Forskerne af Perm Polytechnic har udviklet et intelligent modul til styring af det lokale varmeforsyningssystem. Neuralati vil hjælpe nøjagtigt og hurtigt beregne temperaturen på kølevæsken ved udgangen af kedelrummet. Teknologien giver dig mulighed for at opretholde det med hensyn til forbrugere, undgå urimelig overophedning af kølevæsken og spar penge ved opvarmning. Udviklingen har endnu ingen analoger i Rusland.
Nu er kontrolenhederne ganske udbredt, som automatisk understøtter den angivne temperatur ved kedelrummets udløb. De krævede værdier definerer operatøren, primært fokuserer på termometeret og den tilgængelige feedback. Vores udvikling indebærer kontrol ved hjælp af sådanne neurale netværk, som anvendes i beregningerne ikke kun den nuværende værdi af omgivelsestemperaturen, men også en rimelig prognose. Dette giver dig mulighed for at foralyse transportørens temperatur og undgå forsinkelse, siger lektoren i Institut for Computing Mathematics, Mechanics and Biomechanics of Perm PolyTech, kandidat til Technical Sciences Vladimir Onistkiv.
For undervisning neuralo brugte forskere en stor mængde statistiske data. Det omfatter synkroniserede kølemiddeltemperaturer ved forskellige punkter i det termiske netværk og omgivelsestemperatur.
Forskere har forsøgt det intelligente modul ved at skrive det i et software og hardware automatiseret Aurora Control System. Den termiske balance i boliger og kommunale tjenester, som har udviklet og bruger et af selskabets virksomheder. Som følge heraf giver komplekset dig automatisk mulighed for automatisk at justere temperaturen på kølevæsken ved kedelrummets udløb, idet prognosen for udskiftning af vejrforhold.
For at sikre komfortable termiske forhold i forbrugerhuse skal varmeforsyningsorganisationer konstant overvåge netværkets temperaturstatus. Men denne service er stadig ikke tilgængelig for de fleste termiske virksomheder, så de sikrer deres risici, opretholdelse af højere termisk bærertemperatur. Som følge heraf bliver beboerne ofte tvunget til overbetaling til forsyningsselskaber, forklarer forskeren.
Ifølge forskere giver brugen af neurale netværk i processen med at styre varmetnettet dig mulighed for at spare brændstof og forhindre overskriften. Med pludselige vejrændringer bliver denne effekt særligt signifikant. Gasbesparelser kan nå 10-15% afhængigt af den ydre lufttemperatur og varmesystemets overordnede tilstand.
Flerlags neurale netværk og dybe læringsnetværk er i stand til at forudsige den nødvendige kedeltemperatur, i betragtning af vejrprognosen og funktionerne i kølevæskens bevægelse.
I færd med at skabe et intelligent modul analyserede forskere forskellige typer neurale netværk. Den endelige arkitektur består af 224 neuroner, bestilt i tre lag. Den beregnede temperatur af kølevæsken ved kedelrummets udløb giver disse temperaturværdier ved indgangen til huset, at standarderne er påkrævet.