучения использовались 1632 значения. Выборочные результаты представлены в таблице 5.

Таблица 5. Выборочные результаты применения алгоритма выявления выбросов

Экс-

перимент TP FP TN FN ТРО ТРА

2.1 119 52 500 1 1 117

2.11 114 9 543 6 1 112

2.12 115 13 539 5 1 114

2.13 115 13 539 5 0 113

FOAR

FAOR

0.998 0.991 0.992 0.992

0.696 0.927 0.898 0.898

R

0.992 0.95

0.958 0.958

F1

0.818 0.938

0.927 0.927

Поддержка при принятии управленческих региений. Для реализации методов интеллектуальной поддержки принятия решений предложена новая архитектура системы поддержки принятия решений в СЭМ зданий (см рисунок 8). В результате функционирования системы формируются (i) отчеты, включающие значения ПЭнР и структурированную информацию: прогноз потребления, число выявленных пропусков в данных, число выявленных выбросов, на основе которых осуществляется формирование управленческих решений и (ii) управляющие воздействия на систему климат контроля (СКК), реализующие включение и выключение СКК в рассчитанный период времени. Разработанные подходы позволяют оценивать эффективность СЭМ на основании ПЭнР, а принятие решения по техническому обслуживанию может предотвратить дальнейшую потерю энергии. Распространение такой информации среди людей (в том числе и ответственных за энергетический менеджмент) способно привести к положительному социальному эффекту, что способствует сокращению электроэнергии на 10 - 15%.

Показано, что с использованием предложенных подходов в коммерческих зданиях, повышение эффективности СЭМ достигает 20%, таким образом можно сделать вывод о достижении поставленной в диссертации цели. Если выбрать здание площадью 3000 м2, для которого расходы на потребление электроэнергии составляют 800 000 рублей в год, эксплуатационные расходы на СЭМ 80 000 рублей в год, а инвестиции на внедрение мероприятий по усовершенствованию СЭМ 100 000 рублей, то окупаемость инвестиций составит 1 год. Системы сбора информации могут быть использованы для реализации протокола International performance measurement and verification protocol (IPMVP) . Кроме этого данные мо-iyr быть использованы в рамках реализации проекта Energy Conservation Measures (ЕСМ) выполняемого Энергетическими сервисными компаниями (Energy Service Companies, ESCO). Разница между прогнозируемым потреблением электроэнер-

гии (и/или газа) или реальным может быть использована для формирования соглашения по оценки реального сбережения энергии.

Пользователь 1 Пользователь 2 Пользователь п

Рисунок 8. Архитектура предлагаемой системы энергоменеджмента зданий

В заключение приводятся основные результаты, полученные в процессе проводимых исследований, и делаются соответствующие выводы.

Основные результаты по работе

Главным результатом работы является повышение эффективности управления энергетическими системами в реальных зданиях, выражаемое в снижении расходов на потребление энергии до 20% при неизменном уровне комфорта. Получены следующие основные результаты.

1. Выполнен анализ системы энергетического менеджмента зданий и выделены проблемы, связанные с управлением СЭМ при достижении энергетических целей.

2. Формализован процесс поддержки принятия решения в СЭМ, направленный на достижение формализованных энергетических целей.

3. Разработаны методы интеллектуальной поддержки при принятии управленческих решений в СЭМ, учитывающие специфику предметной области.

4. Разработаны алгоритмы методов как математическое обеспечение систем интеллектуальной поддержки при принятии решения в системах энергетического менеджмента зданий.

5. Проведены испытания предлагаемых методов интеллектуальной поддержки принятия решений и оценена их эффективность в СЭМ.

Основные публикации по теме диссертации

Статьи в журналах, рекомендованных ВАК (1 индексирована в SCOPUS)

1. Using connectionist systems for electric energy consumption forecasting in shopping centers / B.A. Камаев, M.B. Щербаков, Д.П. Панченко, Н.Л. Щербакова, А. Бребельс // Automation and Remote Control. - 2012. - Vol. 73, № 6. - C. 1075-1084. - Англ. (оригинальная публикация Применение коннективистских систем для прогнозирования потребления электроэнергии в торговых центрах / В.А. Камаев, М.В. Щербаков, Д.П. Панченко, H.JI. Щербакова, А. Бребельс // Управление большими системами : сб. тр. / Ин-т проблем управления им. В.А. Трапезникова РАН. -2010.-Вьш. 31.-С. 92-109.)

