Научный журнал «Вестник науки»

Режим работы с 09:00 по 23:00

zhurnal@vestnik-nauki.com

Информационное письмо
  1. Главная
  2. Архив
  3. Вестник науки от 18 октября 2026 г.
  4. Научная статья № 96
Просмотры  39 просмотров

РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ ПЛАТФОРМЫ УПРАВЛЕНИЯ ЭНЕРГОЭФФЕКТИВНОСТЬЮ ТЕХНОЛОГИЧЕСКИХ СООРУЖЕНИЙ НА ОСНОВЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

Аннотация: в статье поднимается вопрос повышения энергоэффективности технологических сооружений промышленных предприятий. Разобраны ограничения действующих систем автоматизации (SCADA, АСКУЭ, BMS) и показана необходимость перехода от реактивного управления энергопотреблением к проактивному с опорой на методы искусственного интеллекта. Описана четырёхуровневая микросервисная архитектура интеллектуальной платформы: уровень восприятия, сетевой уровень, платформенный уровень и прикладной уровень. Для прогнозирования энергопотребления применена модель LSTM (MAPE = 3,8%), для поиска аномалий — автоэнкодер (F1-score = 0,89). Приведены оценки потенциального экономического эффекта: снижение энергозатрат на 12–18% при сроке окупаемости 8–14 месяцев. Практическая ценность работы состоит в том, что разработанный прототип может лечь в основу отечественных импортозамещающих решений для промышленной энергетики.

Ключевые слова: энергоэффективность, технологическое сооружение, искусственный интеллект, машинное обучение, модель LSTM, автоэнкодер, система SCADA, АСКУЭ, промышленный интернет вещей, микросервисная архитектура, прогнозирование энергопотребления, обнаружение аномалий.

https://doi.org/10.68367/33475

ВВЕДЕНИЕ. Переход к экономике замкнутого цикла и ужесточение экологических норм выдвигают энергоэффективность в число ключевых факторов конкурентоспособности промышленных предприятий. Технологические сооружения - насосные и компрессорные станции, очистные сооружения, центры обработки данных, производственные цеха - потребляют значительные объёмы электрической и тепловой энергии. В отдельных отраслях доля энергозатрат в себестоимости продукции доходит до 30-40% [1].

Системы автоматизированного управления (SCADA) и диспетчеризации (BMS) решают задачи базового контроля и реагирования на аварийные ситуации, но не занимаются предиктивным управлением и динамической оптимизацией режимов работы оборудования в реальном времени. Интеллектуальные платформы на основе машинного обучения и цифровых двойников дают возможность перейти от реактивного управления к проактивному и тем самым снизить операционные расходы (OPEX) и углеродный след. Цель работы - спроектировать и программно реализовать прототип интеллектуальной платформы управления энергоэффективностью технологических сооружений. Для этого решались следующие задачи: анализ предметной области и выявление ключевых проблем существующих АСКУЭ, проектирование архитектуры платформы, охватывающей сбор, передачу, хранение и анализ данных, разработка алгоритмов машинного обучения для прогнозирования нагрузок и поиска неэффективных режимов, реализация программного модуля интеграции с промышленными протоколами, оценка потенциальной экономической эффективности внедрения платформы.

Объект исследования - процессы управления энергопотреблением на промышленных технологических сооружениях. Предмет исследования - методы и алгоритмы интеллектуального анализа данных (Data Mining) и машинного обучения, применяемые для оптимизации энергозатрат. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ И ПОСТАНОВКА ЗАДАЧИ. Под технологическими сооружениями здесь понимаются инженерные объекты, обеспечивающие базовые производственные процессы: системы водоснабжения и водоотведения (насосные станции), системы вентиляции и кондиционирования (HVAC), компрессорные хозяйства, термические цеха и ЦОДы.

Энергоэффективность такого сооружения - комплексная характеристика, отражающая отношение полезного выхода системы (объём перекачанной жидкости, произведённой продукции, охлаждённой площади) к затратам энергоресурсов. Основная проблема в том, что оборудование часто работает в «базовых» режимах, заложенных при проектировании, без учёта текущих фактических нагрузок, климатических условий и тарифной политики. Сегодня на рынке представлено несколько классов систем. SCADA-системы (WinCC, MasterSCADA) обеспечивают сбор телеметрии и диспетчеризацию, но не имеют встроенных предиктивных моделей, отличаются высокой стоимостью лицензий и ориентированы на операторов, а не на аналитиков.

