Система управления энергопотреблением Российский патент 2024 года по МПК G06Q50/06 G06Q10/631 G06N3/92 

ОБЛАСТЬ ТЕХНИКИ

Настоящее техническое решение относится к области вычислительной техники, в частности, к способам и системам управления и оптимизации энергопотребления объектов.

УРОВЕНЬ ТЕХНИКИ

Из уровня техники известно решение, выбранное в качестве наиболее близкого аналога, US2005192713 (A1), опубл. 01.09.2005 г. В данном решении раскрывается способ управления энергией, потребляемой группой энергопотребляющих устройств. Энергопотребляющие устройства из группы энергопотребляющих устройств обмениваются сообщениями в соответствии с протоколом управления энергопотреблением через среду связи. Протокол управления энергопотреблением содержит тип сообщения резервирования энергии для объявления о будущем потреблении энергии, тип сообщения индикации снижения энергопотребления для оповещения о возможном снижении энергопотребления и тип сообщения предоставления для предоставления сообщения резервирования энергии и/или индикации снижения энергии. Энергопотребляющие устройства согласовывают свое потребление энергии с помощью сообщений, которыми обмениваются в соответствии с протоколом управления управлением энергопотреблением, и управляют своим потреблением энергии в соответствии с результатом этого согласования.

Предлагаемое техническое решение направлено на устранение недостатков современного уровня техники и отличается от известных ранее тем, что предложенное техническое решение обеспечивает полностью автоматическое и высокоэффективное управление энергопотреблением объектов.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Технической проблемой, на решение которой направлено заявленное решение, является создание способа управления и оптимизации энергопотребления объекта.

Технический результат заключается в повышении энергоэффективности объекта.

Дополнительным техническим результатом является увеличение производительности конечных технических устройств объекта, за счет автоматического ресурсоёмкого и эффективного регулирования нагрузок.

Заявленные технические результаты достигаются за счет осуществления способа управления и оптимизации энергопотребления объекта, включающего этапы, на которых:

на постоянной основе, в режиме реального времени, осуществляется сбор данных с датчиков и сенсоров, располагаемых во внутреннем и внешнем контуре объекта, фиксирующих энергопотребление объекта, климатические параметры объекта и активность объекта;

собранные данные, в режиме реального времени, считываются и фиксируются управляющим программируемым логическим контроллером объекта;

зафиксированные данные об энергопотреблении объекта, климатических параметрах объекта и активности объекта передаются управляющим программируемым логическим контроллером на облачный вычислительный сервер;

на облачном вычислительном сервере осуществляется обработка полученных данных об энергопотреблении объекта, климатических параметрах объекта и активности объекта, при этом обработка данных осуществляется с использованием нейронных сетей для дальнейшего обучения модели энергопотребления объекта, причем обучение модели осуществляется на основании данных о физическом состоянии объекта в предыдущие временные интервалы с временным шагом и оценки значения функции вознаграждения с помощью прогностической модели состояния объекта, при этом состояние объекта оценивается функцией вознаграждения, значения которой возрастают обратно пропорционально прогнозируемому уровню потребляемой энергии и за вычетом штрафа, значение которого возрастает в прямо пропорционально прогнозируемым отклонениям физических параметров объекта от порогового значения каждого из требуемых, заранее определённых измеряемых параметров, причем применение модели обучения с подкреплением для максимизации накопленного вознаграждения осуществляется таким образом, чтобы сбалансировать потребление энергии с общим штрафом в следующем состоянии объекта

на облачном вычислительном сервере осуществляется формирование команды на изменение состояния конечных устройств физического объекта в состоянии объекта в соответствии с полученными результатами моделирования;

с облачного вычислительного сервера осуществляется передача сформированных команд в управляющий программируемый логический контроллер объекта;

с управляющего программируемого логического контроллера объекта осуществляется передача соответствующих сформированных ранее команд на соответствующие конечные физические устройства объекта.

В частном варианте реализации описываемого способа, физическими параметрами являются: температура, содержание CO₂, уровень шума, освещенность, потоки воды и/или газа.

