УДК 519.876:681.3
DOI: 10.36871/2618­-9976.2025.11.008

Авторы

Андрей Александрович Зайцев,
Доктор экономических наук, профессор, профессор Высшей инженерно­экономической школы, Санкт­-Петербургский политехнический университет Петра Великого, Санкт­-Петербург, Россия
Николай Дмитриевич Дмитриев,
Кандидат экономических наук, доцент Высшей инженерно­экономической школы, Санкт­-Петербургский политехнический университет Петра Великого, Санкт­-Петербург, Россия
Пётр Николаевич Георгиев,
Младший инженер­программист ООО «Кодинг», Санкт­-Петербург, Россия

Аннотация

В настоящем исследовании рассмотрена разработка многомодельной системы управления энергетической эффективностью процессов теплогенерации, основанной на синергетическом применении алгоритмов машинного обучения и имитационных методов для оптимизации аллокации ресурсов. Исследование ориентировано на формирование интегрированной аналитико­прогностической платформы, включающей стохастическое моделирование по методу Монте­Карло и продвинутую обработку временных рядов для высокоточной экстраполяции эксплуатационных параметров, таких как коэффициент полезного действия, удельный расход топлива и воды, с выявлением латентных корреляционных структур. В качестве инструментов реализованы ансамблевые и линейные модели (Random Forest, XGBoost, линейная регрессия с рекурсивным исключением признаков (RFE), LassoCV), продемонстрировавшие значительный прирост точности прогноза, снижение неоптимального расходования ресурсов и совершенствование процедур управляющего воздействия. Полученные результаты свидетельствуют об улучшении энергетической эффективности и сокращении издержек на топливо и воду за счёт точного прогнозирования эксплуатационных параметров. Разработанная система управления повышает устойчивость к флуктуациям спроса и внешним воздействиям, формируя основу для внедрения интеллектуальных контуров управления в реальном времени.

Ключевые слова

многомодельная система
теплогенерация
машинное обучение
имитационное моделирование
интеллектуальное управление
оптимизация распределения ресурсов
энергоэффективность

Список литературы

[1] Конников Е.А., Родионов Д.Г., Борисов О.Ю., Чан Х.Х. Моделирование  региональных  кластеров  в рамках  обеспечения  устойчивости электроэнергетических  систем // Modern Economy Success. 2024. № 4. С. 55–67.

[2] Чирков М.А., Шумилина М.А., Нефедова К.А., Чистяков М.С. Прорывные  технологии  в  контексте  «цифрового» сценария  развития  энергетического  сектора  России  // Трансформация информационно­коммуникативной среды  общества  в условиях вызовов современности: материалы научно­практической конференции. 2021. С. 75–78.

[3] Гурьянов П.А. Внедрение инноваций в условиях санкций в различные сектора экономики  //  Актуальные  вопросы  науки  и  образования:  материалы  научнопрактической конференции. 2024. С. 151–156.

[4] Буньковский Д.В. Структура ресурсных потоков в организационных системах взаимодействия  субъектов  предпринимательства  в  нефтегазохимическом  комплексе  // Экономика и управление: проблемы, решения. 2024. № 10. С. 27–32.

[5] Karimi A., Mohajerani M., Alinasab N., Akhlaghinezhad F. Integrating Machine Learning and Genetic Algorithms to Optimize Building Energy and Thermal Efficiency Under Historical and Future Climate Scenarios. Sustainability, 2024, no. 21, р. 9324.

[6] Шишков Е.М., Проничев А.В., Савельев А.А. Прогнозирование  временных  рядов  с  применением методов машинного обучения на примере графика выдачи мощности  электрической  станции  //  Международный  научно­исследовательский  журнал. 2022. № 2­1. С. 56–60.

[7] Geysen D., De Somer O., Johansson C., Brage J., Vanhoudt D. Operational thermal load forecasting in district heating networks using machine learning and expert advice. Energy and Buildings, 2018, no. 162, рр. 144–153.

[8] Chekifi T., Boukraa M., Benmoussa A. Artificial Intelligence for Thermal Energy Storage Enhancement: A Comprehensive Review. ASME Journal of Energy Resources Technology, 2024, no. 6, р. 060802.

[9] Трофимова Н.Н., Рудакова Л.В. Роль искусственного интеллекта в цифровой трансформации промышленности //  Актуальные проблемы экономики  и  управления. 2025. № 1. С. 32–38.

[10] Aslam S., Aung P.P., Rafsanjani A.S. Machine learning applications in energy systems: current trends, challenges, and research directions. Energy Informatics, 2025, no. 8, р. 62.

[11] Массель Л.В. Современный этап развития искусственного интеллекта (ИИ) и применение  методов  и  систем  ИИ  в  энергетике  //  Информационные  и  математические технологии в науке и управлении. 2021. № 4. С. 5–20.

[12] Бородин Н.К., Кулагин В.А. Совершенствование технологического процесса на тепловых пунктах  в  системах  теплоснабжения // Журнал Сибирского федерального  университета. Техника и технологии. 2025. № 3. С. 300–324.

[13] Бродач М.М., Шилкин Н.В. Оптимальное управление системой отопления с использованием  самообучения  на  основе  нейросетей  //  Наука,  образование  и  экспериментальное проектирование. 2020. № 1. С. 465–467.

[14] Ахваев А.А., Шуршев В.Ф. Применение  машинного  обучения  в  прогнозировании  предаварийных  ситуаций  в  системах  теплоснабжения  //  Вестник  Астраханского  государственного  технического  университета.  Серия:  Управление,  вычислительная техника и информатика. 2020. № 3. С. 74–81.

[15] Wei S., Wang H., Tian Y. Energy efficiency optimization analysis of a ground source heat pump system based on neural networks and genetic algorithms. Geotherm Energy, 2024, no. 12, р. 43.

[16] Хуснутдинов А., Карманов В. Использование  методов  машинного  обучения  для  прогнозирования  временных  рядов  при  планировании  потребления  энергетических  ресурсов  //  Вестник  Ошского  государственного  университета.  Математика. Физика. Техника. 2023. № 1(2). С. 220–232.

[17] Сергеев Д.А., Родионов Д.Г., Поляков П.А., Голиков Г.И., Старченкова О.Д., Дмитриев Н.Д., Конников Е.А. Интеллектуальная система мониторинга и адаптации маршрута беспилотных летательных аппаратов на основе нейросетевого анализа объектов риска // Программные системы и вычислительные методы. 2025. № 1. С. 55–70.

[18] Барзов А.А., Пузаков В.С. Модель  технико­экономической  оптимизации  этапов  формирования  и  эксплуатации  производственных  объектов  //  Наука  и  техника  Казахстана. 2022. № 1. С. 9–19.

[19] Aquino­Brítez S., García­Sánchez P., Ortiz A., Aquino­Brítez D. Energy Efficiency Evaluation of Frameworks for Algorithms in Time Series Forecasting. Engineering Proceedings, 2024, no. 1, р. 30.

[20] Туровец Ю., Проскурякова Л., Стародубцева А., Бьянко В. Зеленая цифровая  трансформация в электроэнергетике // Форсайт. 2021. № 3. С. 35–51.