г. Москва и Московская область, Россия
с 01.01.1989 по настоящее время
г. Москва и Московская область, Россия
УДК 311.21 Сбор статистических данных
В статье обсуждается анализ данных водопотребления, полученных на базе автоматизированного учета потребления ресурсов. Определены предпосылки для получения больших массивов данных телеметрии, основанные на внедрении технологии «умного» жилищно-коммунального хозяйства. Перечислены типовые цели анализа данных водопотребления. Отмечено, что использование методов искусственного интеллекта для анализа данных жилищно-коммунального хозяйства имеет точечный характер. В основу исследования положен принцип целесообразности проведения анализа данных. Рассмотрены факторы, влияющие на режим водопотребления в многоквартирных домах. Рассмотрены методы анализа данных телеметрии водопотребления. В качестве фактического материала для анализа обсуждаются данные почасового автоматического учета потребления горячей и холодной воды в многоквартирном доме. Данные представляют собой временные ряды учета водопотребления. Обсуждаются возможные методы статистического и интеллектуального анализа данных телеметрии. Сделан вывод, что анализ данных водопотребления должен проводиться не только с целью начисления и оплаты платежей, но и с целью уточнения инженерных расчетов, корректировки нормативных показателей и выработки рекомендаций по ресурсосбережению. Сформулированы современные тренды использования данных телеметрии: более широкое использование систем телеметрии в многоквартирных домах, расширение целей использования анализа данных телеметрии, использование интеллектуальных методов анализа данных, создание методики анализа и оценки данных телеметрии систем водоснабжения.
водопотребление, автоматический учет ресурсов, телеметрия, временные ряды, методы анализа данных, предиктивная аналитика
Введение
Современные многоквартирные дома (МКД) должны проектироваться и строиться так, чтобы обеспечить возможность жителям - комфортное и безопасное проживание, управляющим организациям - эффективное управление, а снабжающим организациям - экономную и качественную поставку ресурсов. В соответствии с указанными целями в Москве реализуется программа «Цифровой дом - высокотехнологичный и эффективный». Программа, разработанная до 2025 года, включает в себя, в том числе, оснащение домов современным оборудованием и техникой, и переход на «умные» счетчики. Реализация программы позволит снизить аварийность инженерных систем и уменьшить расходы граждан. Одной из поставленных задач является обеспечение качества водоснабжения.[1].
В системе водоснабжения счетчики горячей и холодной воды широко применяются как в новых зданиях, так и в зданиях, эксплуатируемых уже много лет. Количество зданий, оснащенных поквартирными и общедомовыми счетчиками, постоянно растет. Существуют МКД, в которых счетчики холодной и горячей воды установлены во все квартиры и могут автоматически передавать свои параметры в диспетчерские пункты в реальном времени. Растет количество видов “умных” счетчиков.
Существуют «умные» приборы российского производства, которые регистрируют не только потребление, но и температуру горячей воды, имеют встроенное программное обеспечение и средства защиты. Счетчики имеют автономные источники питания и возможность работы с IoT платформами (поддерживающими цифровую технологию интернета вещей). Счетчики могут взаимодействовать с облачными платформами хранения данных, отправлять данные телеметрии на локальные серверы, чтобы потом эти данные можно было проанализировать в прикладных программах диспетчерских пунктов или в мобильных приложениях жителей [2].
Кому может быть полезна эта информация? На этот вопрос уже есть традиционный ответ. Информация полезна управляющим компаниям для начисления платежей за потребление ресурсов, ресурсоснабжающим организациям для учета поставок ресурсов, жильцам МКД для контроля водопотребления и начисления соответствующей оплаты.
Общепризнанным фактом является завышение нормативных расходов холодной и горячей воды против фактического водопотребления. Учет фактического потребления воды при расчете оплаты позволяет уменьшить начисления в 1,3 раза (горячая вода) и в 1,8 раза (холодная вода) [3].
