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 Доступ платный или 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