В частном варианте реализации описываемого способа, прогностическая модель основана на архитектуре рекуррентной нейронной сети (RNN).

В частном варианте реализации описываемого способа, архитектура RNN представляет собой многослойную архитектуру с долгой краткосрочной памятью (LSTM) и массовым вводом-массовым выводом (MISO).

В частном варианте реализации описываемого способа, применение модели машинного обучения дополнительно осуществляется для распознавания профилей энергопотребления.

В частном варианте реализации описываемого способа, дополнительно осуществляется обнаружение аномального поведения физического объекта.

В частном варианте реализации описываемого способа, дополнительно применяется пропорционально-интегрально-дифференцирующий (PID) контроллер для поддержания заданного значения.

Заявленные технические результаты также достигаются за счет системы управления и оптимизации энергопотребления объекта, которая содержит:

по меньшей мере, одно устройство сбора данных, располагаемое во внутреннем и/или внешнем контуре объекта, фиксирующее энергопотребление объекта, климатические параметры объекта и активность объекта;

по меньшей мере один управляющий программируемый логический контроллер объекта, взаимосвязанный с, по меньшей мере, одним устройством сбора данных, облачным вычислительным сервером и конечными физическими устройствами объекта;

по меньшей мере один облачный вычислительный сервер, взаимосвязанный с управляющим программируемым логическим контроллером объекта и выполненный с возможностью обработки данных об энергопотреблении объекта, климатических параметрах объекта и активности объекта с использованием нейронных сетей.

ОПИСАНИЕ ЧЕРТЕЖЕЙ

Реализация изобретения будет описана в дальнейшем в соответствии с прилагаемыми чертежами, которые представлены для пояснения сути изобретения и никоим образом не ограничивают область изобретения. К заявке прилагаются следующие чертежи:

- фиг. 1 иллюстрирует пример интегрированного аппаратного решения;

- фиг. 2 иллюстрирует многослойную архитектуру LSTM MISO;

- фиг. 3 иллюстрирует пример расчета соотношения потребления энергетических ресурсов и наружной температуры.

ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ

В приведенном ниже подробном описании реализации изобретения приведены многочисленные детали реализации, призванные обеспечить отчетливое понимание настоящего изобретения. Однако, квалифицированному в предметной области специалисту, будет очевидно каким образом можно использовать настоящее изобретение, как с данными деталями реализации, так и без них. В других случаях хорошо известные методы, процедуры и компоненты не были описаны подробно, чтобы не затруднять излишне понимание особенностей настоящего изобретения.

Кроме того, из приведенного изложения будет ясно, что изобретение не ограничивается приведенной реализацией. Многочисленные возможные модификации, изменения, вариации и замены, сохраняющие суть и форму настоящего изобретения, будут очевидными для квалифицированных в предметной области специалистов.

Настоящее техническое решение относится к способу и системе управления и оптимизации энергопотребления объектов, таких как рестораны, склады, бизнес-центры, промышленные предприятия, фитнес-клубы и т.д. Предлагаемая система работает по принципу Интернета вещей (IoT), описывая сеть физических объектов, в которые встраиваются датчики, программное обеспечение и другие технологии с целью соединения и обмена данными через Интернет. В частности, данное изобретение позволяет сети оснащенных коммуникационными технологиями физических устройств на объектах взаимодействовать друг с другом, а также с внешней средой без необходимости ручного управления для оптимизации энергопотребления. Предлагаемое техническое решение повышает энергоэффективность объектов и позволяет снизить затраты на электроэнергию и обеспечить оптимальную работу оборудования на объектах.

Предлагаемая система позволяет осуществлять контроль энергопотребления объекта в режиме реального времени. Данные по энергопотреблению, климатическим параметрам и активности объекта собираются и хранятся на посекундной основе. Настоящее изобретение принимает большое количество входных данных от различных источников для устройств IoT. В настоящем изобретении предлагаемая система адаптирована для сбора данных с датчиков, сенсоров, климатических серверов, рынка электроэнергии и системы учета. Такое решение обеспечивает прозрачность бизнес-процессов и онлайн-контроль активности. Настоящее изобретение также позволяет распознавать типичные профили энергопотребления на основе способов машинного обучения для сбора данных об энергопотреблении. Собранные данные обрабатываются, например, на облачном сервере и в брокере сообщений для последующего использования.

