Разработка алгоритма оптимизации расхода энергоресурсов в химико-технологических системах на основе статистического обучения


Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Цель исследования. Целью исследования является разработка подходов к решению задач оптимизации энергетических ресурсов химико-технологических систем на основе статистического обучения. В качестве основных методов исследования в статье использованы графические и табличные инструменты дескриптивного анализа данных для исследования динамики структуры энергоносителей и определения возможных резервов снижения расхода; метод обучения нейронных сетей для предсказания оптимальных значений расхода энергоресурсов. Результаты. В статье проведен анализ текущих тенденций энергоемкости себестоимости химических производств с оценкой степени трансформации структуры энергетического портфеля и возможных резервов снижения удельного веса электрической и тепловой энергии. Методом обучения нейронных статей с использованием регрессионной прогностической модели определены минимально возможные значения параметра расхода энергетических ресурсов по верхней границе диапазона с учетом ограничений технологического регламента производства химических веществ и химических продуктов. Результаты исследования применимы при разработке программных комплексов интеллектуальных энергетических систем, в процессе определения причинно-следственных связей отклонений расхода ресурсов от заданной траектории и оптимальный вектор устойчивого энергопотребления.

Полный текст

Доступ закрыт

Об авторах

Татьяна Витальевна Малышева

Казанский национальный исследовательский технологический университет

Email: tv_malysheva@mail.ru
кандидат экономических наук, доцент Казань, Российская Федерация

Список литературы

  1. Аунг М.Т., Аббас С.А., Жукова Н.А., Чернокульский В.В. Модели управления процессами сбора данных в сетях интернета вещей с динамической структурой // Computational nanotechnology. 2020. № 3. С. 62-71. doi: 10.33693/2313-223x-2020-7-3-62-71.
  2. Информационно-технический справочник по наилучшим доступным технологиям ИТС 18-2116 «Производство основных органических химических веществ». Бюро НТД, 2016. 337 с.
  3. Лотов А.В., Рябиков А.И. Простая эффективная гибридизация классической глобальной оптимизации и генетических алгоритмов многокритериальной оптимизации // Журнал вычислительной математики и математической физики. 2019. Т. 59. № 10. С. 1666-1680.
  4. Малышева Т.В. Использование автоматизированных информационных систем в управлении экологической устойчивостью обрабатывающих производств // Проблемы машиностроения и автоматизации. 2019. № 2. С. 148-153.
  5. Малышева Т.В., Шинкевич А.И. Разработка алгоритмизированной модели реализации проекта по экологизации промышленного производства // Известия Самарского научного цента Российской академии наук. 2020. № 4 (69). С. 74-80.
  6. Манусов В.З., Матренин П.В., Орлов Д.В. Оптимизация коэффициентов трансформации с применением алгоритмов направленного перебора и роевого интеллекта // Проблемы региональной энергетики. 2017. № 1 (33). С. 15-23.
  7. Шинкевич А.И. Оценка уровня ресурсосбережения в нефтехимическом комплексе // Computational nanotechnology. 2019. № 1. С. 34-38.
  8. Шишкова Н.А. Генетический алгоритм как метод оптимизации // Проблемы науки. 2017. Т. 1. № 5 (18). С. 28-30.
  9. Chih-Ta Y., Ming-Feng Ch. A study of fuzzy control with ant colony algorithm used in mobile robot for shortest path planning and obstacle avoidance // Microsystem Technologies. 2018. № 24 (1). Рp. 125-135.
  10. Gupta N., Khosravy M., Patel N., Dey N. Mendelian Evolutionary Theory Optimization Algorithm // Soft Computing. 2020. № 24 (4). doi: 10.1007/s00500-020-05239-2.
  11. Gupta N., Singh G., Khosravy M. New crossover operators for Real Coded Genetic Algorithm (RCGA). 2015. Track 2: Artificial Intelligence, Robotics and Human-Computer Interaction. 2015. doi: 10.1109/ICIIBMS.2015.7439507.
  12. Haiping M., Sengang Y., Dan S., Minrui F. Conceptual and numerical comparisons of swarm intelligence optimization algorithms // Soft Computin. 2017. № 21 (11). Рp. 3081-3100.
  13. Liyi Zh., Chao X., Teng F. Improved ant colony optimization algorithm based on RNA computing // Automatic Control and Computer Sciences. 2017. № 51. Рp. 366-375.
  14. Meshalkin V.P., Bogomolov B.B., Boldyrev V.S., Zubarev A.M. Intelligent logical information algorithm for choosing energy and resource-efficient chemical technologies // Theoretical Foundations of Chemical Engineering. 2019. № 53 (5). Рp. 709-718.
  15. Salman A., Khan A. Fuzzy goal programming-based ant colony optimization algorithm for multi-objective topology design of distributed local area networks // Neural Computing and Applications. Springer. 2017. № 28. Рp. 1-19.
  16. Sidahmed B. Combining boosting machine learning and swarm intelligence for real time object detection and tracking: towards new meta-heuristics boosting classifiers // International Journal of Intelligent Robotics and Applications. 2017. № 1 (4). Рp. 410-428.
  17. Simon D. Evolutionary Optimization Algorithms. Wiley, 2019. 940 р.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах