Evaluation of operating modes for central heating stations using neural network and ensemble machine learning methods

Abstract

The main objective of this study is to develop a method for assessing the operating modes of central heating stations (CHS) based on forecasting the thermal power and analyzing the deviations of actual parameters from the reference values. To achieve this goal, the following tasks were solved: primary processing and cleaning of data on technological parameters of CHS and meteorological observations for the period 2022-2024 were performed; regression models (Random Forest, XGBoost, CatBoost and a fully connected neural network) were trained and compared for forecasting the thermal power; an algorithm for assessing and forecasting the operating modes of CHS was developed. The most important results are: the fully connected neural network model, which achieved the determination coefficient R2 = 0.9997 and the mean absolute error MAE = 0.0099 Gcal/h; An algorithm developed based on the resulting model allows for differentiating deviations in central heating system operating modes by their source—from the heat supplier, from the consumer, and hidden abnormal conditions not detected by direct comparison with the temperature chart. The analysis revealed that a sharp increase in outside air temperature leads to an increase in the direct network water pressure due to the specifics of quantitative weather-dependent regulation, which can cause accelerated wear of heating networks. The significance of the obtained results lies in the fact that the proposed algorithm ensures the early detection of emergency and pre-emergency conditions, which helps reduce accident rates, reduce repair and maintenance costs, and improve the energy efficiency of district heating systems. The method can be adapted to various regions with centralized heating.

Obiectivul principal al acestui studiu este dezvoltarea unei metode de evaluare a regimurilor de funcționare ale centralelor termice (CTC), bazată pe prognozarea puterii termice și pe analiza abaterilor parametrilor reali față de valorile de referință. Pentru atingerea acestui obiectiv au fost realizate următoarele sarcini: prelucrarea primară și curățarea datelor privind parametrii tehnologici ai CTC și a observațiilor meteorologice pentru perioada 2022–2024; antrenarea și compararea unor modele de regresie (Random Forest, XGBoost, CatBoost și o rețea neuronală complet conectată) pentru prognozarea puterii termice; dezvoltarea unui algoritm pentru evaluarea și prognozarea regimurilor de funcționare ale CTC. Cele mai importante rezultate sunt următoarele: modelul de rețea neuronală complet conectată a obținut un coeficient de determinare R2 = 0,9997 și o eroare medie absolută MAE = 0,0099 Gcal/h. Algoritmul dezvoltat pe baza acestui model permite diferențierea abaterilor regimurilor de funcționare ale sistemului de încălzire centralizată în funcție de sursa acestora – furnizorul de energie termică, consumatorul sau condițiile anormale ascunse, care nu pot fi detectate prin compararea directă cu diagrama de temperatură. Analiza a evidențiat faptul că o creștere bruscă a temperaturii aerului exterior conduce la majorarea presiunii apei pe conducta de tur a rețelei termice, ca urmare a particularităților reglării cantitative dependente de condițiile meteorologice, ceea ce poate accelera uzura rețelelor de încălzire. Semnificația rezultatelor obținute constă în faptul că algoritmul propus asigură detectarea timpurie a situațiilor de urgență și premergătoare acestora, contribuind astfel la reducerea frecvenței avariilor, la diminuarea costurilor de reparație și întreținere și la creșterea eficienței energetice a sistemelor de încălzire centralizată. Metoda propusă poate fi adaptată pentru diverse regiuni în care sunt utilizate sisteme de încălzire centralizată.

Основной целью настоящего исследования является разработка метода оценки режимов работы центральных тепловых пунктов (ЦТП) на основе прогнозирования тепловой мощности и анализа отклонений фактических параметров от эталонных значений. Для достижения поставленной цели были решены следующие задачи: выполнена первичная обработка и очистка данных технологических параметров ЦТП и метеорологических наблюдений за период 2022–2024 гг.; обучены и сравнены модели регрессии (Random Forest, XGBoost, CatBoost и полносвязная нейросеть) для прогнозирования тепловой мощности; разработан алгоритм оценки режимов работы ЦТП. Наиболее важными результатами являются: полносвязная нейросетевая модель, которая достигла коэффициента детерминации R2 = 0.9997 и средней абсолютной ошибки MAE = 0.0099 Гкал/ч; разработанный на основе полученной модели алгоритм, позволяющий дифференцировать отклонения в режимах работы ЦТП по источникам возникновения — со стороны поставщика тепла, со стороны потребителя и скрытые нештатные режимы, не фиксируемые прямым сравнением с температурным графиком. В ходе анализа было установлено, что резкое повышение температуры наружного воздуха приводит к росту давления прямой сетевой воды из-за особенностей количественного погодозависимого регулирования, что может вызывать ускоренный износ тепловых сетей. Значимость полученных результатов состоит в том, что предложенный алгоритм обеспечивает раннее обнаружение аварийных и предаварийных режимов, что способствует снижению аварийности, уменьшению затрат на ремонт и обслуживание, а также повышению энергоэффективности систем централизованного теплоснабжения. Метод может быть адаптирован для различных регионов с централизованным теплоснабжением.