Собранные данные анализируются для различных целей. Кроме того, собранные данные также используются для прогнозирования динамики потребления энергии на контролируемом объекте в течение определенного периода времени, например, дня, недели или сезона. Прогнозирование динамики потребления энергии на контролируемом объекте в течение определенного периода времени осуществляется путем построения линейной регрессии. Настоящее изобретение может осуществлять свою работу на основе прогностических моделей для осуществления указанной прогностической функции. Прогностические модели могут обучаться с использованием рекуррентных нейронных сетей, а также векторных моделей машинного обучения. Следует принимать во внимание, что данное изобретение позволяет идентифицировать взаимосвязи между большим количеством переменных, которые определяют состояние контролируемого объекта и с высокой точностью прогнозируют его будущие состояния. Указанная прогностическая модель также позволяет снизить начальные затраты на создание системы электроснабжения, особенно на этапе проектирования и строительства объекта.

В некоторых вариантах реализации данные связаны с потреблением энергии. Сбор данных о потреблении энергии может дополнительно включать использование одного или более датчиков. В настоящем изобретении датчики потребления могут измерять мгновенные параметры, такие как напряжение, ток, температура и мощность, и их комбинации в качестве косвенного способа для определения изменений сопротивления при нагрузке. Указанные датчики могут включать датчики потребления электроэнергии, такие как неинвазивные датчики и трансформаторы тока (например, многоканальный счетчик электроэнергии). Например, неинвазивные датчики могут быть использованы для анализа изменений напряжения и тока, поступающих на физический объект. Указанные неинвазивные датчики не нарушают деятельность объекта, но могут регистрировать потребление энергии объектом. Трансформатор тока относится к типу трансформатора, который используется для уменьшения или увеличения переменного тока. Он производит в своей вторичной обмотке ток, пропорциональный току в первичной обмотке. Трансформаторы тока являются токоизмерительными устройствами энергосистемы и используются на электростанциях, электрических подстанциях, а также в промышленном и коммерческом распределении электроэнергии. Они измеряют электрическую энергию или переменный ток в проводе. Одним из примеров является многоканальный счетчик электроэнергии, предназначенный для управления энергией и контроля качества электропитания. В настоящем изобретении трансформаторы тока поставляются большим количеством производителей и могут измерять токи от 1-20 А до тысяч ампер. Следует принимать во внимание, что датчики потребления могут отслеживать потребление энергии во времени, например, каждую секунду.

Датчики по настоящему изобретению также могут включать климатические датчики, расположенные как внутри, так и снаружи контролируемого объекта. Указанные климатические датчики могут быть выполнены с возможностью регистрации соответствующего одного из параметров на временной основе. В некоторых вариантах реализации параметры включают одну или более из следующих характеристик: влажность, освещенность, уровень шума, расположение объекта, стеклянное покрытие и тепловыделение оборудованием и посетителями. В настоящем изобретении для контроля изменений климата используются комбинированные датчики окружающей среды. Указанные комбинированные датчики окружающей среды, которые часто предназначены для бытового использования, объединяют в себе цифровые датчики температуры, влажности, освещенности, звукового давления, концентрации вредных летучих газов (летучих органических соединений), движения и команд, передаваемых в ИК диапазоне. Типичный климатический датчик размещен в пластиковом корпусе с возможностью установки на стене.