2. Щербаков, М.В. Методика выбора значимых параметров для краткосрочного прогнозирования энергопотребления / М.В. Щербаков, H.JI. Щербакова, А. Бребельс // Изв. ВолгГТУ. Серия "Актуальные проблемы управления, вычислительной техники и информатики в технических системах". Вып. 9 : межвуз. сб. науч. ст. / ВолгГТУ. - Волгоград, 2010. - № 11. - С. 68-71.

3. Специфика применения интеллектуальных моделей анализа данных для повышения энергетической эффективности / М.В. Щербаков, Н.Л. Щербакова, Д.П. Панченко, А. Бребельс, А.П. Тюков, М.А. Аль-Гунаид // Изв. ВолгГТУ. Серия "Актуальные проблемы управления, вычислительной техники и информатики в технических системах". Вып. 9 : межвуз. сб. науч. ст. / ВолгГТУ. - Волгоград, 2010. - № И. - С. 72-76.

4. Камаев, В.А. Интеллектуальные системы автоматизации управления энергосбережением / В.А. Камаев, М.В. Щербаков, А. Бребельс // Открытое образование. - 2011. - № 2. - С. 227-231.

5. Методика выявления потенциала энергосбережения на основе интеллектуального анализа данных / М.В. Щербаков, Т.А. Яновский, А. Бребельс, Н.Л. Щербакова // Прикаспийский журнал: управление и высокие технологии. - 2011. - № 2. - С. 51-55.

6. Тюков, А.П. Архитектура централизованной системы управления системами контроля микроклимата в коммерческих зданиях / А.П. Тюков, В.А. Камаев, А. Бребельс // Известия ВолгГТУ. Серия «Актуальные проблемы управления, вычислительной техники и информатики в технических системах». Вып. 14 : межвуз. сб. науч. ст. / ВолгГТУ. - Волгоград, 2012. - № 10 (97).-С. 101-105.41.

Статьи в сборниках научных трудов и периодических изданиях (2 в трудах конференций, индексируемых в SCOPUS)

7. Anton Tyukov, Adriaan Brebels, Maxim Shcherbakov, and Valeriy Kamaev. 2012. A concept of web-based energy data quality assurance and control system. In Proceedings of the 14th International Conference on Information Integration and Web-based Applications & Services (IIWAS '12). ACM, New York, NY, USA, 267-271.

8. Тюков, А.П. Automatic two way synchronization between server and multiple clients for HVAC system / А.П. Тюков, М.В. Щербаков, А. Бребельс // The 13th International Conference on Information Integration and Web-based Applications & Services (ÜWAS2011), Ho Chi Minh City, Vietnam, December 5-7, 2011 : proceeding / Association for Computing Machinery. - Ho Chi Minh, 2011.-P. 467-470.-Англ.

9. Brebels A., Shcherbakov M. (2011) Calculation method for the selection of the best scale- and domain- independent forecast model In The 31st Annual International Symposium on Forecasting (ISF 2011), 26-29 June, 2011, Prague, ISSN 1997-4, pp. 157.

10. Бребельс, A. Developing energy data management system = Разработка системы управления энергопотреблением / А. Бребельс, А. Блазовски, А.П. Тюков // Инновационный потенциал модернизации и диверсификации кооперативного сектора экономики : сб. науч. ст. проф.-

препод, состава по итогам междунар. науч.-практ. конф. (г. Волгоград, 24 марта 2011 г.) / Центросоюз РФ, Рос. ун-т кооперации, Волгогр. кооперативный ин-т (филиал). - Волгоград, 2011. -С. 274-279 (279-284). - Парал.: англ., рус.