Как анализируются данные телеметрии в ЖКХ? Цифровая технология интернета вещей дает возможность собирать данные, методы статистики и технология искусственного интеллекта (ИИ) могут помочь анализировать эти данные и принимать соответствующие решения. В настоящее время в мире нет ярких примеров перехода ЖКХ на искусственный интеллект. Внедрение ИИ в ЖКХ, как правило, не является отраслевым приоритетом городских инициатив развития. Наблюдается точечное внедрение технологий ИИ [4]. Есть отдельные примеры управления инженерными сетями на основе ИИ. Есть примеры оценки состояния объектов инфраструктуры на основе компьютерного зрения, примеры оптимизации потребления тепла или водоснабжения на основе методов машинного обучения, примеры планирования пиковых нагрузок на оборудование с помощью прогнозной аналитики, примеры динамической тарификации с применением систем поддержки принятия решений. В большинстве случаев сбора данных значительный объем информации остается невостребованным, поэтому в РФ ставится амбициозная цель создания цифровых платформ ЖКХ для накопления данных и их прогнозной аналитики.
В сфере развития цифровых платформ «умного» здания ведется создание средств (модулей) мониторинга и BI-визуализации данных потребления ресурсов, включающих электроснабжение, водоснабжение, отопление. Например, в платформе digiBMS (Digital Building Management System) есть модуль «энергоменеджмент», предназначенный для мониторинга энергоресурсов, модуль «мониторинг», предназначенный для создания сводных экранов визуализации данных любых типов с построением графиков, гистограмм, тепловых карт и других способов визуализации данных. Планируется создание модуля аналитики и машинного обучения [5].
Таким образом, есть все предпосылки для создания прогнозной аналитики, основанной на учете потребления ресурсов в многоквартирных домах. Цель данного исследования – проанализировать, что может показать анализ больших объемов данных телеметрии водопотребления, какие методы анализа можно использовать и для решения каких задач?
Материалы и методы
В ходе исследования проведен анализ научных публикаций и информации интернет на тему учета и анализа водопотребления. В основу исследования положен принцип целесообразности проведения анализа данных. Рассмотрены факторы, влияющие на режим водопотребления, характер полученной информации, методы статистического анализа и методы интеллектуального анализа данных водопотребления. Сформулирована гипотеза, что данные почасового мониторинга водопотребления могут повысить эффективность работы инженерных систем и использования водных ресурсов.
Для удовлетворения потребностей населения в передаче показаний счетчиков для начисления оплаты за потребление ресурсов достаточно считывать (автоматически или непосредственно) показания не чаще одного раза в месяц. В случае, когда жильцов интересует детализация собственного потребления, можно фиксировать ежедневное потребление. Диспетчеров интересует текущее состояние системы, которое фиксируется в реальном времени. При проектировании инженерных систем используют часовые и секундные расходы.
В исследованиях [6,7] анализ часового потребления воды был использован для уточнения коэффициентов часовой неравномерности водопотребления в сети жилого городка. Исследование обобщило данные для 64 зданий на протяжении 1,5 месяцев. Построены графики фактического водопотребления. Выявлена закономерность появления максимального потребления воды по дням недели, а также продолжительность ночного периода подачи воды для разных дней в течение недели. Был сделан вывод о смещение пиков максимального и минимального водопотребления, вычисленных на основе фактических данных, по сравнению с классическими графиками неравномерности потребления воды. Результаты исследования могут использоваться для повышения эффективности работы насосной станции.
В исследовании [8] проведен статистический анализ данных водопотребления в многоквартирном жилом доме в зависимости от количественного и возрастного состава семьи. Сделан вывод о завышении нормативных расходов потребления воды жителями.
В исследовании [9] представлен анализ часового водопотребления многоквартирного жилого дома за несколько наиболее нагруженных суток. Цель исследования состояла не столько определить фактические параметры системы водоснабжения, сколько проанализировать работу системы водоотведения, работоспособность которой определяется скоростью перемещения воды с наличием грубодисперсных загрязнений. Для этого анализировалась вероятность работы системы водоснабжения с расходом не ниже заданного. Сделан вывод о завышении нормативных расходах воды по сравнению с фактическим водопотреблением, что необходимо учитывать при проектировании систем водоотведения МКД.
