Moscow, Moscow, Russian Federation
Moscow, Russian Federation
Moscow, Moscow, Russian Federation
UDK 681.5 Автоматика. Теория, методы расчета и аппаратура систем автоматического управления и регулирования. Техническая кибернетика. Техника автоматизации
GRNTI 67.01 Общие вопросы строительства
BBK 308 Монтаж, эксплуатация, ремонт машин и промышленного оборудования
Reducing energy consumption by capital construction projects at all stages of their life cycle is an urgent task for the construction industry and the housing and communal complex. The article discusses ways to reduce energy costs in the operation of residential buildings. The aim of the study is to develop a methodology for predicting energy costs when using a home energy management system based on the machine learning method. All devices included in the "smart home" system are divided into three types, for each of them a method for calculating energy consumption is described. The algorithm of the home energy management system is to receive information from the energy supplier about their cost an hour in advance, calculate the energy consumption of all devices and predict energy consumption based on the reinforcement machine learning method. The effectiveness of the chosen method and the reliability of forecasting were evaluated by comparing the results with real costs for the selected time and calculating the average absolute error and the average absolute error in percent. The results of the study indicate the promise of using the method of machine learning with reinforcement to build a home energy management system based on forecasting energy consumption over time.
home energy management system, reinforcement learning method, energy saving in construction, life cycle of capital construction projects
Введение
Снижение энергетических затрат объектами капитального строительства является актуальным на всех стадиях их жизненного цикла, особенно на наиболее продолжительной стадии – эксплуатации здания. Это связано с тем, что строительная отрасль и жилищно-коммунальный комплекс являются одними из крупнейших потребителей энергетических ресурсов и испытывают повышенный спрос на энергию, который приводит к увеличению расходов на развитие и укрепление энергетической инфраструктуры [1, 2].
Снижение энергозатрат объектами капитального строительства возможно за счет выстраивания системы разумного энергопотребления и применения альтернативных источников энергии как на эксплуатационной, так и на других стадиях их жизненного цикла [3, 4].
В последние годы в странах с развитой экономикой происходит сокращение государственного регулирования оптового рынка энергии и открытие новых возможностей для автономных производителей и поставщиков энергии, что приводит к изменению способов продажи и покупки энергетических ресурсов [5]. Устойчивый тренд на снижение энергопотребления в строительном секторе наблюдается и в нашей стране, что подтверждается принятым в 2009 году Федеральным Законом РФ №261-ФЗ «Об энергосбережении и о повышении энергетической эффективности, и о внесении изменений в отдельные законодательные акты Российской Федерации», изданным в 2011 году Приказом Министерства регионального развития РФ №161 «Об утверждении Правил определения классов энергетической эффективности многоквартирных домов и Требований к указателю класса энергетической эффективности многоквартирного дома, размещаемого на фасаде многоквартирного дома», а также рядом других документов [6].
Для выстраивания системы разумного энергопотребления операторы энергетической инфраструктуры, прежде всего электросетей, внедряют гибкое тарифное планирование и программы регулирования спроса на энергию, сокращающие энергозатраты в определённые промежутки времени и выстраивающие баланс между спросом и предложением [7].
Гибкое тарифное планирование позволяет менять тарифы на электроэнергию в зависимости от времени суток, дня недели и месяца. В него входят пиковые, средние и непиковые периоды. Подобный подход предоставляет потребителю возможность сместить потребление электроэнергии на более дешевые периоды, тем самым контролируя свое энергопотребление [8]. Несмотря на то, что гибкое тарифное планирование снижает пиковое потребление энергии, оно может привести к такому же или даже большему энергопотреблению в непиковые часы.
Программы регулирования спроса могут быть поощрительными, предоставляющими потребителям льготные условия использования энергии при уровне потребления меньше установленного порога, и принудительными, предусматривающими как значительное увеличение цен на энергию при превышении лимита, так и принудительное ограничение доступа к энергоресурсам [9, 10]. Программное обеспечение, реализующее подобные алгоритмы, может быть использовано коммунальными службами, управляющими компаниями и т.п.
В последнее время начали появляться системы управления домашним энергопотреблением, позволяющие выстроить максимально гибкий баланс спроса и предложения для каждого отдельного потребителя. Они объединяются в общую систему «умного дома» и позволяют учитывать энергопотребление каждого потребителя в общей программе регулирования спроса многоквартирных домов [11-13].
Целью исследования является разработка методики прогнозирования энергозатрат в системах управления домашним энергопотреблением с применением методов машинного обучения.
Объектом исследования являются системы управления домашним энергопотреблением. Предметом исследования является применение методов машинного обучения в работе систем управления домашним энергопотреблением.
Методология
Для прогнозирования энергозатрат в системах управления домашним энергопотреблением был выбран метод машинного обучения с подкреплением, предполагающий обучение на своем опыте и адаптацию для достижения наилучших результатов [14]. Планирование энергопотребления выполняется с использованием многоагентного обучения, при этом каждое домашнее устройство представляет собой среду, содержащую своего собственного агента с различными мерами и вознаграждениями [15, 16].