Указанные датчики энергопотребления и климата могут управляться с контроллера или компьютера по шине RS-485 командами, передаваемыми по протоколу Modbus. Указанные команды Modbus могут дать указание датчикам потребления энергии и климата изменить значение в одном из своих регистров и отправить обратно одно или несколько значений, содержащихся в регистрах датчиков. Modbus здесь относится к открытому протоколу связи, основанному на архитектуре «ведущий-ведомый», и используется в качестве основного протокола передачи данных. Modbus широко используется в промышленности для обеспечения связи между электронными устройствами. Modbus – это открытый стандарт, описывающий формат сообщений и то, как они передаются по сети, состоящей из различных электронных устройств. Протокол Modbus использует последовательные линии передачи символов, Ethernet или пакет протоколов Интернета в качестве транспортного уровня. Modbus поддерживает связь между несколькими устройствами, подключенными к одному кабелю или сети Ethernet. Он может быть реализован в любой физической среде связи, такой как витая пара или радиоканалы различных типов. В одном варианте реализации может быть предусмотрен первый климатический датчик, который измеряет температуру, и второй климатический датчик для измерения влажности, подключенные к одному кабелю, оба из которых передают измерения на один и тот же компьютер.

Следует принимать во внимание, что данные, полученные на этапе сбора данных, могут также включать результат анализа активности, относящийся к перемещениям и количеству людей, входящих в контролируемый объект в течение определенного периода времени, потреблению воды и газа контролируемым объектом в течение определенного периода времени, а также данные, полученные от программного обеспечения для планирования ресурсов предприятия. Способ может также включать получение данных из внешних источников. Например, собранные данные могут включать историю, состояние и прогнозы погоды для любого географического местоположения от нескольких метеорологических серверов. Они могут также включать данные компаний, занимающихся распределением и розничной торговлей, например, цены, часы пиковой нагрузки и спрос.

Данные, полученные на этапе сбора данных, отправляются на облачный вычислительный сервер или в брокер сообщений. Упомянутые облачный сервер и брокер сообщений могут использовать свой собственный диалект SQL, а также могут содержать различные расширения, такие как массивы и структуры вложенных данных, функции более высокого порядка, вероятностные структуры, функции для работы с единым идентификатором ресурсов, возможность работы с внешними хранилищами ключей-значений, специализированные агрегирующие функции, функции для получения выборки, приблизительных вычислений, возможность создания сохраненных представлений с агрегацией и заполнения таблицы из потока сообщений и т.д. В некоторых вариантах реализации облачный сервер основан на системе ClickHouse, которая представляет собой систему управления столбчатыми базами данных с открытым исходным кодом для аналитической обработки данных в режиме онлайн. Полученные данные могут коммутироваться измерителями и счетчиками, которые передают информацию на облачный вычислительный сервер или в брокер сообщений. Облачный вычислительный сервер способен осуществлять обработку полученных данных о энергопотреблении объекта, климатических параметрах объекта и активности объекта. При этом обработка данных осуществляется посредством вычислительных мощностей сервера с использованием нейронных сетей для дальнейшего обучения модели энергопотребления объекта. Обучение модели осуществляется на основании данных о физическом состоянии объекта в предыдущие временные интервалы с временным шагом и оценки значения функции вознаграждения с помощью прогностической модели состояния объекта, при этом состояние объекта оценивается функцией вознаграждения, значения которой возрастают обратно пропорционально прогнозируемому уровню потребляемой энергии и за вычетом штрафа, значение которого возрастает в прямо пропорционально прогнозируемым отклонениям физических параметров объекта от порогового значения каждого из требуемых, заранее определённых измеряемых параметров. Необходимо отметить, что применение модели обучения с подкреплением для максимизации накопленного вознаграждения может осуществляться таким образом, чтобы сбалансировать потребление энергии с общим штрафом в следующем состоянии объекта . Применение модели обучения с подкреплением для максимизации накопленного вознаграждения RL (reinforcement learning/обучение с подкреплением) может также реализовываться в «интеллектуальном ядре» (на облачном вычислительном сервере) системы, с использованием уравнения Беллмана, чтобы сбалансировать потребление энергии с прогнозируемым общим штрафом. RL является подходом машинного обучения, часто используемым в связи с понятием совокупного вознаграждения.