В исследовании [10] представлены данные месячного, суточного и среднечасового потребления горячей воды в МКД. Среднечасовой расход горячей воды был вычислен исходя из анализа суточного потребления горячей воды на весь дом. Для анализа данных построены графики расходов горячей воды за период январь-март. Графики наглядно показывают, что фактический расход в каждом месяце намного меньше нормативного.
Численный статистический анализ фактического часового потребления холодной и горячей воды в квартирах МКД представлен в исследовании [11]. В результате выделены ночные и дневные часы водопотребления, будние и воскресные дни, а также определено среднее количестве квартир, одновременно использующих воду в течение часа. Отмечено, что для проектирования и эксплуатации наружных систем водоснабжения представляет интерес часовое потребление воды зданием в целом. Сделаны выводы, что «завышение расчетных расходов холодной воды на стадии проектирования приводит к увеличению диаметров трубопроводов, а следовательно, к увеличению капитальных затрат. Для систем горячего водоснабжения завышение расчетных расходов приведет к завышению не только диаметров трубопроводов, но и к увеличению площадей нагрева теплообменников. В процессе эксплуатации может наблюдаться некорректная работа насосного оборудования».
Данные телеметрии часового потребления воды представляют собой временные ряды. Для их анализа существует ряд классических методов прикладной статистики, которые учитывают вероятностные характеристики процессов и взаимосвязей их внутренних параметров. Методы интеллектуального анализа данных применяют к процессам, в которых заранее не понятны или не известны внутренние закономерности. Существуют средства автоматизации как для статистического, так и для интеллектуального анализа данных. В статье [12] приводится сравнение инструментов языка Pyton и программного комплекса Statistica. Оцениваются возможности анализа временных рядов, преобразования временных рядов, построения адаптивных моделей прогнозирования, проверки ряда на стационарность, построения и идентификации модели анализа рядов ARIMA, оценки параметров моделей.
В статье [13] представлен обзор современных систем обработки временных рядов. Отмечено, что временной ряд может рассматриваться как единое целое и требует специфических методов обработки на основе интеллектуального анализа. Интеллектуальный анализ временных радов может использоваться в задачах выявления аномалий, восстановления пропущенных значений, обнаружения шаблонов (лейтмотивов), поиска по образцу и прогноза. Сделан вывод о необходимости развития методов и подходов интеллектуального анализа данных временных рядов.
Пример моделирования и анализа временных радов на основе данных энергопотребления представлены в исследовании [14]. Предлагается переход от временных рядов к их представлениям, с целью уменьшения размерности анализируемых данных. Используется кластерный анализ и прогнозирование электропотребления на следующий отчетный период.
Наиболее эффективным представляется комплексный подход к выбору методов анализа временных рядов. в том числе статистических методов, применяемых в теории интеллектуального анализа данных. В статье [15] обсуждаются такие задачи, как регрессионный анализ, корреляционный анализ, дискриминантный анализ, анализ соответствий, классификация, кластеризация, обнаружение выбросов. Отмечено, что анализ временных рядов не только изучает их свойства, но также служит для формирования прогнозов на их основе и оптимизации принимаемых решений.
Результаты исследований
На основе анализа данных водопотребления выделен ряд факторов, влияющих на потребление горячей и холодной воды в квартирах, а именно: количество проживающих; сезон года, день недели, час суток; наличие сантехнических приборов и точек разбора; использование бытовых приборов, потребляющих воду; техническое состояние системы водоснабжения, утечки и непреднамеренное потребление воды; привычки и поведение жильцов.
