Naukowcy z politechniki Perm opracowali inteligentny moduł do zarządzania lokalnym systemem dostaw ciepła. Neuralati pomoże dokładnie i szybko obliczyć temperaturę płynu chłodzącego przy wyjściu z kotłowni. Technologia pozwala na utrzymanie go w kategoriach konsumentów, unikaj nierozsądnego przegrzania płynu chłodzącego i oszczędzają środki na ogrzewanie. Rozwój nie ma jeszcze analogów w Rosji.
Teraz jednostki sterujące są dość szeroko stosowane, które automatycznie obsługują określoną temperaturę przy wylocie kotłowni. Wymagane wartości definiuje operatora, głównie koncentrując się na termometrze i dostępnej opinii. Nasz rozwój obejmuje kontrolę przy użyciu takich sieci neuronowych, które są stosowane w obliczeniach nie tylko wartości bieżącej temperatury otoczenia, ale także rozsądnej prognozy. Pozwala to wstępnie ocenić temperaturę przewoźnika i uniknąć opóźnienia, mówi profesor nadzwyczajny Katedry Matematyki, Mechaniki i Biomechanikę Perm Polytech, Kandydat Nauk Technicznych Vladimir Onistkiv.
Do nauczania Neuralo naukowcy wykorzystali dużą ilość danych statystycznych. Zawiera zsynchronizowane temperatury płynu chłodzącego w różnych punktach sieci cieplnej i temperatury otoczenia.
Naukowcy próbowali inteligentnego modułu, wpisując go w oprogramowaniu i sprzętowym systemie sterowania Aurora. Bilans termiczny w usługach mieszkaniowych i komunalnych, który opracował i wykorzystuje jedną z firm terytorium Perm. W rezultacie kompleks umożliwia automatyczne dostosowanie temperatury płynu chłodzącego na wylocie kotłowni, biorąc pod uwagę prognozę zmian w zakresie zmian warunków pogodowych.
Aby zapewnić komfortowe warunki cieplne w domach konsumenckim, organizacje dostaw ciepła muszą stale monitorować stan temperatury sieci. Ale ta usługa jest nadal niedostępna dla większości firm termalnych, więc zapewniają ryzyko, utrzymując wyższą temperaturę nośnika termicznego. W rezultacie mieszkańcy są często zmuszani do przepłacania narzędzi, wyjaśnia badacz.
Według naukowców, stosowanie sieci neuronowej w procesie sterowania siecią cieplnej pozwala zaoszczędzić paliwo i zapobiec jej overrun. Dzięki nagłym zmianom pogody efekt staje się szczególnie znaczący. Oszczędności gazowe mogą osiągnąć 10-15%, w zależności od zewnętrznej temperatury powietrza i ogólnego stanu sieci ciepła.
Wielowarstwowe sieci neuronowe i głębokie sieci uczenia się są w stanie przewidzieć niezbędną temperaturę kotła, biorąc pod uwagę prognozę pogody i cechy ruchu chłodzącego.
W procesie tworzenia inteligentnego modułu naukowcy przeanalizowali różne rodzaje sieci neuronowych. Końcowa architektura składa się z 224 neuronów, zamówionych w trzech warstwach. Obliczona temperatura płynu chłodzącego przy wylocie kotłowni zapewnia te wartości temperatury przy wejściu do domu, w którym wymagane są standardy.