Необходимо отметить, что система управления и оптимизации энергопотребления объекта может являться двухуровневой. Внутренний контур управления может располагаться на объекте, являться автономным и не зависеть от наличия подключения к Интернету. Этот контур управления основан на наборе PID-контроллеров для аналогового управления нагрузкой и на параметрических алгоритмах для дискретного управления. Внешний контур управления может располагаться в «интеллектуальном ядре» (на облачном вычислительном сервере) и позволяет корректировать параметры и граничные условия с учетом всего пакета собранной информации об объекте и накопленных внешних данных. Такой подход к структуре системы управления и оптимизации позволяет гарантировать надежность и стабильность работы системы за счет автономности внутреннего контура управления, а также обеспечивает высокое качество управления за счет использования многопараметрического внешнего контура управления, охватывающего работу всех систем объекта в целом.

В некоторых вариантах реализации прогностическая модель, может быть основана на рекуррентной нейронной сети (RNN). Указанная сеть RNN используется для построения прогноза, который не является прямой частью контура управления. Она используется в основном для автономного моделирования и анализа неконтролируемых объектов. Предлагаемая прогностическая модель применяется для выявления взаимозависимостей между сотнями переменных, которые определяют состояние объекта и с высокой точностью прогнозируют его будущие состояния.

В некоторых вариантах реализации архитектура RNN представляет собой многослойную архитектуру с долгой краткосрочной памятью (LSTM) и массовым вводом-массовым выводом (MISO).

В некоторых вариантах реализации решение дополнительно включает применение пропорционально-интегрально-дифференцирующего (PID) контроллера для поддержания заданного значения. Предлагаемый PID-контроллер работает как резервная система, когда соединение с вычислительным облачным сервером недоступно, поэтому обеспечивает приемлемый уровень управления и остается работоспособным при отсутствии подключения к Интернету. Указанный PID-контроллер представляет собой использующий обратную связь механизм контура управления, который широко используется в промышленных системах управления и различных иных приложениях, требующих непрерывно модулируемого управления. Указанный PID-контроллер непрерывно вычисляет значение погрешности как разность между заданным значением и измеренным значением технологической переменной и применяет поправку на основе пропорциональной, интегральной и дифференцирующей составляющих.

Прогнозирование динамики потребления энергии на контролируемом объекте в течение определенного периода времени осуществляется путем построения линейной регрессии. Модель потребления объекта может включать коэффициенты, полученные в результате регрессионного анализа, которые сопоставляют потребление энергетических ресурсов с одним или несколькими независимыми параметрами. Примеры независимых параметров:

• наружная температура;

• градусо-сутки (показатель, равный произведению разности температуры внутреннего воздуха и средней температуры наружного воздуха за отопительный период на продолжительность отопительного периода);

• продолжительность периода измерений;

• объем производства;

• занятость помещений;

• режим работы.

Зависимым параметром, который является объектом предсказания модели является энергопотребление объекта.

Построение такой модели на примере реального объекта «Ледовая арена» представлено ниже.

Данные о потреблении энергетических ресурсов и данные о погоде в базовый период фиксировались и анализировались с помощью простой линейной регрессии ежемесячного потребления энергетических ресурсов и мощности от наружной температуры.

Предварительный анализ показал прямую взаимосвязь между погодными условиями и показаниями электроэнергии по основным приборам учета и установленным нами дополнительным приборам учета в течение года независимо от сезона. Анализ также показал, что нет значительной зависимости между загруженностью арены и ее потреблением.

Соотношение потребления энергетических ресурсов и наружной температуры было рассчитано, как показано на фиг. 3.

В основе действующих моделей предсказания параметров климата внутри помещения используется архитектура LSTM MISO (Фиг. 2) (разновидность архитектуры рекуррентных нейронных сетей):

1. Набор входных сигналов: (xi(t-l), xi(t-l+1) … xi(t)).

2. LSTM слой (N = 200, функция активации=ReLU).

3. Повторный слой (N=1).

4. LSTM слой (N = 200, функция активации=ReLU).

5. Слой TimeDistributed (N = 200, функция активации=ReLU).

6. Полносвязный слой (N = 1, функция активации=линейная).

7. Выходной слой: (yi(t+1), yi(t+2) … yi(t+n)).

В качестве метрики оценки качества используется среднеквадратичная ошибка.

Пример реализации настоящего технического решения при применении его в зале групповых программ фитнес-центра.

