КОМПЛЕКС ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ ТЕПЛОГИДРАВЛИЧЕСКИХ СЕТЕЙ «УМНОГО ГОРОДА»

Институт Теплофизики

им. С.С. Кутателадзе

Направление работы: создание цифровых моделей и двойников, систем поддержки принятия решений. �

Для чего нужен цифровой двойник? - можно предсказать последствия принимаемого решения на основе двойника до реализации на практике.

• оптимизация технологических процессов;
• планирование развития инженерных систем, коммуникаций;
• анализ работы реальных систем (при наличии телеметрии)

По существу, может быть создан цифровой двойник объекта управления, субъекта управления и даже цифровой двойник процесса.

Цифровые модели и двойники на базе численного (физического) моделирования: подходят для создания моделей технологических систем.

Цифровые двойники на базе символьного ИИ: подходят для моделирования субъекта управления и бизнес-процессов

Типичные задачи мониторинга и анализа

• Оперативный мониторинг:

– Анализ временных рядов, детектирование аномалий - резкое или постепенное изменение характеристик работы технологического оборудования, отклонение в «поведении» потребителей ( нетипичные объемы потребления, нехарактерное распределение по времени)

​

• Ретроспективный анализ:

– Выявление скрытых закономерностей и тенденций в исторических данных;

– Сегментация и кластеризация (отнесение объектов – пользователей, потребителей, контрагентов, объектов инфраструктуры, к различным классам по явно заданным критериям или совокупности характеристик)

​

​

• Предиктивный анализ:

– Прогнозирование потребления ресурсов (энергопотребления, теплопотребления)

– Оценка вероятности наступления события (авария, переход в нештатный режим, выход за пределы нормативных параметров работы)

Фрагмент схемы тепловой сети поселка Черемушки республики Хакасия

Модель тепловой сети представляет собой связный граф, где узлами являются объекты, а ребрами графа – участки (трубопроводы) тепловой сети

В контексте модели тепловой сети выделяют такие элементы как источник, потребитель, тепловой узел, различные типы дросселирующих элементов, запорно-регулирующая арматура, и.т.д.

Тепловые сети: трубопроводы (со всеми сопутствующими конструкциями и сооружениями), предназначенные для транспортировки горячей воды, пара и конденсата водяного пара (ГОСТ 21 .705 - 2016)

Цифровая схема сети ≠ Цифровая модель ≠ Цифровой двойник!

• Схема должна иметь инструменты расчёта состояний, чтобы считаться моделью.
• Модель должна актуализироваться в соответствии с изменениями в реальном мире, чтобы считаться двойником.

Цель работы

БД

Модуль

реконструкции

и мониторинга

​

UI

Модуль

вариантных

расчётов

​

накопление

вариантов

Модуль

оптимизации

и аналитики

​

Детектирование нештатных ситуации

Выработка рекомендаций

накопление

мониторинговых

данных

AI

AI

Ожидаемый эффект:

• Повышение качества управления городскими ресурсами;
• Повышение технологичности городской инфраструктуры;
• Снижение сложности планирования обслуживания и развития инфраструктуры;

ООО «ИнКо» 2004 – 2017 годы - создание электронных схем теплоснабжения с разработкой рекомендаций по оптимизации режимов работы тепловых сетей с использованием Zulu (Усть-Илимск, Железногорск, Братск, Красноярск, и. др.), 2020 год - внесение изменений в электронную схему теплоснабжения г. Братска (ИТ СО РАН)

Коллектив ООО «ИнКо» входит в состав команды проекта

Схема тепловой сети п. Майна

Сетевые численные модели: формирования набора данных

Собственное ПО для моделирования

сетевых задач (SigmaNet)

• Подготавливается модельная балансовая теплогидравлическая схема тепловой сети (за основу берётся схема Zulu).
• В подготовленной модели выполняется большое количество вариантных расчётов, охватывающих штатные и нештатные режимы работы.
• На основе вариантных расчётов производится обучение модели для решения поставленных задач

Использование численной модели для обучения нейросети

Вариантные расчёты на модельной тепловой сети (>10,000 вариантов)

Задача: Предсказание дефектов (отклонения от исходной топологии) в тепловой сети. Задача включает бинарную классификацию: предсказать, в каких трубах возник дефект и определить тип дефекта (классификация или регрессия).

ML-модели: Графовые и гибридные нейронные сети. Такие сети, в силу своей архитектуры, естественным образом подходят для работы с сетевыми задачами, поскольку данные тепловой, гидравлической или иной сети могут быть представлены в виде атрибутов рёбер и узлов графа.

Результаты: Для модельной тепловой сети на основе фрагмента сети города Ясногорск достигнуто эффективное восстановление состояния сети по ограниченным данным. Это позволяет детектировать отклонение режимных параметров от номинальных, определить утечки, потери тепла, или иные дефекты в работе сети.

Усреднение

вершин

Усреднение

ребер

Агрегация

Графовая свертка

Сглаживание

}

матрицы признаков вершин и ребер

}

вектора-признаки вершин и ребер

Пример: применение графовых нейронных сетей для предсказания дефектов в тепловой сети

Архитектура и нейросетевая математическая модель: графовая свёрточная сеть на основе GraphSAGE

Распространение

сигнала

Пример использованной

графовой нейросети

(конфигурация с

минимальным

количеством слоёв)

Пример снижения функции потерь в ходе обучения модели графовой свёрточной сети (GCN) для предсказания (реконструкции) состояния сети: а) модель, содержащая 3 графовых свёрточных слоя, б – модель 4 графовых свёрточных слоя и проекционные полносвязные слои

Итоговый процесс обучения и примеры реконструкции скорости потока и диаметров трубопроводов графовой свёрточной сетью (GCN) для модельной сети

Обучение модели GCN для реконструкции состояний элементов сети

Пример реконструкции скорости потока теплоносителя и диаметра трубопровода.

На вход сети подавались значения давления в контрольных узлах и расход на потребителях.

Реконструкция скорости

Реконструкция отклонений �диаметров трубопроводов

Схема внедрения решения

1. Анализ и актуализация теплогидравлической схемы
2. Исследование имеющейся системы сбора данных, оптимизационный расчёт в целях определения минимально необходимого набора средств мониторинга
3. Установка средств удалённого мониторинга (расходомеры, датчики давления и температуры) , подключение цифровой платформы
4. Накопление данных, валидация расчётной схемы, проведение вариантных расчётов
5. Обучение и тестирование нейросетевых моделей, подключение их к цифровой платформе

​

Планируется интеграция с ООО «ДФТ» для решения задач моделирования, анализа и поддержки принятия решений в рамках цифровой платформы «ГрадУм»

СПАСИБО

ЗА

ВНИМАНИЕ!