Материалы

Сегментация потребителей тепловой энергии на основе ежедневных данных про энергоиспользование

Рейтинг:   / 0
ПлохоОтлично 

Authors:


М. В. Загирняк, orcid.org/0000-0003-4700-0967, Кременчугский национальный университет имени Михаила Остроградского, г. Кременчуг, Украина; email: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

А. Л. Перекрест, orcid.org/0000-0002-7728-9020, Кременчугский национальный университет имени Михаила Остроградского, г. Кременчуг, Украина; email: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

В. А. Огарь, orcid.org/0000-0003-3719-5369, Кременчугский национальный университет имени Михаила Остроградского, г. Кременчуг, Украина; email: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Е. О. Чеботарёва, orcid.org/0000-0003-4725-7914, Кременчугский национальный университет имени Михаила Остроградского, г. Кременчуг, Украина; email: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

А. В. Мур, фрилансер, г. Кременчуг, Украина, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.


повний текст / full article



Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2021, (2): 089 - 096

https://doi.org/10.33271/nvngu/2021-2/089



Abstract:



Цель.
Повышение качества анализа режимов энергопотребления зданий учебных заведений путем определения методом «k-means» типовых шаблонов их потребления на основе статистических данных использованной тепловой энергии, их площадей, внешней и внутренней температуры воздуха.


Методика.
Методы статистического и интеллектуального анализа данных, методы оптимизации, метод k-means.


Результаты.
Показано, что большинство исследуемых потребителей тепловой энергии имеют схожие шаблоны ее потребления и могут быть разделены на отдельные сегменты в соответствии с особенностями функционирования. Использованный набор данных отличается разнообразием, поскольку включает три группы данных (условно сформированных по типам учебных заведений). Здания в группах имеют разные площади, внутреннюю температуру, которая должно поддерживаться, режимы работы систем отопления и так далее. Для каждой из групп определено количество кластеров, соответствующее низким, средним и высоким значениям теплопотребления. Выяснено, что количество потребляемой тепловой энергии и поведение потребителей зависит от дня недели. Полученные результаты трудно обобщить для всех существующих типов зданий, но ожидается, что коммунальные сооружения могут иметь схожие шаблоны потребления, поскольку режимы работы и нормы внутреннего микроклимата остаются одинаковыми для разных температурных зон и территорий.


Научная новизна.
Получила дальнейшее развитие методика разделения на сегменты потребителей тепловой энергии на основе данных о ежедневном энергопотреблении с использованием алгоритма кластеризации «k-means», реализованного на языке программирования R. Впервые предложено рассматривать не одну, а три группы объектов учебных заведений. Предложено определять режимы энергопотребления зданиями аналитически путем учета таких параметров как площадь зданий, количество потребленного ими теплового ресурса, внешняя и внутренняя температура воздуха.


Практическая значимость.
Результаты исследования полезны для предприятий теплоснабжения, муниципалитетов и могут быть использованы для разработки программ и политики по энергоэффективности. Приведенное информационно-аналитическое обеспечение создает основу для разработки программных решений с функцией интеграции в локальные системы энергетического мониторинга отдельного здания, системы энергетического менеджмента района и/или города. Представленые результаты дают возможность прогнозирования затрат энергетических ресурсов, которые используются для обогрева зданий различного назначения. Это позволяет повысить эффективность функционирования инженерных систем зданий.


Ключевые слова:
теплопотребление, k-means, сегментация, кластеризация. анализ данных

References.


1. Perekrest, A., Shendryk, V., Pijarski, P., Parfenenko, Y., & Shendryk, S. (2017). Complex information and technical solutions for energy management of municipal energetics. Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments 2017, 10445, 1044567. https://doi.org/10.1117/12.2280962.

2. Perekrest, A., Konokh, I., & Kushch-Zhyrko, M. (2019). Administrative Buildings Heating Automatic Control Based on Maximum Efficiency Criterion. 2019 IEEE International Conference on Modern Electrical and Energy Systems (MEES), 202-205. https://doi.org/10.1109/mees.2019.8896517.

3. Ramos, S., Duarte, J., Soares, J., Vale, Z., & Duarte, F. (2012). Typical load profiles in the smart grid context: A clustering methods comparison. 2012 IEEE Power and Energy Society General Meeting. https://doi.org/10.1109/pesgm.2012.6345565.

4. Chebotarova, Y., Perekrest, A., & Ogar, V. (2019). Comparative Analysis of Efficiency Energy Saving Solutions Implemented in the Buildings. 2019 IEEE International Conference on Modern Electrical and Energy Systems (MEES). Kremenchuk, Ukraine, 434-437. https://doi.org/10.1109/MEES.2019.8896691.

5. Ma, Z., Xie, J., Li, H., Sun, Q., Si, Z., Zhang, J., & Guo, J. (2017). The Role of Data Analysis in the Development of Intelligent Energy Networks. IEEE Network, 31(5), 88-95. https://doi.org/10.1109/mnet.2017.1600319.

