Heterogeneous ensemble neural network for forecasting the state of multi-zone heating facilities

• Autorzy: Yukhymchuk Maria , Dubovoi Volodymyr , Harbar Zhanna , Yeraliyeva Bakhyt

Identyfikatory

DOI

10.35784/iapgos.7321

Warianty tytułu

PL

Heterogeniczna sieć neuronowa do prognozowania stanuwielostrefowych obiektów grzewczych

• Języki publikacji: EN

Abstrakty

EN

The research is aimed at increasing the accuracy of forecasting the state of multi-zone thermal facilities. Such facilities include multi-room premises, multi-zone greenhouses, tunnel kilns for brick production, and others. Thehigh inertia of such facilities reduces the effectivenessof "ad hoc control". Modern proactive control systems based on forecasting are mainly based on using neural network training. However, to forecastthe state of a specific multi-zone thermal facility, training the network requires a very large dataset, which is difficult to create and use. A combined neuro-structural method for forecasting the state of multi-zone thermal facilities is proposed, in which the structure of the neural model reflects the structureof the mutual influence of the facility zones. The research of the method has shown the possibility of ensuring sufficiently high forecast accuracywith a smaller size of the training dataset.

PL

Badania mają na celu zwiększenie dokładności prognozowania stanu wielostrefowych obiektów cieplnych. Obiekty takie obejmują obiekty wielopokojowe, wielostrefowe szklarnie, piece tunelowe do produkcji cegieł i inne. Duża bezwładność takich obiektów zmniejszaskuteczność "sterowania ad hoc". Nowoczesne proaktywne systemy sterowania oparte na prognozowaniu opierają się głównie na szkoleniu sieci neuronowych. Jednak w celu prognozowania stanu konkretnego wielostrefowego obiektu termicznego, szkolenie sieci wymaga bardzo dużego zbioru danych, który jest trudnydo utworzenia i wykorzystania. Zaproponowano połączoną neurostrukturalną metodę prognozowania stanu wielostrefowych obiektów cieplnych, w której struktura modelu neuronowego odzwierciedla strukturę wzajemnego wpływu stref obiektu. Badania metody wykazały możliwość zapewnienia wystarczająco wysokiej dokładności prognozy przymniejszym rozmiarze zbioru danych treningowych.

Słowa kluczowe

EN

forecasting; multi-zone facility; neuro-structural method; training; dataset

PL

prognozowanie; obiekt wielostrefowy; metoda neurostrukturalna; trening; zbiór danych

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2025
• Tom: T. 15, nr 2
• Strony: 94--99
• Opis fizyczny: Bibliogr. 15 poz., wykr.

Twórcy

autor

Yukhymchuk Maria

• Vinnytsia National Technical University, Department of Computer Control Systems, Vinnytsia, Ukraine

• https://orcid.org/0000-0002-8131-9739+

autor

Dubovoi Volodymyr

• Vinnytsia National Technical University, Department of Computer Control Systems, Vinnytsia, Ukraine

• https://orcid.org/0000-0003-0440-3643+

autor

Harbar Zhanna

• Vinnytsia Mykhailo KotsiubynskyiState Pedagogical University

• https://orcid.org/0000-0003-3492-9224+

autor

Yeraliyeva Bakhyt

• M.Kh. Dulaty Taraz Regional University,Taraz, Kazakhstan

• https://orcid.org/0000-0002-8680-7694+

Bibliografia

• [1] Armstrong J:. Extrapolation for Time-Series and Cross-Sectional Data. Armstrong J. S. (eds.): Principles of Forecasting. International Series in Operations Research & Management Science 30. Springer, Boston 2001 [http://doi.org/10.1007/978-0-306-47630-3_11].
• [2] Bisikalo O., et al.: Parameterization of the Stochastic Model for Evaluating Variable Small Data in the Shannon Entropy Basis. Entropy 25(2), 2023, 184.
• [3] Collopy F., Adya M., Armstrong J.: Expert Systems for Forecasting. Armstrong J. (eds.): Principles of Forecasting. International Series in Operations Research & Management Science 30. Springer, Boston, 2011 [http://doi.org/10.1007/978-0-306-47630-3_14].
• [4] Dias G. F., Kapetanios G.: Estimation and forecasting in vector autoregressive moving average models for rich datasets. Journal of Econometrics 202(1), 2018, 75–91.
• [5] Dubovoi V., et al.: Model-Oriented Training of Coordinators of the Decentralized Control System of Technological Facilities with Resource Interaction. IEEE Access 13, 2025, 13414–13426.
• [6] Dubovoi V., et al.: Functional safety assessment of one-level coordination of distributed cyber-physical objects. Przegląd Elektrotechniczny 97(9), 2021, 38–41.
• [7] Geysena D., et al.: Operational thermal load forecasting in district heating networks using machine learning and expert advice. 2017, arXiv:1710.06134v1.
• [8] Gyeera T., Simons A., Stannett M.: Kalman filter based prediction and forecasting of cloud server KPIs. TechRxiv. May 19, 2021 [https://doi.org/10.36227/techrxiv.14583342.v1].
• [9] Hasan M., Wathodkar G., Muia M.: ARMA Model Development and Analysis for Global Temperature Uncertainty. arXiv, 2023, 2303.02070v1.
• [10] Hou P., et al.: Vector Autoregression Model-Based Forecasting of Reference Evapotranspiration in Malaysia. Sustainability 15, 2023, 3675 [http://doi.org/10.3390/su15043675].
• [11] Hyndman R., et al.: Forecasting with Exponential Smoothing. Springer Berlin, Heidelberg 2008 [https://doi.org/10.1007/978-3-540-71918-2].
• [12] Kolobrodov V. G., Nguyen Q. A., Tymchik G. S.: The problems of designing coherent spectrum analyzers. Proc. of SPIE 9066, 2013.
• [13] Kukharchuk V. V., et al.: Information Conversion in Measuring Channels with Optoelectronic Sensors. Sensors 22(1), 2022, 271 [https://doi.org/10.3390/s22010271].
• [14] Ivanovski Z., Milenkovski A., Narasanov Z.: Time Series Forecasting Using a Moving Average Model for Extrapolation of Number of Tourist. UTMS Journal of Economics 9(2), 2018, 121–132.
• [15] Thorsten J., et al.: Predicting structured objects with support vector machines. Communications of the ACM 52(11), 2024, 97–104 [https://doi.org/10.1145/1592761.1592783]