Выбранный алгоритм работы системы управления домашним энергопотреблением позволяет пользователю получить данные о стоимости энергии на 1 час вперед и прогнозировать предстоящие энергозатраты [17]. Вместе с прогнозированием предстоящих затрат метод машинного обучения с подкреплением используется для принятия оптимального решения для различных устройств с использованием децентрализованного подхода, при этом вычислительная нагрузка переносится с центрального оптимизатора на группу интеллектуальных агентов [18].
Система управления получает данные о стоимости энергии на час вперед от поставщиков энергоресурсов, при этом энергопотребление каждого n-го устройства в момент времени t можно описать уравнением (1).
En,t=en,t (1)
где
Домашние устройства по своим техническим характеристикам и возможностям разделены на 3 группы:
- с непереключаемой нагрузкой;
- с переключаемой нагрузкой;
- с регулируемой нагрузкой (освещение, кондиционирование).
Для устройств с непереключаемой нагрузкой стоимость энергопотребления определяется уравнением (2).
где сt – стоимость энергии в момент времени t, 
– потребление энергии n-го устройства с нерегулируемой нагрузкой в момент времени t.
Для устройств с переключаемой нагрузкой есть 2 положения: включено и выключено, энергопотребление при этом можно описать уравнением (3).
где
Для устройств с переключаемой нагрузкой существует 2 типа стоимостных затрат: за потребление энергии и дискомфорт, связанный с ожиданием запуска и завершения работы устройства (4-6).
где
Устройства с регулируемой нагрузкой могут переходить из режима с наименьшим (
Целью приборов этой группы является снижение энергозатрат пользователя, которое, однако, может привести к его дискомфорту при понижении режима работы устройства, что отражается переменной
Минимальные затраты на энергию и дискомфорт, связанные с изменением режима работы домашних устройств определяется по формуле (10).
где
Эффективность метода оценивалась через среднюю абсолютную ошибку (MAE) и среднюю абсолютную ошибку в процентах (MAPE) между прогнозируемыми и реальными затратами на энергию в соответствии с уравнением (11) и (12).
где 
Результаты
Алгоритм работы системы запускается в начале дня, то есть в момент времени t=1, при этом инициализируется номинальная мощность, время работы, переменная цены дискомфорта и переменная компромисса. Используя переменные, в каждый час t система обновляет входные данные использует метод машинного обучения с подкреплением для прогнозирования предстоящих затрат на следующий час. Затем система вычисляет оптимальное решение для всех устройств, используя прогнозируемые предстоящие затраты.
Метод машинного обучение с подкреплением протестирован с использованием информации о стоимости и мощности рынка электроэнергии, полученной из открытых источников с помощью расширения Data Miner. Информация для обучения была взята в период с 1 января 2022 г. по 21 февраля 2022 г., а затем выполнено прогнозирование затрат в период с 22 по 28 февраля 2022 г. Архитектура используемой нейронной сети сдержит 5 слоев: 1 входной слой с 18 нейронами, 3 скрытых слоя с 40, 20 и 10 нейронами и 1 выходной слой с 1 нейроном.
Рис. 1 иллюстрирует разницу между прогнозируемыми (зеленый цвет) и реальными (синий цвет) затратами за выбранный период времени.
Рис. 1. График реальных и прогнозируемых затрат в период с 22 по 28 февраля 2022 г.
Согласно рис. 1 прогнозируемые затраты следуют той же тенденции, что и реальные затраты, при этом MAE составляет 2,12, а MAPE составляет 8,59%.
Заключение
Результаты сравнения прогнозируемых и реальных затрат, а также вычисленные средняя абсолютная ошибка и средняя абсолютная ошибка в процентах, не превышающая 10%, подтверждают применимость разработанной методики прогнозирования энергозатрат в системах управления домашним энергопотреблением с применением методов машинного обучения. Результаты исследования также свидетельствуют об перспективности применения метода машинного обучения с подкреплением для выстраивания системы управления домашним энергопотреблением на основе прогнозирования энергозатрат во времени.
1. Hong, J. A Framework for Reducing Dust Emissions and Energy Consumption on Construction Sites / J. Hong, T. Hong, H. Kang, M. Lee // Energy Procedia. - 2019. - Vol. 158. - P. 5092-5096. - doi.org/10.1016/j.egypro.2019.01.637.
2. Huang, J. Artificial intelligence for planning of energy and waste management / J. Huang, D. D. Koroteev // Sustainable energy technologies and assessments. - 2021. - Vol. 47. - P. 101426. - DOIhttps://doi.org/10.1016/j.seta.2021.101426.
3. Tadeu, S. Eco-efficiency to support selection of energy conservation measures for buildings: A life-cycle approach / S. Tadeu, C. Rodrigues, P. Marques, F. Freire // Journal of Building Engineering. - 2022. - Vol. 61. - P. 105142. - doi.org/10.1016/j.jobe.2022.105142.