В зале групповых занятий фитнес центра в различных частях помещения располагается 6 различных датчиков температуры. В качестве текущей температуры в помещении, системой принимается среднее значение 6 этих датчиков. Также в зале расположено 5 датчиков движения, на основании показаний которых определяется наличие в помещение посетителей.

В качестве устройств управления в помещении расположены 5 кондиционеров различных типов и различного потребления. Управление ими осуществляется путем выбора одного из 14 заранее настроенных режимов управления (каждый режим представляет из себя комбинацию заранее настроенных программ на этих кондиционерах). Длительность дискретного шага управления составляет 15 минут. Во время обучения модели режимы работы кондиционеров выбираются вручную или же остаются неизменными на протяжении процесса обучения. Во время работы в режиме управления решение о смене режима работы кондиционеров принимается на облачном вычислителе в начале каждого шага tn, на базе предполагаемой оценки следующего шага tn+1. Целевой уровень температуры определяется согласно расписанию занятий в зале, в нерабочие часы целевой уровень температуры задается равным.

Целью алгоритма является минимизация общих затрат энергии при поддержании температуры на уровне целевой, путем выполнения последовательности действий {a1, a2, . . . , в}. Каждое действие представляет собой режим работы алгоритма. После выполнения действия at-1 в состоянии St-1 объект перейдет в новое состояние St, и алгоритм получит немедленное вознаграждение r_t

затраты электричества рассчитываются как суммарное потребление кондиционеров за прошедший шаг (15 мин) в кВт*ч, а штраф рассчитывается как сумма отклонений по всем датчикам от целевой температуры.

Максимизация накопительного вознаграждения

где γ ∈ [0, 1] - коэффициент затухания, который контролирует длина окна при максимизации вознаграждения. Используется Q*(st, at), т.е. оптимальное значение, для представления максимального совокупного вознаграждения, которое возможно получить, совершив действие в состоянии st. Q*(st, at) можно рассчитать по уравнению Беллмана. Переход состояния объекта является стохастическим, поскольку на параметры зоны влияют различные возмущения, которые невозможно точно измерить.

Обновление оценки стоимости достигается следуя Q-обучению. Qt+1(st,at) = Qt(st, at) + η(rt+1 + γmaxQt(st+1, at+1) − Qt(st, at)) где η ∈ (0, 1] представляет собой скорость обучения оценок значений в процессе обучения. Уравнение должно сходиться к оптимальному значению Q*(st, at) с течением времени.

Среднеквадратическая ошибка между целевым значением Q и предполагаемым выходом нейронной сети, используемым в качестве функции потерь, где n обозначает количество возможных управляющих воздействий. Параметры (веса) в нейронной сети обновляются методом мини-пакетного градиентного спуска

w = w − αΔw,

где α − скорость обучения,

В соответствии с процессом обновления Q-обучения целевое значение Q*(st, ait ) в нейронной сети можно оценить при использовании градиентного спуска, где значения Q аппроксимируются нейронной сетью. Q*(st, at) = rt+1 + γ maxQ(st+1, at+1).

В настоящих материалах заявки было представлено предпочтительное раскрытие осуществление заявленного технического решения, которое не должно использоваться как ограничивающее иные, частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники.

Изобретение относится к области управления и оптимизации энергопотребления объектов. Техническим результатом является повышение энергоэффективности объекта. Способ включает этапы, на которых: осуществляется сбор данных с датчиков, фиксирующих климатические параметры, активность и энергопотребление объекта; зафиксированные данные об энергопотреблении объекта, климатических параметрах объекта и активности объекта передаются управляющим программируемым логическим контроллером на облачный вычислительный сервер; на облачном вычислительном сервере осуществляется обработка полученных данных об энергопотреблении объекта, климатических параметрах объекта и активности объекта, при этом обработка данных осуществляется с использованием нейронных сетей для дальнейшего обучения модели энергопотребления объекта; на облачном вычислительном сервере осуществляется формирование команды на изменение состояния конечных устройств физического объекта в состоянии объекта t+1 в соответствии с полученными результатами моделирования; с облачного вычислительного сервера осуществляется передача сформированных команд в управляющий программируемый логический контроллер объекта; с управляющего программируемого логического контроллера объекта осуществляется передача соответствующих сформированных ранее команд на соответствующие конечные физические устройства объекта. 2 н. и 6 з.п. ф-лы, 3 ил.

