Науковий вісник НГУ

Сегментація споживачів теплової енергії на основі щоденних даних про енерговикористання

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №2 2021

Останнє оновлення: 09 травня 2021

Опубліковано: 30 листопада -0001

Перегляди: 1309

Authors:

М. В. Загірняк, orcid.org/0000-0003-4700-0967, Кременчуцький національний університет імені Михайла Остроградського, м. Кременчук, Україна; email: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

А. Л. Перекрест, orcid.org/0000-0002-7728-9020, Кременчуцький національний університет імені Михайла Остроградського, м. Кременчук, Україна; email: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В. О. Огарь, orcid.org/0000-0003-3719-5369, Кременчуцький національний університет імені Михайла Остроградського, м. Кременчук, Україна; email: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Є. О. Чеботарьова, orcid.org/0000-0003-4725-7914, Кременчуцький національний університет імені Михайла Остроградського, м. Кременчук, Україна; email: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О. В. Мур, фрілансер, м. Кременчук, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

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

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

Abstract:

Мета. Підвищення якості аналізу режимів енергоспоживання будівель закладів освіти шляхом визначення методом «k-means» типових шаблонів їх споживання на основі статистичних даних використаної теплової енергії, їх площ, зовнішньої та внутрішньої температури повітря.

Методика. Методи статистичного та інтелектуального аналізу даних, методи оптимізації, метод k-means.

Результати. Показано, що більшість досліджуваних споживачів теплової енергії мають схожі шаблони її споживання й можуть бути розділені на окремі сегменти відповідно до особливостей функціонування. Використаний набір даних відрізняється різноманітністю, оскільки включає три групи даних (умовно сформованих за типами закладів освіти). Будівлі у групах мають різні площі, внутрішню температуру, що має підтримуватися, режими роботи систем опалення тощо. Для кожної із груп визначена кількість кластерів, що відповідають низьким, середнім і високим значенням теплоспоживання. З’я­со­ва­но, що кількість споживаної теплової енергії й поведінка споживачів залежить від дня тижня. Отримані результати складно узагальнити для всіх існуючих типів будівель, але очікується, що комунальні споруди можуть мати схожі шаблони споживання, оскільки режими роботи та норми внутрішнього мікроклімату залишаються однаковими для різних температурних зон і територій.

Наукова новизна. Набула подальшого розвитку методика розділення на сегменти споживачів теплової енергії на основі даних про щоденне енерговикористання за допомогою алгоритму кластеризації «k-means», реалізованого мовою програмування R. Уперше запропоновано розглядати не одну, а три групи об’єктів закладів освіти. Запропоновано визначати режими енерговикористання будівлями аналітично шляхом урахування таких параметрів як площа будівель, кількість спожитого ними теплового ресурсу, зовнішня та внутрішня температура повітря.

Практична значимість. Результати дослідження корисні для підприємств теплопостачання, муніципалітетів і можуть бути використані для розробки програм і політики з енергоефективності. Приведене інформаційно-аналітичне забезпечення створює підґрунтя для розробки програмних рішень із функцією інтеграції в локальні системи енергетичного моніторингу окремої будівлі, системи енергетичного менеджменту району та/або міста. Представлені результати надають можливість прогнозування витрат енергетичних ресурсів, які використовуються для обігріву будівель, що підвищує ефективність функціонування інженерних систем будівель.

Ключові слова: теплоспоживання, k-means, сегментація, кластеризація, аналіз даних

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/.

• < Попередня
• Наступна >