11. Shcherbakov М., Brebels А. (2011) Outliers and anomalies detection based on neural networks forecast procedure In The 31st Annual International Symposium on Forecasting (ISF 2011), 26-29 June, 2011, Prague, ISSN 1997-4, pp. 21. http://ww.forecatfers.org/isf/pdfsflSFl 1 J>roceedings.pdf

12. Mathematical and statistical framework for comparison of neural network models with other algorithms for prediction of energy consumption in shopping centres / А. Бребельс, B.A. Камаев, M.B. Щербаков, Д.П. Панченко, А.П. Тюков // Информационные технологии в науке, образовании, телекоммуникации и бизнесе (IT+SE'10). Майская сессия (Украина, Крым, Ялта-Гурзуф, 20-30 мая 2010 г.) : матер. XXXVII междунар. конф. и дискуссионного науч. клуба : прилож. к журн. "Открытое образование" / РАН [и др.]. - Б/м, 2010. - С. 96-97,- Англ.

13. Тюков, А.П. Автоматизированный комплекс для повышения энергоэффективности _/ А.П. Тюков, А.В. Петрухин, А. Бребельс // Информационные технологии в образовании, технике и медицине : матер, междунар. конф., 21-24 сент. 2009 / ВолгГТУ [и др.]. - Волгоград, 2009. - С. 76.

14. Intelligent controller for hybrid renewable energy system based on multi-agent and embedded technology / А.П. Тюков, А.Ю. Ужва, M.B. Щербаков, A. Dobrowolski, А. Бребельс // Artificial Intelligence Applications to Business and Engineering Domains / ed. by G. Setlak, K. Markov. - Rzes-zow; Sofia : ITHEA, 2011. - P. 46-52. - Англ.

.15. Multiagent smart-grid management system / А.П. Тюков, B.A. Камаев, M.B. Щербаков, A. Бребельс, А.Ю. Ужва // Proceedings of the Congress on intelligent systems and information technologies "IS&IT'll". Vol. 4 : [аннот. докл.] / SFU [et al.]. - Moscow, 2011. - C. 90-91. - Англ. (Муль-тиагентная система интеллектуального управления гетерогенной энергосетью / А.П. Тюков, В.А. Камаев, М.В. Щербаков, А. Бребельс, А.Ю. Ужва // Труды Конгресса по интеллектуальным системам и информационным технологиям "IS&IT'll" (Дивноморское, 2-9 сент. 2011 г.). В 4 т. Т. 1 : докл. секций междунар. науч.-техн. конференций "AIS'11" и "CAD-2011" / ФГОУ ВПО "Южный федеральный ун-т" [и др.]. - М., 2011. - С. 221-227.)

16. Щербаков, М.В. Опыт международного взаимодействия в инновационных проектах в энергетике / М.В. Щербаков, А. Бребельс, А.П. Тюков IITOUR-XXI: модернизация образования в туризме и академическая мобильность - международный опыт : матер, междунар. науч.-практ. конф. с элементами науч. школы для молодёжи (г. Астрахань, 1-2 ноября 2011 г.) / Программа Tempus Европейского союза, Астраханский гос. ун-т [и др.]. - Астрахань, 2011. - С. 217-219.

17. Система торговли электроэнергией в энергосетях будущего / А.П. Тюков, М.В. Щербаков, А. Бребельс, А. Добровольски, А.Ю. Ужва // Новые информационные технологии : тез. докл. XIX междунар. студ. конф.-школы-семинара, май 2011г./ Моск. гос. ин-т электроники и математики (техн. ун-т) [и др.]. - М., 2011. - С. 284-285.

18. Multiagent smart-grid management system / А.П. Тюков, B.A. Камаев, M.B. Щербаков, A. Бребельс, А.Ю. Ужва // Proceedings of the Congress on intelligent systems and information technologies "IS&IT12". Vol. 4 : [аннот. докл.] / SFU [et al.]. - Moscow, 2012. - C. 46. (Мультиагентная система интеллектуального управления гетерогенной энергосетью / А.П. Тюков, В.А. Камаев, М.В. Щербаков, А. Бребельс, А.Ю. Ужва // Труды конгресса по интеллектуальным системам и информационным технологиям "IS&IT'12" (Дивноморское, Краснодарский край, 2-9 сент. 2012 г.). В 4 т. Т. 1 : тр. конф. "Интеллектуальные системы ' 12" и "Интеллектуальные САПР - 2012" / ЮФУ [и др.]. - М„ 2012. - С. 250-257.)