Анализ данных потребления воды необходим для проверки работоспособности системы водоснабжения и водоотведения, для своевременного выявления ее дефектов и поломок. Сопутствующей задачей анализа является идентификация аномалий потребления, которые могут показать проблемы и помочь принять соответствующие меры. Определение интенсивности использования воды может использоваться проектировании инженерных систем и/или оптимизации графика работы насосного оборудования. Фактические объемы потребления горячей и холодной воды могут быть учтены при формировании нормативных показателей водопотребления. Анализ водопотребления может быть сопоставлен с поведением жильцов. Такая информация может быть полезной для выявления некорректного использования ресурсов потребителями.
При анализе потребления воды в квартирах многоквартирного дома можно использовать различные методы статистического анализа. Дескриптивная статистика позволяет получить общую информацию о потреблении воды, такую как среднее значение, медиана, минимум, максимум и стандартное отклонение. Это поможет понять основные характеристики потребления воды в квартире и в доме. Анализ временных рядов используется для выявления трендов, сезонности или цикличности в потреблении воды. Сравнительный анализ водопотребления в разных квартирах или группах квартир можно использовать для выявления различий и поиска закономерностей. При появлении новых факторов, которые могут влиять на потребление воды, для определения степени их влияния можно использовать корреляционный анализ. Анализ аномалий для выявления необычных или непредсказуемых значений потребления воды, может показать проблемы в системе водоснабжения или нарушения в использовании воды. Также поиск аномалий может помочь очистить данные от случайных выбросов и некорректной регистрации данных.
Для анализа и оценки данных почасового потребления горячей и холодной воды в квартире можно применить различные методы искусственного интеллекта. Для предсказания потребления воды на основе исторических данных можно использовать алгоритмы машинного обучения, такие как регрессия или анализ временных рядов. С помощью алгоритмов кластеризации можно группировать данные о потреблении воды для похожих по характеристикам периодов времени или для квартир с похожими характеристиками потребления воды. Например, можно выделить кластеры с высоким или низким водопотреблением и проанализировать факторы, которые могут объяснить эти различия. Использование графиков, диаграмм и тепловых карт для визуализации данных позволяет наглядно представить данные и выявить паттерны или аномалии. Технологии компьютерного зрения могут анализировать эти графические данные. На основе методов искусственного интеллекта можно создавать рекомендательные системы для предоставления рекомендаций жильцам по экономии воды, а также обучения их методам эффективного использования воды. Дополнительно можно использовать интеллектуальные методы обработки естественного языка для анализа текстовых или голосовых данных, связанных с потреблением воды. Например, можно анализировать заявки на ремонт системы водоснабжения или отчеты о показаниях счетчиков.
Выводы и обсуждение
Современный тренд на использование телеметрии систем водоснабжения имеет под собой хорошо проработанную техническую базу, а также поддержку со стороны правительства в рамках цифровизации ЖКХ.
В настоящее время основной целью служб ЖКХ при учете водопотребления является получение оплаты за водоснабжение. Однако, важным трендом является анализ данных при формировании нормативов водопотребления для проектирования инженерных систем, а также при настройке режима работы инженерного оборудования в процессе эксплуатации.
Широкий ряд исследований показывает интерес к развитию методов анализа данных телеметрии, чтобы обеспечить качество водоснабжения, повысить эффективность работы инженерных систем и использования водных ресурсов. В современном мире существуют средства анализа больших объемов цифровой информации, которые могут быть применимы в ЖКХ. Тренд на применение интеллектуального анализа данных позволяет находить в данных скрытые закономерности и скрытые резервы экономии ресурсов. Анализ данных телеметрии и выявление факторов, влияющих на потребление ресурсов, позволит определить рычаги эффективного управления ресурсами.
Несмотря на бурное развитие программно-аппаратной части систем учета ресурсов, существует проблема отсутствия методик использования и оценки полученных данных, а также учета взаимного влияния данных. Например, для целей анализа водопотребления в МКД необходимо знать не только количество зарегистрированных жильцов, но и фактическое количество проживающих. Хорошо иметь дополнительную информацию о бытовых приборах и дополнительных точках водоразбора. Важным представляется учет температурных характеристик холодной и горячей воды, а также температуры внешней среды. Тогда возможен переход от методов анализа «больших» данных к методам анализа «широких» данных.