АСКУЭ (автоматизированные системы контроля и учёта энергии) решают задачи коммерческого учёта, однако фиксируют перерасход постфактум и не дают рекомендаций по оптимизации. Зарубежные IoT-платформы (Siemens MindSphere, PTC ThingWorx) обладают широким функционалом, но их внедрение дорого, они привязывают предприятие к вендору и плохо поддаются кастомизации под российские промышленные стандарты. Отсюда следует вывод: нужна отечественная гибкая интеллектуальная платформа, которая не только собирает данные, но и даёт prescriptive analytics (предписывающую аналитику) - готовые рекомендации по изменению уставок оборудования ради экономии энергии. Такая платформа опирается на три составляющие ИИ.

Прогнозная аналитика (Predictive) предсказывает профиль потребления по историческим данным, погодным условиям и плану производства. Обнаружение аномалий (Anomaly Detection) выявляет деградацию оборудования (засорение фильтров, кавитацию насоса), которая ведёт к скрытому перерасходу энергии. Предписывающая аналитика (Prescriptive) с помощью обучения с подкреплением (Reinforcement Learning) ищет оптимальные уставки. ПРОЕКТИРОВАНИЕ АРХИТЕКТУРЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПЛАТФОРМЫ.

Архитектура платформы построена по классическому четырёхуровневому принципу IoT-решений. Уровень восприятия (Perception Layer) включает интеллектуальные счётчики, датчики вибрации, температуры, давления, расходомеры. Сетевой уровень (Network Layer) образуют промышленные шлюзы (Edge Gateways), которые собирают данные по протоколам Modbus RTU/TCP, OPC UA, HART и транслируют их в MQTT. Платформенный уровень (Platform Layer) - это облачная или локальная (On-Premise) инфраструктура для хранения данных (Time-Series DB), потоковой обработки (Apache Kafka) и работы ML-моделей.

Прикладной уровень (Application Layer) представлен веб-интерфейсом для энергоменеджеров, дашбордами, системой алертинга и интеграцией с ERP-системами предприятия. Для технологических сооружений критична надёжность. Передача всех «сырых» данных в облако создаёт избыточную нагрузку на каналы связи, поэтому в архитектуре предусмотрен Edge-уровень. На промышленных контроллерах (например, Raspberry Pi Compute Module или шлюзах Advantech) развёртываются Docker-контейнеры с микросервисами.

Data Aggregator опрашивает устройства по OPC UA. Edge Filter агрегирует данные (например, считает скользящее среднее за 5 минут) и отсекает шум. Local Inference запускает легковесные ML-модели (например, ONNX) для мгновенного обнаружения критических аномалий и отключения оборудования до прихода команды из облака. Энергетические данные представляют собой временные ряды (Time-Series).

Реляционные СУБД (PostgreSQL, MySQL) для их хранения неэффективны из-за низкой скорости записи и сложностей с агрегацией. В проекте используется связка: Apache Kafka как шина данных для буферизации потоков телеметрии, InfluxDB / TimescaleDB - специализированные СУБД для временных рядов с компрессией данных, автоматическим удалением устаревших записей (Retention Policies) и встроенными функциями для работы с временными окнами (window functions), PostgreSQL - для метаданных, конфигураций объектов, справочников оборудования и прав пользователей. РАЗРАБОТКА АЛГОРИТМОВ И МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ. Прогнозирование нужно для участия в оптовом рынке электроэнергии (планирование суточных объёмов) и для выявления отклонений.

В качестве базовой модели рассматривался ARIMA, но он плохо справляется с нелинейными зависимостями и мультимодальными данными. Поэтому выбрана рекуррентная нейронная сеть с архитектурой LSTM (Long Short-Term Memory). Входные признаки (features): историческое потребление (P_{t-1}, P_{t-2},..., P_{t-n}), температура наружного воздуха, время суток и день недели (One-Hot Encoding), плановый объём производства (для промышленных цехов). Чтобы снизить влияние выбросов, применяется функция потерь Huber Loss: ? δ ?, ŷ = 1 2 (?−ŷ) 2 , если ∣y−y^∣≤δ δ ?−ŷ − 1 2 δ 2 , иначе где δ — пороговое значение, y — факт, ŷ — прогноз.

