ИССЛЕДОВАНИЕ И РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ УПРАВЛЕНИЯ ЭНЕРГОПОТРЕБЛЕНИЕМ НА ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЯХ
DOI:
https://doi.org/10.52167/1609-1817-2025-136-1-429-440Ключевые слова:
интеллектуальные системы управления энергопотреблением, прогнозирование энергопотребления, машинное обучение, оптимизация энергопотребления, IoT технология, энергоэффективность, устойчивое развитиеАннотация
Данная статья посвящена разработке и внедрению интеллектуальной системы управления энергопотреблением на промышленных предприятиях с использованием технологий искусственного интеллекта и машинного обучения. В условиях усиления требований к энергоэффективности и экологической устойчивости предприятия сталкиваются с необходимостью оптимизации потребления энергоресурсов для снижения эксплуатационных затрат и уменьшения углеродного следа. В современных условиях традиционные системы управления энергопотреблением не всегда могут обеспечить гибкое реагирование на изменения в производственных процессах. Применение интеллектуальных технологий, таких как машинное обучение и искусственный интеллект, позволяет создавать системы, способные прогнозировать нагрузку, выявлять аномалии и адаптироваться к изменяющимся условиям в режиме реального времени. Это повышает как экономическую, так и экологическую эффективность предприятий. Цель данной статьи – провести анализ существующих решений, разработать архитектуру интеллектуальной системы управления энергопотреблением и внедрить алгоритмы, способные управлять энергопотреблением с учётом текущих условий и данных. Основное внимание уделяется прогнозированию энергопотребления, обнаружению неэффективных сценариев использования ресурсов и оптимизации нагрузки для достижения наилучших результатов. Пилотные испытания предложенной системы проводятся на основе реальных данных промышленных предприятий, что позволяет оценить её работоспособность и точность алгоритмов. Кроме того, данная статья рассматривает экономическую целесообразность внедрения системы и её потенциал в улучшении экологической устойчивости. Таким образом, результаты исследования направлены на разработку практических решений, которые будут полезны для повышения энергоэффективности и снижения эксплуатационных затрат, а также помогут предприятиям соответствовать современным экологическим стандартам.
Библиографические ссылки
[1] B. Kosovic, et al., A comprehensive wind power forecasting system integrating artificial intelligence and numerical weather prediction, Energies 13 (6) (2020) 1372, https://doi.org/10.3390/en13061372 (MDPI) (Directory of Open Access Journals – DOAJ).
[2] T. Liu, Z. Huang, L. Tian, Y. Zhu, H. Wang, S. Feng, Enhancing wind turbine power forecast via convolutional neural network, Electronics 10 (3) (2021) 261, https:// doi.org/10.3390/electronics10030261 (MDPI) (MDPI).
[3] G. Wang, R. Jia, J. Liu, H. Zhang, A hybrid wind power forecasting approach based on Bayesian model averaging and ensemble learning, Renew. Energy 145 (2020) 2426–2434, https://doi.org/10.1016/j.renene.2019.08.053 (SpringerLink).
[4] S. Hanifi, X. Liu, Z. Lin, S. Lotfian, A critical review of wind power forecasting methods—past, present and future, Energies 13 (15) (2020) 3764, https://doi.org/ 10.3390/en13153764 (Directory of Open Access Journals – DOAJ) (MDPI).
[5] M.A. Abdelzaher, M.M. Awad, Sustainable development goals for the circular economy and the water-food nexus: Full implementation of new drip irrigation technologies in upper Egypt, Sustainability 14 (21) (2022) 13883, https://doi.org/ 10.3390/su142113883.
[6] A. Tascikaraoglu, M. Uzunoglu, A review of combined approaches for prediction of short-term wind speed and power, Renew. Sustain. Energy Rev. 34 (2014) 243–254, https://doi.org/10.1016/j.rser.2014.03.033 (SpringerLink).
[7] D. Li, Z. Zhang, X. Zhou, Z. Zhang, X. Yang, Cross-wind dynamic response of concrete-filled double-skin wind turbine towers: theoretical modelling and experimental investigation, J. Vib. Control (2023) 1–13, https://doi.org/10.1177/ 10775463231157791. RSC Publishing) (American Institute of Physics.
[8] F. Cassola, M. Burlando, Wind speed and wind energy forecast through Kalman filtering of Numerical Weather Prediction model output, Appl. Energy 99 (2012) 154–166, https://doi.org/10.1016/j.apenergy.2012.03.054.(Sci-Hub).
[9] H. Liu, J. Shi, E. Erdem, Prediction of wind speed time series using modified Taylor Kriging method, Energy 35 (2010) 4870–4879, https://doi.org/10.1016/j. energy.2010.09.012.
[10] C. Gonz´ alez-Mingueza, F. Munoz-Guti ˜ ´errez, Wind prediction using Weather Research Forecasting model (WRF): a case study in Peru, Energy Convers. Manag. 81 (2014) 363–373, https://doi.org/10.1016/j.enconman.2014.02.024. Sci-Hub).
[11] B. Yuan, B. He, J. Yan, J. Jiang, Z. Wei, X. Shen, Short-term electricity consumption forecasting method based on empirical mode decomposition of long-short term memory network, IOP Conf. Ser. Earth Environ. Sci. 983 (1) (2022) 012004, https://doi.org/10.1088/1755-1315/983/1/012004. Feb.
[12] C. C, Aggarwal and Others, Data Mining: the Textbook, 1, Springer, 2015.
[13] P. Punyani, R. Gupta, A. Kumar, A multimodal biometric system using match score and decision level fusion, Int. J. Inf. Technol. 14 (2) (2022) 725–730, https://doi. org/10.1007/s41870-021-00843-3.
[14] H. Vafaie, K.A. De Jong, Genetic Algorithms as a Tool for Feature Selection in Machine Learning, ICTAI, 2018, pp. 200–203.
[15] I. Okpala, C. Nnaji, A.A. Karakhan, Utilizing emerging technologies for construction safety risk mitigation, Pract. Period. Struct. Des. Constr. 25 (2) (2020) 1–13, https://doi.org/10.1061/(asce)sc.1943-5576.0000468.
[16] F.A. Gers, J. Schmidhuber, F. Cummins, learning to forget: continual prediction with LSTM, Neural Comput. 12 (10) (2020) 2451–2471.
[17] M. Tami and A.Y. Owda, "Efficient commodity price forecasting using long shortterm memory model," Int. J. Artif. Intell. ISSN, vol. 2252, no. 8938, p. 8938, http s://doi.org/10.11591/ijai.v13.i1.pp994-1004.
[18] W. Kong, Z. Dong, Y. Jia, D. Hill, Y. Xu, Short-term residential load forecasting based on LSTM recurrent neural network, IEEE Trans. Smart Grid 195 (2017) 841–851.
[19] L. Burgueno, J. Cabot, S. Li, S. G´erard, A generic LSTM neural network architecture to infer heterogeneous model transformations, Softw. Syst. Model. 21 (1) (2022) 139–156, https://doi.org/10.1007/s10270-021-00893-y.
[20] I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT press, 2016.
[21] C. Fan, J. Wang, W. Gang, S. Li, Assessment of deep recurrent neural networkbased strategies for short-term building energy predictions, Appl. Energy 236 (2019) 700–710.
[22] L.G. Gannon, C.R. Marshall, A recurrent neural network model for structural response to underwater shock, Ocean Eng. 287 (2023) 115898, https://doi.org/ 10.1016/j.oceaneng.2023.115898
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2024 Ainur Rasmukhametova
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
