Использование нейронных сетей в сфере ЖКХ

Размещено на http://www.allbest.ru/

Использование нейронных сетей в сфере ЖКХ

Родионова Д.Ф.

В статье дается определение нейронной сети, рассматривается общий принцип ее работы. Рассматривается возможность применения нейронных сетей в сфере ЖКХ, а частности для определения необходимого уровня нагрузки на отопительную систему здания.

Ключевые слова: ЖКХ, нейронные сети, отопительные системы

The article gives a definition of a neural network, a general principle of the way it works is considered. The application of neural networks to determine the appropriate load level for the heating system of the building.in the housing sector is described. жилищный коммунальный хозяйство отопление

Keywords: Housing, neural networks, heating systems

При строительстве жилых домов большое значение отдается водоснабжению и отопительной системе. Для оценки расхода энергии и расчета производительности отопительных систем зданий чаще всего используются аналитические программы. Алгоритмы таких аналитических программ как правило включают в себя решение комплексных дифференциальных уравнений. Для использования этих программ требуются большие вычислительные мощности компьютера для того, чтобы получить наиболее точные прогнозы. Данные, относящиеся к построению энергетических систем, обычно не отличаются чистотой выборки, поэтому для их анализа лучше всего подходят нейронные сети.

При проведении анализа и исследований в области построения систем отопления в зданиях наиболее распространенной проблемой является тот факт, что в таком анализе имеется большое количество входных переменных. Для построения адекватной модели и прогноза поведения энергетической системы требуется рассмотрение нелинейных многомерных связей между показателями. Кроме того, производительность энергосистемы здания зависит от условий окружающей среды, которые сильно различаются в разных регионах.

В математической модели, построенной с помощью нейронной сети, можно использовать мощные когнитивные функции нейронов одновременно с возможностью визуализировать результат и использовать его для дальнейшей работы [1]. Основываясь на моделях нейронных сетей, модель функциональных связей входа-выхода может делать прогнозы о других комбинациях входных данных. Нейронные сети имеют потенциал для более быстрого, корректного практичного построения прогноза, чем любые традиционные методы.

Анализ, проводимый с помощью нейронных сетей, основан на предыдущих результатах, выданных системой, и, следовательно, является более понятными и результативным, чем другие теоретические и эмпирические методы.

Искусственная нейронная сеть может использоваться для обеспечения инновационных способов решения проблем проектирования энергетических систем отопления зданий и позволит инженерам получить практически мгновенное экспертное заключение о предлагаемом проекте.

Цель этой статьи - кратко описать работу искусственной нейронной сети и предоставить описание возможного варианта использования искусственной нейронной сети в сфере ЖКХ по обеспечению жилых помещений в многоквартирных домах системами отопления.

Применение искусственных нейронных сетей было успешно реализовано в различных сферах. Нейронные сети также могут использоваться для принятия решений, поскольку они могут создавать модели процесса из многомерных данных, регулярно собираемых из различных источников. В качестве источников данных для управления системой отопления в жилом (в том числе, многоквартирном) доме с помощью нейронной сети могут использоваться данные, получаемые с помощью устройств Интернета вещей [2].

Модели искусственных нейронных сетей могут быть использованы в качестве альтернативного метода анализа и прогнозирования в инженерии и проектировании. В процессе прохождения через нейронную сеть изучается взаимосвязь между входными значениями параметров и переменными путем изучения данных известных ранее. Еще одним преимуществом использования нейронных сетей является их способность работать с большими и сложными системами со многими взаимосвязанными параметрами.

Искусственные нейронные сети состоят из простых элементов, работающих параллельно, которые называются нейронами. Нейрон - элемент, который является основной единицей нейронной сети и выполняет функции суммирования и активации для определения выходного значения [3]. Схематичное представление нейронной сети представлено на рис. 1. На схеме сеть состоит из скрытых слоев нейронов, которые соединены между собой с помощью синапсов, имеющих разный вес. Количество входных и выходных параметров определяют архитектуру сети.