Комбинирование статистических и интеллектуальных средств анализа данных может дать эффект для развития методики анализа данных водопотребления. В качестве дальнейшего направления исследований поставлена задача использования при анализе водопотребления методы искусственного интеллекта.
1. Исследование развития комфортной городской среды в Москве и ведущих городах мира. Публичныйотчет. Июль 2018 The Boston Consulting Group. URL:http://media-publications.bcg.com/RUS-Comfortable-environment-report-design-final.pdf
2. Будущее уже наступило: умные счетчики воды и их преимущества. URL: https://o-vode.net/vodosnabzhenie/schetchik/vidy/umnyj
3. Акулинушкина Т. Е. Значение применения технологии «Умный дом» для развития жилищно-коммунального хозяйства региона / Молодой ученый. 2019. № 18 (256). С. 105-109. URL: https://moluch.ru/archive/256/58586/
4. Аналитический обзор. Тренды развития искусственного интеллекта в сфере ЖКХ. Август 2020. ГБУ "Агентство инноваций города Москвы". URL: https://innoagency.ru/files/AI_Utilities_AIM_August%202020.pdf
5. Платформа SmartUnity IoT/SCADA https://www.intelvision.ru/products/smartunity-iot
6. Ивановский В.С.,Обвинцев В.А., Саркисов С.В.. Система сбора данных и закономерности неравномерного потребления воды в сети жилого городка./Труды Военнокосмической академии имени А.Ф.Можайского. Выпуск 652, СПб.: ВКА имени А.Ф. Можайского, 2016. С. 167-172.
7. Игнатчик В.С., Саркисов С.В., Обвинцев В.А. Исследование коэффициентов часовой неравномерности водопотребления / Вода и экология: проблемы и решения. - 2017. №2 (70). С. 27-39.
8. Жулин А. Г., Аминова А. Х., Белова Л. В. Определение количества расходуемой воды различными водопотребителями жилого сектора./Архитектура, строительство, транспорт. № 1 (95). 2021. С. 47-57
9. Андреенко А.А., Шарипов Т.Р. Анализ почасового режима водопотребления в жилом доме./ Современные проблемы водоснабжения и водоотведения : сборник материалов межвузовской научно-практической конференции. Санкт-Петербург : СПбГАСУ, 2022.С. 3-11.
10. Михайлов М.В., Михайлова М.В. Анализ потребления горячей воды в многоквартирном жилом доме в г. Чебоксары/ Юность большой волги. Сборник статей лауреатов XХIII Межрегиональной конференции-фестиваля научного творчества учащейся молодежи, г. Чебоксары. 2021. С.79-80
11. Китайцева Е.Х.. Численный анализ часового потребления горячей и холодной воды. International Journal for Computational Civil and Structural Engineering. Volume 8, Issue 4, 2012 - М. : Издательство АСВ, С. 78-84
12. Одинцова Е.В. Анализ и прогнозирование временных рядов с помощью компьютерных технологий /Сборник научных трудов вузов России "Проблемы экономики, финансов и управления производством". 2023. № 52. С. 184-186.
13. Иванова Е.В., Цымблер М.Л. Обзор современных систем обработки временных рядов /Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2020. Т. 9, № 4.С. 79-97. DOI: 10.14529
14. Щетинин Е.Ю.Повышение эффективности интеллектуальных сетей энергоснабжения с применением кластерного анализа./Управление развитием крупномасштабных систем (MLSD'2018). Материалы одиннадцатой международной конференции. 2018. С. 379-380.
15. Гайлитис В.С., Жиленкова Е.П. Статистические методы в интеллектуальном анализе данных: теоретические основы./В сборнике: Статистический анализ социально-экономического развития субъектов Российской Федерации. Сборник научных трудов по материалам IX Международной научно-практической конференции . Брянск, 2022. С. 58-61.
