Чекмарев А.А., Харисов А.Р.
ИССЛЕДОВАНИЕ ИНТЕЛЛЕКТУАЛЬНОЙ АДАПТИВНОЙ СИСТЕМЫ УПРАВЛЕНИЯ НАСОСНОЙ СТАНЦИЕЙ *
Аннотация:
в статье рассмотрены результаты и подходы, представленные в современных исследованиях, посвящённых использованию интеллектуальных методов управления насосными станциями. В рамках исследования выполнен анализ предметной области и действующих автоматизированных систем управления, на основе которого выявлены их основные ограничения, связанные с отсутствием механизмов прогнозирования нагрузки и недостаточной адаптацией к изменяющимся условиям эксплуатации. Задача управления формализована как задача оптимизации с целевой функцией минимизации энергопотребления при соблюдении ограничений по давлению и ресурсу оборудования. Рассмотрено применение глубоких нейронных сетей и эволюционных алгоритмов оптимизации. Представлены результаты сравнительного анализа, подтверждающие повышение энергоэффективности и устойчивости работы насосной станции.
Ключевые слова:
насосная станция, интеллектуальная система управления, машинное обучение, глубокое обучение, прогнозирование нагрузки,оптимизация режимов работы, автоматизированные системы управления
Насосные станции являются ключевыми элементами систем водоснабжения, водоотведения и теплоснабжения и относятся к числу наиболее энергоёмких объектов инженерной инфраструктуры. Режимы их работы определяются совокупностью технологических параметров (давление, расход, мощность), временных факторов (суточная и сезонная неравномерность потребления), а также внешних воздействий, включая метеорологические условия. В большинстве эксплуатируемых автоматизированных систем управления технологическими процессами (АСУ ТП) применяются классические методы регулирования, основанные на ПИД-регуляторах и фиксированных уставках. Данные подходы обеспечивают устойчивость системы, однако не позволяют учитывать прогноз изменения нагрузки, изменяющиеся внешние условия и деградацию оборудования, что приводит к избыточному энергопотреблению и снижению ресурса насосных агрегатов. Таблица 1. Типовые технологические схемы насосных станций. Для реализации интеллектуальной адаптивной системы управления используется расширенный перечень входных данных, формируемых как на уровне технологического процесса, так и на уровне внешней среды. Комплексный учёт данных параметров позволяет формировать прогноз нагрузки и оптимизировать режимы работы насосного оборудования в реальном времени. Таблица 2. Перечень входных данных интеллектуальной системы. В современных научных исследованиях активно рассматриваются методы повышения энергоэффективности насосных станций за счёт применения моделирования, оптимизации и интеллектуальных алгоритмов управления. В работе, посвящённой оптимизации энергопотребления насосной станции, снабжающей две зоны системы водоснабжения, исследование проводилось на основе реальной водопроводной сети. После проведения полевых измерений была создана и откалибрована гидравлическая модель сети в программном комплексе EPANET. Авторами было проанализировано шесть вариантов модернизации системы, включая изменение конфигурации сети, корректировку давления на выходе насосной станции и изменение количества насосных агрегатов. Наиболее эффективным оказался вариант объединения двух изолированных зон водоснабжения в единую гидравлически связанную сеть с одновременным снижением давления, что позволило снизить энергопотребление на 7,8% при соблюдении всех нормативных требований. . Рис. 1. Схема анализируемой водопроводной сети с разделением на зоны измерения (DMA). . Рис. 2. График калибровки давления DMA 1. . Рис. 3. График калибровки давления DMA 2. Рисунки 2 и 3 – Графики калибровки давления в зонах DMA 1 и DMA 2, подтверждающие адекватность гидравлической модели и её соответствие реальным измерениям. Следующим этапом развития методов оптимизации является применение алгоритмов машинного и глубокого обучения. В исследовании «Deep learning approach to energy consumption modeling in wastewater pumping systems» предложена гибридная интеллектуальная система, объединяющая нейронные сети глубокого обучения и эволюционные алгоритмы