Одним из вариантов использования нейронной сети в сфере ЖКХ является обучение искусственной нейронной сети для прогнозирования требуемой тепловой нагрузки для зданий при наличии минимальных входных данных.

Рисунок 1. Схема нейронной сети

Для решения этой задачи в обучающую выборку нейронной сети должны быть собраны примеры отопительной нагрузки для помещений разных размеров. Сеть должна быть обучена таким образом, чтобы она имела возможность сделать выводы о необходимой нагрузке тепловой станции для новых входных данных. Данные, которые могут быть использованы в качестве входных: площадь помещения, размеры окон, материал стен и полов, этаж. На выходе нейронная сеть должна иметь ту тепловую нагрузку, которую необходимо установить для каждого отдельного помещения.

Такой подход имеет ряд преимуществ, включающий в себя простоту использования, скорость обучения и уровень точности результатов. Таким образом, такой способ может привести к использованию оптимальной нагрузки на отопительные системы зданий, что приведет к увеличению срока их полезной службы и сокращению выбросов в окружающую среду.

Использование нейронных сетей, облачных технологий и устройств Интернета вещей позволит значительно усовершенствовать функциональные возможности отечественных информационных систем в ЖКХ в соответствии с требованиями возможной «цифровизации» ЖКХ, а также в соответствии с имеющимся зарубежным опытом по управлению объектами недвижимости [4].

При этом следует учесть, что инфраструктура ЖКХ в Российской Федерации еще недостаточно готова к «цифровизации». Существуют лишь отдельные организации по управлению ЖКХ, которые по своему уровню готовности к автоматизации, способны внедрять облачные сервисы, устройства Интернета вещей и нейросети. Поэтому к внедрению таких технологий необходимо подходить осторожно и для формирования единого информационного пространства ЖКХ, которое создается на основе комплекса информационных систем, необходимо учитывать параметры, которые характеризуют деятельность предприятий по управлению ЖКХ [5].

Нейронные сети могут быть использованы в различных сферах жизни современного общества. Использование нейронных сетей в сфере ЖКХ позволит сократить стоимость аналитических систем, подобрать наиболее оптимальные способы обеспечения зданий водой и электричеством, а также сократить издержки, связанные с отоплением жилых помещений [6]. В статье описан один из способов использования нейронной сети для управления многоквартирными домами. Такой способ расчета нагрузки тепловой системы с помощью нейронной сети позволит наиболее выгодным образом распределить ресурсы тепловых станций в городе для поддержания оптимальной температуры каждого помещения, что приведет к значительному сокращению затрат на теплообеспечение и увеличению срока работы систем жилищно-коммунального хозяйства [7].

Список литературы

1. Галушкин, А.И Нейронные сети. Основы теории. Телеком, 2010.

2. Попов, А.А Формирование информационной системы для управления многоквартирным домом на основе устройств Интернета вещей // Известия РЭУ им. Г.В. Плеханова. - Москва: 2015.- С. 69-83.

3. Hassoun, H M Fundamentals of Artificial Neural Networks // MIT Press. - Cambridge, Massachusetts: 1995.

4. Телемтаев М.М., Попов А.А. Совершенствование отечественных информационных систем управления недвижимостью на основе зарубежного опыта // Прикладная информатика. - Москва: 2012. - С. 18-25.

5. Попов А.А. Алгоритм формирования набора информационных систем для автоматизации жилищно-коммунального хозяйства региона // Известия РЭУ им. Г.В. Плеханова. - Москва: 2012. - С. 12-33.

6. Балдин, К.В Информационные системы в экономике. 2013.

7. Potential Barriers to Improving Energy Efficiency in Commercial Buildings: The Case of Supermarket Refrigeration // Сайт Кэмбриджского университета URL: https://www.cambridge.org/core/journals/journal-of-benefit-cost-analysis/article/div-classtitlepotentialbarriers-to-improving-energy-efficiency-in-commercial-buildings-the-case-of-supermarket-refrigerationa-hreftfn1-ref-typefnspan-classsup1spanadiv/135C9ADC838C5954D0C397058F5C1B42 (дата обращения: 17.12.2017).

Размещено на Allbest.ru