Подписано в печать -/3, ¿>2.2013 г. Заказ № 90 . Тираж 100 экз. Печ. л. 1,0 Формат 60 х 84 1/16. Бумага офсетная. Печать офсетная.

Типография ИУНЛ Волгоградского государственного технического университета. 400005, г. Волгоград, пр. им. В.И. Ленина, 28, корп. 7.

Волгоградский государственный технический университет

На правах рукописи

Бребельс Адриан

04201357453

Методы интеллектуальной поддержки при принятии управленческих решений в системах энергетического менеджмента

Специальности: 05.13.01 — Системный анализ, управление и обработка

информации (промышленность) 05.13.10 — Управление в социальных и экономических системах

Диссертация на соискание ученой степени кандидата технических наук

Научный руководитель доктор технических наук,

профессор

Камаев Валерий Анатольевич

Научный консультант

кандидат технических наук, доцент

Щербаков Максим Владимирович

Волгоград - 2013

ОГЛАВЛЕНИЕ

Введение................................................................................................................5

ГЛАВА 1. Проблема поддержки принятия решения в системе энергетического менеджмента....................................................................................9

1.1. Система энергетического менеджмента зданий.................................9

1.2. Формализация и классификация зданий как объектов потребителей энергии. 14

1.3. Автоматизация мониторинга и измерение процессов и ключевых характеристик операций...........................................................................................16

1.3.1. Системы сбора данных...................................................................16

1.3.2. Классификация измеряемых данных............................................20

1.3.3. Автоматизированные системы управления зданиями................28

1.4. Интеллектуальная поддержка при принятии управленческих решений в системах энергетического менеджмента.............................................29

1.5. Результаты и выводы по главе............................................................32

ГЛАВА 2. Обзор подходов поддержки при принятии решений на основе интеллектуальной обработки данных.......................................................34

2.1. Обзор систем поддержки принятия решения...................................34

2.2. Модели и методы прогнозирования потребления электроэнергии и газа. 36

2.3. Обзор оценок ошибок прогнозирования...........................................38

2.3.1. Абсолютные ошибки прогнозирования.......................................39

2.3.2. Процентные ошибки прогнозирования........................................40

2.3.3. Симметричные ошибки прогнозирования...................................41

2.3.4. Ошибки, основанные на оценке прогноза базовых моделей.....42

2.3.5. Масштабированные ошибки прогнозирования...........................43

2.3.6. Относительные оценки...................................................................44

2.3.7. Другие группы оценок...................................................................46

2.4. Подходы к выявлению выбросов в энергетических данных...........49

2.5. Результаты и выводы по главе............................................................52

ГЛАВА 3. Разработка методов интеллектуальной поддержки при принятии управленческих решений в системах энергетического менеджмента

54

3.1. Методика интеллектуальной поддержки при принятии управленческих решений в системах энергетического менеджмента................54

3.2. Метод оценки энергетической результативности...........................55

3.3. Модели и методы интеллектуальной обработки данных................57

3.3.1. Метод прогнозирования потребления электроэнергии в автоматическом режиме.......................................................................................57

3.3.2. Метод прогнозирования потребления газа..................................66

3.3.3. Метод идентификации выбросов в данных.................................70

3.4. Методы поддержки приятия решения...............................................76

3.4.1. Формирование отчетов со структурированной информацией для поддержки принятия решения.............................................................................76

3.4.2. Формирование управлений СКК в автоматическом режиме.....79

3.5. Результаты и выводы по главе............................................................82

ГЛАВА 4. Реализация методики поддержки принятия решения в виде

программного комплекса..........................................................................................84

4.1. Испытание предложенных моделей и методов интеллектуальной обработки данных и обоснование их эффективности...........................................84

4.1.1. Результаты испытания предлагаемого метода прогнозирования электроэнергии......................................................................................................84