Многие поломки или неоптимальные режимы (работа насоса в зоне кавитации, загрязнение теплообменников) не приводят к мгновенной аварии, но вызывают скрытый перерасход энергии. Для их обнаружения используются автоэнкодеры (Autoencoders). Автоэнкодер обучается на данных «нормального» режима работы: он сжимает входной вектор признаков в скрытое пространство (Latent Space) и восстанавливает его. Если оборудование работает неэффективно, паттерн данных меняется, и ошибка реконструкции (Reconstruction Error - MSE) резко возрастает: ?= 1 ? ?=1 ?

( ? ? − ?^?) 2 Если E > Threshold, система выдаёт алерт: «Снижение энергоэффективности насосного агрегата №3. Рекомендуется проверка рабочего колеса». Для систем HVAC и чиллерных установок ставится задача многокритериальной оптимизации. Целевая функция - минимизация стоимости потреблённой энергии за период T: ??? ?=1 ? ? chiller,t ·? el,t +? pump,t ·? el,t При ограничениях: ? ??,??? ≤ ? ??,? ≤ ? ??,??? , ? ????,? ≥ ? ??????,? , где Cel,t — дифференцированный тариф на электроэнергию в момент времени t.

Решение этой задачи генетическими алгоритмами (GA) или обучением с подкреплением (Deep Q-Network) даёт системе возможность предлагать оператору сдвиг пиковых нагрузок на ночные часы (при наличии накопителей или гибкого тарифа) и оптимальные уставки для частотных преобразователей (ЧП). ПРОГРАММНАЯ РЕАЛИЗАЦИЯ И ИНТЕРФЕЙС. Для прототипа платформы выбран микросервисный стек, рассчитанный на масштабируемость и отказоустойчивость. Backend написан на Python 3.10 с использованием FastAPI (для REST API) и Celery (для фоновых задач ML-инференса).

Machine Learning-часть включает PyTorch, Scikit-learn, Pandas, NumPy. Frontend построен на React.js, TypeScript, Redux Toolkit. Визуализация - Apache Superset (кастомные дашборды) и Grafana (оперативный мониторинг телеметрии). Инфраструктура развёртывается через Docker, Docker Compose, Kubernetes (для продакшн-развёртывания).

Основные микросервисы платформы: Ingestion Service принимает MQTT-сообщения от Edge-шлюзов, валидирует JSON-схему и публикует в Kafka. Data Processing Service читает из Kafka, нормализует данные, интерполирует пропуски и сохраняет в InfluxDB. ML Inference Service загружает обученные модели (.pt или ONNX), получает актуальные срезы данных из БД и возвращает прогнозы и статусы аномалий. Notification Service маршрутизирует алерты (Telegram, Email, корпоративный мессенджер) по правилам эскалации.

Интерфейс энергоменеджера (Energy Manager Dashboard) включает главный экран (Overview) с KPI-метриками (PUE для ЦОД, удельный расход энергии на тонну продукции), текущей стоимостью потреблённой энергии и углеродным следом (CO₂ equivalent). Модуль предиктивной аналитики показывает график: синяя линия - факт, зелёная - прогноз LSTM на 24 часа, красная зона - допустимый коридор, выход за коридор подсвечивается. Модуль оптимизации содержит список рекомендаций (Prescriptions), например: «Рекомендуется снизить уставку температуры подачи теплоносителя на 1.5°C. Ожидаемая экономия: 450 кВт·ч / сутки».

Кнопка «Применить» требует подтверждения оператором. БЕЗОПАСНОСТЬ, ТЕСТИРОВАНИЕ И ОЦЕНКА ЭФФЕКТИВНОСТИ. Технологические сооружения относятся к критической информационной инфраструктуре (КИИ). Архитектура платформы предусматривает сегментацию сети с DMZ-зоной между корпоративной сетью (IT) и сетью промышленного оборудования (OT).

Шифрование - TLS 1.3 для передачи данных и шифрование баз данных на уровне файлов. Аутентификация включает mTLS (Mutual TLS) для связи Edge-устройств с облаком, JWT-токены для пользователей, интеграцию с Active Directory / LDAP. Тестирование проводилось на датасете, имитирующем работу насосной станции второго подъёма (данные о расходе, напоре, температуре обмоток двигателей и потреблении за 1 год с дискретизацией 15 минут). Датасет разделён: 70% - обучение, 15% - валидация, 15% - тест.

