В последние годы пиковый спрос на электроэнергию в России увеличивается из-за экономического роста и высокой температуры окружающей среды. Однако хорошо известно, что пик в большинстве случаев вызван высокой температурой окружающей среды. Высокая температура окружающей среды в летнее время приводит к увеличению использования кондиционеров.
Системный оператор (СО, диспетчер энергосистемы) зафиксировал новый летний максимум потребления энергомощности в Единой энергосистеме России (ЕЭС).на электроэнергию вырос до рекордного летнего максимума, достигнув 22 июня пиковой отметки 122,7 ГВт.
Множественная линейная регрессия является одним из наиболее распространенных методов статистического анализа, используемых для определения взаимосвязи между одной зависимой переменной и несколькими независимыми переменными. В контексте систем кондиционирования, предсказание тепловой нагрузки является важной задачей для определения оптимального размера оборудования, а также для более эффективного управления энергией и снижения операционных издержек.
В данной статье мы проведем анализ множественных моделей линейной регрессии тепловой нагрузки для помещений с кондиционерами, используя результаты исследования "Prediction of Cooling Load for Air-Conditioned Buildings: A Multiple Linear Regression Analysis" (2022), опубликованного в журнале Energies. Это исследование представляет собой детальный анализ множественной линейной регрессии для предсказания тепловой нагрузки с использованием различных независимых переменных.
Для создания успешной модели множественной линейной регрессии необходимо тщательно выбирать независимые переменные, которые влияют на тепловую нагрузку. В исследовании авторы использовали следующие переменные: температура наружного воздуха, относительная влажность, солнечная радиация, скорость ветра и значение индекса теплового комфорта (THI). Эти переменные были выбраны на основе предварительного анализа и корреляционных связей с тепловой нагрузкой.
Авторы исследования разработали модель множественной линейной регрессии (MLR) для предсказания тепловой нагрузки в зданиях с кондиционерами, используя следующие независимые переменные:
- Температура наружного воздуха
- Относительная влажность
- Солнечная радиация
- Скорость ветра
- Значение индекса теплового комфорта (THI)
Для анализа авторы использовали данные с 2018 по 2021 год, собранные с метеостанций и сведения о тепловой нагрузке из 20 зданий в Сеуле, Южная Корея.
Это исследование собрало данные из экспериментальной комнаты. Затем собранные данные использовались для разработки модели тепловой нагрузки. Другой набор данных использовался для проверки модели. Экспериментальная комната, использованная в этом исследовании, представляла собой конференц-зал на 8-м этаже здания инженерного факультета Чиангмайского университета, Таиланд.
Помещение площадью 65,9 м 2 расположено на западной стороне здания. Комната состоит из композитных стен и стеклянных дверей и окон. В таблице 1 показаны размеры и свойства строительных материалов, использованных в этом исследовании.
Использовались два кондиционера холодопроизводительностью 30 709 кВт/ч. Температуру измеряли с помощью термопары Т-типа с точностью 99,6%. Солнечное излучение измеряли с помощью датчика солнечного излучения (прибор КИМО) с точностью 95%. Во время сбора данных было протестировано 3 условия, т. е. установка термостата кондиционера на 25, 26 и 27 °C. Данные для разработки модели собирались с интервалом в 1 минуту в течение 3 дней подряд при каждой настройке термостата (всего 9 дней). Эксперименты проводились в период с марта по апрель 2018 г. Очередной набор данных для проверки модели собирали с интервалом в 1 минуту в течение 1 дня при каждой настройке термостата (всего 3 дня).
На основе анализа данных авторы определили, что множественная линейная регрессия с выбранными независимыми переменными показала хорошие результаты в предсказании тепловой нагрузки.
Коэффициент детерминации (R^2) составил 0,92, что указывает на высокую степень точности модели. Средняя абсолютная ошибка (MAE) составила 0,14, а среднеквадратичная ошибка (RMSE) - 0,19. Эти результаты свидетельствуют о надежности и эффективности разработанной модели для предсказания тепловой нагрузки.
Эта модель была разработана с использованием подхода получерного ящика. Были определены основные параметры, затем было построено простое уравнение для прогнозирования тепловой нагрузки. Данные, собранные в экспериментальной комнате, использовались для количественного определения констант уравнения. Затем уравнение использовалось для прогнозирования тепловой нагрузки помещения. При проверке было показано хорошее согласие. Процедуры построения модели тепловой нагрузки очень просты. Можно написать компьютерную программу для выполнения описанных процедур по комнатам. Затем можно получить модель тепловой нагрузки каждого помещения в здании. Это имеет большой потенциал для оптимизации тепловой нагрузки в здании.
Если вам интересны аналитика, интеллектуальные системы и обсуждение актуальных тем, присоединяйтесь к нашему каналу : https://t.me/Analyze_this_WITH_ME Здесь вы найдете множество полезных материалов, исследований и советов по применению интеллектуальных систем для управления и анализа данных в различных отраслях. Мы рады видеть вас среди наших подписчиков!
🚀💥 Рады анонсировать наш БЕСПЛАТНЫЙ курс "Алгоритмы анализа данных для оптимизации систем вентиляции и теплоэнергетики" 💥🚀 📘 Вас ждут следующие темы:
Основы алгоритмов анализа данных и их применение в системах вентиляции и теплоэнергетики.
Методы анализа данных для оценки энергоэффективности и снижения потребления энергии.
Алгоритмы оптимизации параметров и настройки вентиляционных систем.
Применение машинного обучения для прогнозирования нагрузки и управления теплоэнергетическими системами.
Автоматизация и интеграция систем управления вентиляцией и теплоэнергетическими системами с использованием IoT. 👥
Курс создан для инженеров, специалистов по вентиляции и теплоэнергетике, менеджеров проектов, студентов и преподавателей технических специальностей.
Вместе с нами вы получите доступ к эксклюзивным материалам, вебинарам и онлайн-мероприятиям с ведущими экспертами в области алгоритмов анализа данных для вентиляции и теплоэнергетических систем! ✨ Не упустите уникальную возможность присоединиться к нашему БЕСПЛАТНОМУ курсу и начать применять алгоритмы анализа данных для оптимизации ваших систем уже сегодня! Познайте мощь знаний и откройте новые горизонты для своего профессионального роста! ✨
#Установкиобработкивоздуха #деревьярешений #Обнаружениенеисправности #Управлениеданными #Машинноеобучение #Сверточныенейронныесети #Анализглавныхкомпонентов #Генеративно-состязательнаясеть #Случайныелеса #Анализправилассоциации #Рекуррентныенейронныесети #Генеративно-состязательнаясетьВассерштейна #Фанкойлы #Глубокоеобучение #Искусственнаянейроннаясеть #долгаякратковременнаяпамять