ВведениеСнижение 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.МетодологияДля 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 n∈{1, …, N}  – номер устройства от 1 до N; t∈{1, …,T}  – момент времени (час в сутках от 1 до T=24); en,t – потребность в энергии n-го устройства в момент времени t.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 In,t  – текущее положение n-го устройства, In,t=1  когда устройство в положении «включено», In,t=0  когда устройство в положении «выключено».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  kn  – коэффициент, учитывающий переключение режима работы; Tn,нач  – время начала эксплуатации устройства; Tn,кон  – время окончания эксплуатации устройства; Tn,н.р  – время начала работы устройства; Tn,раб  – время, необходимое для выполнения устройством своей работы.Устройства с регулируемой нагрузкой могут переходить из режима с наименьшим (en,min) к режиму с наибольшим (en,max) энергопотреблением по мере изменения цен, стоимость в данном случае можно определить по формулам (7-9).     Целью приборов этой группы является снижение энергозатрат пользователя, которое, однако, может привести к его дискомфорту при понижении режима работы устройства, что отражается переменной βn.Минимальные затраты на энергию и дискомфорт, связанные с изменением режима работы домашних устройств определяется по формуле (10). где ρ – переменная компромисса для достижения баланса между ценами на энергию и дискомфортом в соответствии с предпочтениями потребителя. 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 Сt – реальная стоимость энергии;  – прогнозируемая стоимость энергии.РезультатыАлгоритм 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%.ЗаключениеРезультаты 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.