4. Shahrabi, E. Developing optimal energy management of energy hub in the presence of stochastic renewable energy resources / E. Shahrabi, S.M. Hakimi, A. Hasankhani, G. Derakhshan, B. Abdi // Sustainable Energy, Grids and Networks. - 2021. - Vol. 26. - P. 100428. - doi.org/10.1016/j.segan.2020.100428.
5. Yan, X. A review on price-driven residential demand response / X. Yan, Y. Ozturk, Z. Hu, Y. Song // Renewable and Sustainable Energy Reviews. - 2018. - Vol. 96. - P. 411-419. - doi.org/10.1016/j.rser.2018.08.003.
6. Koroteev, D.D. Legislation in the field of energy saving in construction / D.D. Koroteev // Modern problems of mechanics, energy efficiency of buildings and resource-saving technologies: Proceedings of the scientific school-seminar of young scientists and students with international participation, Moscow, September 15-17, 2015. - Moscow: Peoples' Friendship University of Russia, 2015. - P. 243-245.
7. Nguyen, H. Optimal demand side management scheduling-based bidirectional regulation of energy distribution network for multi-residential demand response with self-produced renewable energy / H. Nguyen, U. Safder, J. Loy-Benitez, C. Yoo // Applied Energy. - 2022. - Vol. 322. - P. 119425. - doi.org/10.1016/j.apenergy.2022.119425.
8. Chen, Z. Multi-objective residential load scheduling approach for demand response in smart grid / Z. Chen, Y. Chen, R. He, J. Liu, M. Gao, L. Zhang // Sustainable Cities and Society. - 2022. - Vol. 76. - P. 103530. - doi.org/10.1016/j.scs.2021.103530.
9. Li, S. Double-layer energy management system based on energy sharing cloud for virtual residential microgrid / S.Li, J. Zhu, Z. Chen, T. Luo // Applied Energy. - 2021. - Vol. 282. - P. 116089. - doi.org/10.1016/j.apenergy.2020.116089.
10. Jasim, A.M. A new optimized demand management system for smart grid-based residential buildings adopting renewable and storage energies / A.M. Jasim, B.H. Jasim, A. Flah, V. Bolshev, L. Mihet-Popa // Energy Reports. - 2023. - Vol. 9. - P. 4018-4035. - doi.org/10.1016/j.egyr.2023.03.038.
11. Duman, A. C. A home energy management system with an integrated smart thermostat for demand response in smart grids / A. C. Duman, A. C. Erden, Ö. Gönül, Ö. Güler // Sustainable Cities and Society. - 2021. - Vol. 65. - P. 102639. - doi.org/10.1016/j.scs.2020.102639.
12. Aliero, M.S. Smart Home Energy Management Systems in Internet of Things networks for green cities demands and services / M.S. Aliero, K.N. Qureshi, M.F. Pasha, G. Jeon // Environmental Technology & Innovation. - 2021. - Vol. 22. - P. 101443. - doi.org/10.1016/j.eti.2021.101443.
13. Gonçalves, I. Optimizing the management of smart home energy resources under different power cost scenarios / I. Gonçalves, Á. Gomes, C.H. Antunes // Applied Energy. - 2019. - Vol. 242. - P. 351-363. - doi.org/10.1016/j.apenergy.2019.03.108.
14. Sorokin, I.V. Analysis of the experience of applying machine learning methods in the Russian construction industry / I.V. Sorokin, A.V. Nastychuk // Construction and Architecture. - 2023. - Vol. 11. - No. 1(38). - P. 18. - DOIhttps://doi.org/10.29039/2308-0191-2022-11-1-18-18.
15. Park, K. Multi-agent deep reinforcement learning approach for EV charging scheduling in a smart grid / K. Park, I. Moon // Applied Energy. - 2022. - Vol 328. - P. 120111. - doi.org/10.1016/j.apenergy.2022.120111.
16. Wang, Y. Cooperative energy management and eco-driving of plug-in hybrid electric vehicle via multi-agent reinforcement learning / Y. Wang, Y. Wu, Y. Tang, Q. Li, H. He // Applied Energy. - 2023. - Vol. 332. - P. 120563. - doi.org/10.1016/j.apenergy.2022.120563.
17. Lehna, M. Forecasting day-ahead electricity prices: A comparison of time series and neural network models taking external regressors into account / M. Lehna, F. Scheller, H. Herwartz // Energy Economics. - 2022. - Vol. 106. - P. 105742. - doi.org/10.1016/j.eneco.2021.105742.
18. Keles, D. Extended forecast methods for day-ahead electricity spot prices applying artificial neural networks / D. Keles, J. Scelle, F. Paraschiv, W. Fichtner // Applied Energy. - 2016. - Vol. 162. - P. 218-230. - doi.org/10.1016/j.apenergy.2015.09.087.