4.1.2. Результаты испытания метода прогнозирования потребления газа 95

4.1.3. Испытание метода идентификации выбросов в данных............99

4.2. Архитектура системы поддержки принятия решения...................107

4.3. Примеры расчета показателей энергетической эффективности... 112

4.4. Экономическая эффективность предлагаемых решений...............118

4.5. Результаты и выводы по главе..........................................................120

Заключение.......................................................................................................122

Список литературы........................................................................................ 123

Приложение А. Потребление электроэнергии в коммерческих зданиях (2010-2012)...................................................................................................................136

Приложение Б. Результаты прогнозирования потребления энергии.. 145

ВВЕДЕНИЕ

Актуальность темы. Вопросы энергетической безопасности являются критическими для любой страны мира. В настоящее время наблюдается устойчивый рост потребления электроэнергии (см. отчеты [1]). При этом возрастающие риски техногенных катастроф приводят к закрытию генерирующих энергию объектов и к поиску новых источников энергии. В связи с этим, повышение энергетической эффективности и оптимального потребления энергии являются крайне актуальными задачами.

Для повышения энергетической эффективности в различных областях разрабатываются энергетические политики и реализуются мероприятия по энергосбережению. Такая система, объединяющая взаимосвязанные элементы, используемые для разработки и внедрения энергетической политики, процессов и процедур достижения энергетических целей получила название "система энергетического менеджмента" (или система энергоменеджмента, СЭМ) [2]. Однако существующие модели СЭМ носят обзорный характер и включают только общие рекомендации по заданию энергетических целей и планированию мероприятий энергетического менеджмента для их достижения.

При реализации СЭМ осуществляется процесс принятия решения (ППР) по выработке и реализации мероприятий направленных на достижение экономической результативности. Теоретические положения теории принятия решения и разработки систем поддержки принятия решения на основе интеллектуального анализа данных и зданий отражены в работах Петровского А.Б., Ларичева О.И., [3], Пупкова К.А. [4] , Armstrong S. [5], Power D., [6], Bennet A., [7], Er M., Druzdzel M., Flynn R., [8] Holsapple C. [9], Averweg U.[10]. Следует отметить труды в области энергетики таких отечественных и зарубежных ученых как Вагин В.Н., Меламед A.M., Макоклюев Б.И., Baker A.B., Weron R., Taylor J.W., Espasa A, Deconinck G, Helsen L., Hyndman RJ и других [11, 12, 13, 14, 15].

Однако фактически задача принятия решения в СЭМ является трудноформализованной и слабоструктурированной и в связи с этим можно

обозначить возникшую научно-техническую проблему поддержки при принятии управленческих решений в СЭМ.

Цели и задачи работы. Целью работы является повышение эффективности СЭМ, выражаемое в достижении энергетической результативности, а именно снижении расходов на потребление энергии при неизменном уровне комфорта или объеме выпускаемой продукции.

Для достижения поставленной цели были сформулированы следующие задачи.

1) Осуществить анализ системы энергетического менеджмента зданий и выде-лить проблемы, связанные с управлением энергетическими системами при достижении энергетических целей.

2) Формализовать процесс поддержки принятия решения в СЭМ, направленный на достижение формализованных энергетических целей.

3) Разработать методы интеллектуальной поддержки при принятии управленческих решений в СЭМ, учитывающие специфику предметной области: множественность объектов, плохие данные, реализация в режиме реального времени.

4) Реализовать математическое обеспечение систем интеллектуальной поддержки при принятии решения в системах энергоменеджмента зданий.

5) Испытать предлагаемые методы интеллектуальной обработки информации и оценить их эффективность.

Объектом исследования является система энергетического менеджмента зданий (СЭМЗ) различных типов.

Предмет исследования - методы поддержки при принятии управленческих решений в СЭМ на основе интеллектуальной обработки данных.

Гипотеза исследования - использование интеллектуальных моделей и методов обработки данных позволит повысить эффективность СЭМ зданий.