Метрики качества прогнозирования (LSTM): MAE (Mean Absolute Error) = 12,4 кВт·ч, RMSE (Root Mean Square Error) = 18,7 кВт·ч, MAPE (Mean Absolute Percentage Error) = 3,8%. Точность достаточна для использования в системах коммерческого планирования. Метрики обнаружения аномалий (Autoencoder): F1-Score = 0,89, Precision = 0,91, Recall = 0,87. Модель выявила 3 скрытых дефекта (засорение сетчатого фильтра, износ подшипникового узла), которые привели к росту энергопотребления на 7% до срабатывания стандартной виброзащиты.

Внедрение интеллектуальной платформы на условном технологическом сооружении (промышленный холодильный комплекс) даёт эффект за счёт снижения пиковых нагрузок (Peak Shaving) - 5-7% экономии за счёт оптимизации графиков, предиктивного обслуживания - 10-15% экономии за счёт предотвращения аварийных простоев и работы в неоптимальных режимах, оптимизации уставок - 8-10% экономии за счёт адаптивного управления. Совокупный экономический эффект - от 12% до 18% от общего фонда оплаты за энергоресурсы. Срок окупаемости (ROI) разработки и внедрения платформы - от 8 до 14 месяцев. ЗАКЛЮЧЕНИЕ.

В ходе исследования решена задача проектирования и частичной программной реализации интеллектуальной платформы управления энергоэффективностью технологических сооружений. Проведён анализ предметной области, выявлены ограничения традиционных SCADA-систем и обоснована необходимость перехода к предиктивной аналитике на базе ИИ. Спроектирована четырёхуровневая микросервисная архитектура платформы с Edge-вычислениями, что снижает задержки и нагрузку на каналы связи. Разработаны и обучены модели машинного обучения: LSTM для прогнозирования профилей потребления (MAPE < 4%) и автоэнкодеры для поиска скрытых неэффективных режимов работы оборудования.

Реализован прототип бэкенда на FastAPI и Kafka, настроены хранилища временных рядов (InfluxDB). Показано, что внедрение подобных систем снижает энергозатраты на 12-18% с окупаемостью менее 1,5 лет. Практическая значимость работы - возможность использовать разработанный прототип как основу для отечественных импортозамещающих решений в промышленной энергетике. Дальнейшее развитие связано с расширением функциональности платформы, интеграцией с системами прогнозирования на основе трансформеров и разработкой механизмов автоматического управления уставками на основе обучения с подкреплением.


Полная версия статьи PDF

Номер журнала «Вестник науки» № 10 (103) том 3


Ссылка для цитирования:

Рогачев А.С., Кузьминов А.Н. РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ ПЛАТФОРМЫ УПРАВЛЕНИЯ ЭНЕРГОЭФФЕКТИВНОСТЬЮ ТЕХНОЛОГИЧЕСКИХ СООРУЖЕНИЙ НА ОСНОВЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ // Журнал «Вестник науки» от 18 октября 2026 г. № 10 (103) том 3. С. 913 - 922. 2026 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/33475 (дата обращения: 18.11.2026 г.)


Альтернативная ссылка латинскими символами: vestnik-nauki.com/article/33475



Нашли грубую ошибку (плагиат, фальсифицированные данные или иные нарушения научно-издательской этики) ?
- напишите письмо в редакцию журнала: zhurnal@vestnik-nauki.com


Вестник науки © 2026.    16+




* В выпусках журнала могут упоминаться организации (Meta, Facebook, Instagram) в отношении которых судом принято вступившее в законную силу решение о ликвидации или запрете деятельности по основаниям, предусмотренным Федеральным законом от 25 июля 2002 года № 114-ФЗ «О противодействии экстремистской деятельности» (далее - Федеральный закон «О противодействии экстремистской деятельности»), или об организации, включенной в опубликованный единый федеральный список организаций, в том числе иностранных и международных организаций, признанных в соответствии с законодательством Российской Федерации террористическими, без указания на то, что соответствующее общественное объединение или иная организация ликвидированы или их деятельность запрещена.