6. Power institute Hrvoje Požar (2020). Research on the current state of energy management in Ukrainian communities. Retrieved from http://misto-em.org.ua/wp-content/uploads/2020/07/Zvit-pro-doslidzhennya-MEM-v-gromadah_ukr.pdf.

7. Du, Y., Wang, Ch., Li, H., Song, J., & Li, B. (2019). Clustering Heat Users Based on Consumption Data. Energy Procedia, 158, 3196-3201. https://doi.org/10.1016/j.egypro.2019.01.1010.

8. Wang, C., Du, Y., Li, H., Wallin, F., & Min, G. (2019). New methods for clustering district heating users based on consumption patterns. Applied Energy, 251, 113373. https://doi.org/10.1016/j.apenergy.2019.113373.

9. Do Carmo, C., & Christensen, T. (2016). Cluster analysis of residential heat load profiles and the role of technical and household characteristics. Energy And Buildings, 125, 171-180. https://doi.org/10.1016/j.enbuild.2016.04.079.

10. Gianniou, P., Liu, X., Heller, A., Nielsen, P., & Rode, C. (2018). Clustering-based analysis for residential district heating data. Energy Conversion and Management, 165, 840-850. https://doi.org/10.1016/j.enconman.2018.03.015.

11. Tureczek, A., Nielsen, P., Madsen, H., & Brun, A. (2019). Clustering district heat exchange stations using smart meter consumption data. Energy and Buildings, 182, 144-158. https://doi.org/10.1016/j.enbuild.2018.10.009.

12. Aiad, M., & Lee, P. (2018). Energy disaggregation of overlapping home appliances consumptions using a cluster splitting approach. Sustainable Cities and Society, 43, 487-494. https://doi.org/10.1016/j.scs.2018.08.020.

13. Diao, L., Sun, Y., Chen, Z., & Chen, J. (2017). Modeling energy consumption in residential buildings: A bottom-up analysis based on occupant behavior pattern clustering and stochastic simulation. Energy and Buildings, 147, 47-66. https://doi.org/10.1016/j.enbuild.2017.04.072.

14. Azaza, M., & Wallin, F. (2017). Smart meter data clustering using consumption indicators: responsibility factor and consumption variability. Energy Procedia, 142, 2236-2242. https://doi.org/10.1016/j.egypro.2017.12.624.

15. De la Puente-Gil, A., González-Martínez, A., Borge-Diez, D., Martínez-Cabero, M.-Á., & de Simón-Martín, M. (2019). True power consumption labeling and mapping of the health system of the Castilla y León region in Spain by clustering techniques. Energy Procedia, 157, 1164-1181. https://doi.org/10.1016/j.egypro.2018.11.283.

16. Pérez-Ortega, J., Nely Almanza-Ortega, N., Vega-Villalobos, A., Pazos-Rangel, R., Zavala-Díaz, C., & Martínez-Rebollar, A. (2019). The K-Means Algorithm Evolution. Introduction to Data Science and Machine Learning. https://doi.org/10.5772/intechopen.85447.

17. Koren, O., Hallin, C., Perel, N., & Bendet, D. (2019). Enhancement of the K-Means Algorithm for Mixed Data in Big Data Platforms. Proceedings of the 2018 Intelligent Systems Conference (IntelliSys), London, UK, 1, 1025-1040. https://doi.org/10.1007/978-3-030-01054-6_71.

18. Charrad, M., Ghazzali, N., Boiteau, V., & Niknafs, A. (2019). NbClust Package. An examination of indices for determining the number of clusters.

19. Perekrest, A., Chornyi, O., Mur, O., Kuznetsov, V., Kuz­ne­tso­va, Y., & Nikolenko, A. (2018). Preparation and preliminary analysis of data on energy consumption by municipal buildings. Eastern-European Journal Of Enterprise Technologies, 6(8(96)), 32-42. https://doi.org/10.15587/1729-4061.2018.147485.

20. Covenant of Mayors. Retrieved from http://com-east.eu/uk/pro-nas/ugoda-meriv/.

 

Следующие статьи из текущего раздела:

Предыдущие статьи из текущего раздела:

Посетители

3479529
Сегодня
За месяц
Всего
355
355
3479529

Гостевая книга

Если у вас есть вопросы, пожелания или предложения, вы можете написать их в нашей «Гостевой книге»

Регистрационные данные

ISSN (print) 2071-2227,
ISSN (online) 2223-2362.
Журнал зарегистрирован в Министерстве юстиции Украины.
 Регистрационный номер КВ № 17742-6592ПР от 27.04.2011.

Контакты

40005, г. Днепр, пр. Д. Яворницкого, 19, корп. 3, к. 24 а
Тел.: +38 (056) 746 32 79.
e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Вы здесь: Главная