Русская версия English version
Главная / 2026 г. выпуск 3 / Разработка методологии прогнозирования потребления энергетических ресурсов зданиями на основе проектных и фактических значений в целях совершенствования планирования энергопотребления города

Разработка методологии прогнозирования потребления энергетических ресурсов зданиями на основе проектных и фактических значений в целях совершенствования планирования энергопотребления города

Н.С. Мольков, П.А. Шомов, О.Б. Колибаба

Вестник ИГЭУ, 2026 г. выпуск 3, сс. 18—24

Скачать PDF

Аннотация на русском языке: 

Состояние вопроса. Существующая парадигма прогнозирования энергопотребления «сверху вниз» не учитывает фактического состояния инженерных систем и ограждающих конструкций, что вызывает необоснованные потери и неэффективное распределение энергетических ресурсов. Актуальность исследования заключается в необходимости преодоления разрыва между проектной документацией и реальными режимами эксплуатации жилого фонда, который приводит к системным ошибкам в городском энергетическом планировании и избыточному резервированию мощностей на источниках генерации. Целью исследования является совершенствование планирования энергопотребления города, минимизация погрешности прогнозирования суточных и сезонных графиков тепловой нагрузки на основе верификации фактических параметров энергопотребления зданий и перехода к концепции моделирования «снизу вверх».

Материалы и методы. Исследование проведено с использованием методов математической статистики (корреляционного анализа), аналитического метода, а также методов линейной регрессии (LR), случайного леса (Random Forest) и нейронных сетей долгой краткосрочной памяти (LSTM).

Результаты. Проведено исследование потребления энергетических ресурсов на базе 15 жилых многоквартирных домов. Выявлено превышение фактического потребления энергоресурсов над проектным в среднем на 16,2 %. Установлено, что в 86 % случаев реальный класс энергоэффективности зданий ниже заявленного в паспортах. На основе данных проектной документации и фактических показаний узлов учета тепловой энергии разработана иерархическая модель прогнозирования потребления энергетических ресурсов.

Выводы. Внедрение разработанной методологии прогнозирования потребления энергетических ресурсов зданиями и моделей на базе LSTM позволит снизить среднюю абсолютную ошибку в 7,5 раз по сравнению с нормативными расчетами. Доказано, что верификация фактических параметров потребителя является критическим фактором повышения точности прогноза, обеспечивая базу для оптимизации городских тепловых сетей и мощностей генерации, что обеспечит совершенствование планирования энергопотребления города.

Список литературы на русском языке: 
  1. Воевода А.Е., Харитонова Д.Д., Валь П.В. Краткосрочное прогнозирование электропотребления на основе метода случайного леса // Электроэнергетика глазами молодежи – 2016: материалы VII Междунар. молодежной науч.-техн. конф. В 3 т. – Казань, 2016. – С. 124–127.
  2. Вялкова С.А., Надтока И.И. Анализ шумовой составляющей суточных графиков активной мощности энергосистемы и метеофакторов при краткосрочном прогнозировании // Интеллектуальная электротехника. – 2018. – № 4. – С. 25–34. DOI: 10.46960/2658-6754_2018_4_25.
  3. Гребень Н.В., Елькина А.А., Пашкин И.А. Прогнозирование энергопотребления здания с использованием методов машинного обучения // Молодой ученый. – 2021. – № 24(366). – С. 14–16.
  4. Гужов С.В. Исследование и прогнозирование качества функционирования энергосистем зданий для занятий водными видами спорта при разнообразных внешних воздействиях // Вестник МЭИ. – 2016. – № 5. – С. 88–93.
  5. Гужов С.В. Прогнозирование спроса на тепловую энергию для зданий средних образовательных учреждений на основании свойств гетероморфизма их энергосистем // Известия высших учебных заведений. Проблемы энергетики. – 2020. – Т. 22, № 5. – С. 18–27. DOI: 10.30724/1998-9903-2020-22-5-18-27.
  6. Данилов К.В. Прогнозирование энергопотребления на основе автоматического машинного обучения // Автоматизация. Современные технологии. – 2020. – Т. 74, № 9. – С. 402–407.
  7. Прогнозирование планового потребления электроэнергии для объединенной энергосистемы с помощью машинного обучения / Р.В. Клюев, А.Д. Моргоева, О.А. Гаврина и др. // Записки Горного института. – 2023. – Т. 261. – С. 392–402.
  8. Кошарная Ю.В. Методика анализа параметров электропотребления для нормирования и оценки энергосбережения при проведении энергоаудита предприятий и организаций // Электрооборудование: эксплуатация и ремонт. – 2016. – № 4. – С. 56–69.
  9. Кузнецова И.Ю. Математическая модель прогнозирования энергопотребления // Известия ЮФУ. Технические науки. – 2013. – № 4(141). – С. 121–125.
  10. Almuhaini S.H., Sultana N. Forecasting Long-Term Electricity Consumption in Saudi Arabia Based on Statistical and Machine Learning Algorithms to Enhance Electric Power Supply Management // Energies. – 2023. – Vol. 16, Issue 4, No. 2035. DOI: 10.3390/en16042035.
  11. Improving the Efficiency of Multistep Short-Term Electricity Load Forecasting via R-CNN with ML-LSTM / M.F. Alsharekh, S. Habib, D.A. Dewi, et al. // Sensors. – 2022. – Vol. 22, Issue 18, No. 6913. DOI: 10.3390/s22186913.
  12.  Dong Q., Xing K., Zhang H. Artificial neural network for assessment of energy consumption and cost for cross laminated timber office building in severe cold regions // Sustainability. – 2017. – Vol. 10, No. 1. – P. 84.
Ключевые слова на русском языке: 
энергоэффективность, энергетический паспорт здания, городское энергетическое планирование, методы машинного обучения
Ключевые слова на английском языке: 
energy efficiency, building energy rating certificate, urban energy planning, machine learning methods
Индекс DOI: 
10.17588/2072-2672.2026.3.018-024
Количество скачиваний: 
5