Научная новизна заключается в разработке методов интеллектуальной поддержки при принятии управленческих решений в системах энергетического менеджмента, включающих в себя:

1) метод оценок эффективности системы энергетического менеджмента на основе показателей энергетической результативности, позволяющий оценить качество принимаемых решений при управлении энергетическими системами;

2) метод автоматического прогнозирования потребления электроэнергии для множества зданий различных типов, включающий оригинальный алгоритм выбора модели прогнозирования на основе множества оценок ошибок прогнозирования;

3) метод прогнозирования потребления газа в зданиях, основанный на свертке данных и учитывающий различные внешние факторы, позволяющий снизить ошибки прогнозирования;

4) новый метод идентификации выбросов в данных, основанный на моделях прогнозирования и кластеризации данных, позволяющий идентифицировать выбросы различных типов.

Практическая ценность работы заключается в реализации предлагаемых методов в системах EcoSCADA, Data Quality Framework и апробация подходов на реальных объектах - зданиях различного типа в Бельгии и Голландии. Показано, что с использованием предложенных подходов повышение эффективности СЭМ достигает 20%

Апробация. Основные положения и материалы диссертационной работы докладывались на международных научно-технических конференциях: Информационные технологии в образовании, технике и медицине: 21-24 сент. 2009 / ВолгГТУ, Информационные технологии в науке, образовании, телекоммуникации и бизнесе (IT+SE40). Майская сессия (Украина, Крым, Ялта-Гурзуф, 20-30 мая 2010 г.). Инновационные технологии в управлении, образовании, промышленности "АСТИНТЕХ-2010" : матер, междунар. науч. конф. (11-14 мая 2010 г.), Международный симпозиум по прогнозированию ISF'll (Прага, Чехия, 2011), 13 и 14 международные конференции по информационной интеграции и веб-ориентированным приложениям и сервисам iiWAS-2012 (Вьетнам, Декабрь 2012), iiWAS-2013 (Бали, Индонезия, 2013), Применение искусственного интеллекта в инженерии и бизнесе, Жежуф-2012, 20-23 сентября 2012, Конгресс по

интеллектуальным системам и информационным технологиями "IS&ITll" (Дивноморское, 2-9 сент. 2011 г.), Конгресс по интеллектуальным системам и информационным технологиями "IS&IT 12" (Дивноморское, 2-9 сент. 2012 г.), Геленджик. Положения диссертации докладывались на аспирантском семинаре в Католическом Университет г.Левен, Бельгия.

По теме диссертационной работы опубликовано 18 печатных работ [16-33], в том числе 6 публикаций в журналах, рекомендованных ВАК [16-21], 6 публикаций в иностранных изданиях (3 публикации проиндексировано в Scopus).

Личный вклад автора. Личный вклад автора заключается в постановке целей и формулировке задач исследований, разработки методов решения поставленных задач, анализе полученных данных и их интерпретации.

Структура и объём работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы из 112 наименований. Объём диссертации - 135 е., включая 72 рис., 18 таблиц.

ГЛАВА 1. ПРОБЛЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЯ В СИСТЕМЕ

ЭНЕРГЕТИЧЕСКОГО МЕНЕДЖМЕНТА 1.1. Система энергетического менеджмента зданий

Общемировой практикой для инициации мероприятий направленных на повышение энергетической эффективности и снижения энергопотребления при неизменном уровне комфорта является внедрение системы энергетического менеджмента (СЭМ). СЭМ - это набор взаимосвязанных или взаимодействующих элементов, используемых для разработки и внедрения энергетической политики и энергетических целей, а также процессов и процедур для достижения этих целей [2].

Исходя из модели СЭМ, а также на основе методологии, известной как цикл постоянного улучшения (цикл Деминга-Шухарта), процесс ЭМ (энергетического менеджмента) можно представить в виде:

ЕМ = (EP,ED,EC,EA,EPL) (1.1)

где ЕР - процесс энергетического планирования, ED - процесс внедрения и функционирования СЭМ, ЕС - процесс проверки функционирования СЭМ, ЕА -анализ со стороны руководства и принятие действий по постоянному улучшению результативности деятельности в области энергетики и системы энергетического менеджмента в соответствии с энергетической политикой EPL. Функциональная модель СЭМ представлена на рисунке 1, декомпозиция 1 -го уровня представлена на рисунке 2.

