Машинное обучение в прогнозировании теплопотерь в системах теплоснабжения

Обоснование. В исследовании представлено применение методов машинного обучения для прогнозирования теплопотерь в системе теплоснабжения города Казань на основе данных за период 2020–2023 годы. Прогнозирование теплопотерь позволяет повысить эффективность работы системы теплоснабжения, снизить затраты на производство и транспортировку тепла. В работе рассматриваются различные модели машинного обучения, такие как линейная регрессия, ансамблевые методы (случайный лес, градиентный бустинг) и нейронные сети, а также проводится оценка их точности и применимости в контексте городской инфраструктуры.

Цель – повышение точности прогнозирования теплопотерь в системе теплоснабжения города Казань с целью оптимизации работы и снижения эксплуатационных затрат.

Материалы и методы. Исследование базируется на операционных данных системы теплоснабжения, погодных данных, а также инфраструктурных характеристиках трубопроводов. Основные методы исследования включают линейную регрессию, методы регуляризации (Лассо, гребневая регрессия), ансамблевое обучение (случайный лес и градиентный бустинг) и многослойный перцептрон (MLP). Для оценки моделей использовались метрики MSE, MAPE и R², а также кросс-валидация.

Результаты. Проведенный анализ показал, что методы машинного обучения, особенно градиентный бустинг и нейронные сети, позволяют достичь высокой точности прогнозирования теплопотерь (R² = 0,89). Применение данных методов способствует повышению энергоэффективности и снижению эксплуатационных затрат в теплоснабжающих системах.