оптимизации. Архитектура системы включает сверточную нейронную сеть на основе Residual Network (ResNet), механизм самовнимания (self-attention) и оптимизационный алгоритм Grey Wolf Optimizer (GWO). Использование остаточных связей позволяет сохранять значимую информацию при анализе длинных временных рядов, а механизм самовнимания обеспечивает выделение наиболее важных событий в истории работы насосной станции. . Рис. 4. Общая архитектура интеллектуальной системы управления насосной станцией. . Рис.5. Архитектура блока ResNet, обеспечивающегоустойчивое обучение и анализ нелинейных зависимостей. . Рис. 6. Механизм самовнимания, реализующий адаптивное взвешивание входных признаков. Как работает: Вопрос от текущего состояния (давление сейчас): «С какими прошлыми событиями я больше всего связан?». Поиск ответа в истории: Модель находит, что текущее давление сильнее всего связано с включением насоса час назад и началом дождя 30 минут назад. Пересмотр данных: теперь для прогноза модель использует не все данные подряд, а усиливает влияние именно этих двух ключевых событий из прошлого, игнорируя нерелевантное. В рамках исследования установлено, что ключевым инженерным параметром является отношение статического напора к напору в точке максимального КПД насоса (параметр β). Максимальная точность прогнозирования энергопотребления (R² ≈ 0,995) достигалась при значении β = 0,75. . Рис. 7. Сравнение энергоэффективности. 120 минут. Рисунки 7 – Сравнение энергоэффективности различных методов управления (PID, GA, LSTM и предложенного метода) на интервалах 20 суток. Результаты сравнительного анализа показали, что применение интеллектуальной системы управления обеспечивает снижение энергопотребления на 10–30%, что существенно превышает показатели, достигаемые при использовании традиционных и эвристических методов управления. Таблица 3. Эффект внедрения интеллектуального управления. Проведённый анализ альтернативных решений управления насосными станциями показал, что традиционные методы регулирования, основанные на использовании ПИД-регуляторов и фиксированных уставок, обладают высокой надёжностью и простотой реализации, однако не обеспечивают достаточной гибкости при работе в условиях изменяющейся нагрузки и внешних воздействий. Их применение приводит к повышенному энергопотреблению и ускоренному износу оборудования при длительной эксплуатации. Использование гидравлического моделирования и статических методов оптимизации позволяет повысить энергоэффективность насосных станций на этапе проектирования и модернизации, однако данные подходы ограничены жёсткой привязкой к исходным сценариям и требуют регулярной перекалибровки моделей. В условиях нестационарных режимов работы, влияния погодных факторов и изменения структуры потребления их эффективность существенно снижается. Анализ интеллектуальных методов управления показал, что системы, основанные на машинном и глубоком обучении, обладают значительным потенциалом, однако результаты исследований во многом зависят от качества и полноты обучающих данных. Недостаточная репрезентативность выборок, наличие пропусков и шумов в данных, а также ограниченные временные горизонты наблюдений могут снижать точность прогнозирования и устойчивость алгоритмов. Кроме того, большинство рассмотренных исследований основано на моделировании или пилотных внедрениях, что ограничивает обобщаемость полученных результатов. Несмотря на указанные ограничения, интеллектуальные адаптивные системы управления представляют собой наиболее перспективное направление развития. Их дальнейшее практическое применение требует комплексной валидации на реальных объектах, разработки механизмов интерпретируемости моделей и интеграции с существующими АСУ ТП, что определяет направления последующих исследований.
Номер журнала Вестник науки №12 (93) том 4 ч. 1
Ссылка для цитирования:
Чекмарев А.А., Харисов А.Р. ИССЛЕДОВАНИЕ ИНТЕЛЛЕКТУАЛЬНОЙ АДАПТИВНОЙ СИСТЕМЫ УПРАВЛЕНИЯ НАСОСНОЙ СТАНЦИЕЙ // Вестник науки №12 (93) том 4 ч. 1. С. 869 - 879. 2025 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/27870 (дата обращения: 07.02.2026 г.)
Вестник науки © 2025. 16+