В свою очередь процесс ЕР можно представить в виде:

ЕР = (PER, PEBD, PDEnPI, PEA) (1.2)

где PER - проведение энергетического анализа, PEBD — установка или переопределение энергетических базисов, PDEnPI - определение показателей энергетической результативности, PEA - установка энергетических целей и задач и планов мероприятий по энергетическому менеджменту.

В результате проведения процедуры PER: а) определяются потребители электроэнергии

б) определяются потребители значительного количества электроэнергии;

в) определяются направления на достижения энергетической результативности.

Важными задачами являются: анализ потребления в прошлом, сравнение с текущим потреблением (бенчмаркинг), а также прогнозирование потребления будущем.

При определении энергетических базисов необходимо руководствоваться спецификой рассматриваемых объектов - потребителей. В работе в качестве энергетических базисов используются:

- временные интервалы: текущий (анализируемый) интервал обозначается индексом «сиг», базисный, относительного которого осуществляется анализ -индексом «ref».

- градусо-дни отопления (Heating Degree Days) - условная единица измерения снижения средней суточной температуры относительно базовой температуры [34].

Показатели энергетической результативности (ПЭнР) являются частным случаем ключевых показателей (индексов) эффективности (Key Performance Indicator, KPI), определенных для системы энергетического менеджмента. Отметим, что некоторых из них могут косвенно оценивать использование и потребление энергии в здании. Например, отклонение от заданного температурного уровня комфорта в зимний (отопительный) период. Кроме этого, значения ПЭнР могут определяться теоретически на основе имитационного моделирования, в случае реализации этапа проектирования здания.

Следует определять ПЭнР в соответствии со следующими требованиям: (і) имеется количественная (реже качественная) оценка ПЭнР, выражаемая в некоторых единицах измерения; (іі) имеется формула (или объективный метод) для расчета ПЭнР; (ііі) должна иметься возможность расчета ПЭнР в любой момент времени.

Пример ПЭнР - количество расходуемой (потребляемой) электроэнергии в кВт. Метод измерения - измерение потребление электроэнергии счетчиком.

При реализации процедуры PEA осуществляется декомпозиция задач, требующих выполнения для достижения поставленных энергетических целей. Задачи должны быть поставлены с учетом:

- разработанной энергетической политикой предприятия;

- законодательством (федеральным и региональным);

- финансовыми возможностями и инвестиционной политикой предприятия.

Декомпозиция энергетического планирования ЕР в СЭМ представлена на

рисунке 3.

Этап внедрения и функционирования включает мероприятия по реализации энергетической политики и достижения поставленных энергетических целей для достижения энергетической результативности. Особое внимание уделяется настройке процесса обмена информацией и оформления соответствующей документации. При этом должен быть налажен двусторонний способ передачи информации: т.е. «организация должна разработать и внедрить процесс, посредством которого каждый работник, работающий для организации или по ее поручению, мог высказывать свою точку зрения или вносить предложения по улучшению системы энергетического менеджмента».

Процесс ЕС представлен следующим образом:

ЕС = (ММA, ELR, IA, DA, CoR) (1.3)

где ММ А - процедуры мониторинга, измерения и анализа ключевых характеристик операций, определяющих энергетическую результативность, ELR - оценка соответствия деятельности законодательным требованиям, IA - внутренний аудит СЭМ, DA - анализ несоответствий и формирование корректирующих и предупреждающих действий, CoR - управление записями.

Следует отметить, что рекомендации по реализации ЕМ носят рекомендательный характер, и разработка полностью возлагается на организации. Это является критической проблемой сдерживающей продвижение мероприятий по повышению энергетической эффективности.

В процессе мониторинга осуществляется измерение и анализ ключевых характеристик, определяющих ПЭнР

Несмотря на то, что в стандарте [2] нет жестких требований к способам и организации процесса мониторинга за использованием и потреблением энергии, тем не менее существуют определенные тре