1. Способ управления и оптимизации энергопотребления объекта, включающий этапы, на которых:

на постоянной основе в режиме реального времени осуществляется сбор данных с датчиков и/или сенсоров, располагаемых во внутреннем и/или внешнем контуре объекта, фиксирующих климатические параметры объекта и активность объекта, причем для контроля изменений климата используются комбинированные датчики окружающей среды, объединяющие в себе цифровые датчики температуры, влажности, освещенности, звукового давления, концентрации вредных летучих газов;

причем посредством неинвазивных датчиков и трансформаторов тока измеряют мгновенные параметры, такие как напряжение, ток, температура и мощность, и их комбинации,

причем датчики потребления отслеживают потребление энергии во времени;

собранные данные в режиме реального времени считываются и фиксируются управляющим программируемым логическим контроллером объекта;

зафиксированные данные об энергопотреблении объекта, климатических параметрах объекта и активности объекта передаются управляющим программируемым логическим контроллером на облачный вычислительный сервер;

на облачном вычислительном сервере осуществляется обработка полученных данных об энергопотреблении объекта, климатических параметрах объекта и активности объекта, при этом обработка данных осуществляется с использованием нейронных сетей для дальнейшего обучения модели энергопотребления объекта, причем обучение модели осуществляется на основании данных о физическом состоянии объекта в предыдущие временные интервалы t-n, t-1 с временным шагом t и оценки значения функции вознаграждения с помощью прогностической модели состояния объекта, при этом состояние объекта оценивается функцией вознаграждения, значения которой возрастают обратно пропорционально прогнозируемому уровню потребляемой энергии и за вычетом штрафа, значение которого возрастает в прямо пропорционально прогнозируемым отклонениям физических параметров объекта от порогового значения каждого из требуемых, заранее определённых измеряемых параметров, причем применение модели обучения с подкреплением для максимизации накопленного вознаграждения осуществляется таким образом, чтобы сбалансировать потребление энергии с общим штрафом в следующем состоянии объекта t+1;

причем прогнозирование динамики потребления энергии на контролируемом объекте в течение определенного периода времени осуществляется путем построения линейной регрессии, где модель потребления объекта включает коэффициенты,

полученные в результате регрессионного анализа, которые сопоставляют потребление энергетических ресурсов с одним или несколькими независимыми параметрами;

на облачном вычислительном сервере осуществляется формирование команды на изменение состояния конечных устройств физического объекта в состоянии объекта t+1 в соответствии с полученными результатами моделирования;

с облачного вычислительного сервера осуществляется передача сформированных команд в управляющий программируемый логический контроллер объекта;

с управляющего программируемого логического контроллера объекта осуществляется передача соответствующих сформированных ранее команд на соответствующие конечные физические устройства объекта;

причем указанные датчики энергопотребления и климата управляются программируемым логическим контроллером объекта по шине RS-485 командами, передаваемыми по протоколу Modbus.

2. Способ по п. 1, в котором физическими параметрами являются: температура, содержание CO₂, уровень шума, освещенность, потоки воды и/или газа.

3. Способ по п. 1, в котором прогностическая модель основана на архитектуре рекуррентной нейронной сети (RNN).

4. Способ по п. 3, в котором архитектура RNN представляет собой многослойную архитектуру с долгой краткосрочной памятью (LSTM) и массовым вводом-массовым выводом (MISO).

5. Способ по п. 1, в котором применение модели машинного обучения дополнительно осуществляется для распознавания профилей энергопотребления.

6. Способ по п. 1, в котором дополнительно осуществляется обнаружение аномального поведения физического объекта.

7. Способ по п. 1, в котором дополнительно применяется пропорционально-интегрально-дифференцирующий (PID) контроллер для поддержания заданного значения.

8. Система управления и оптимизации энергопотребления объекта, содержащая:

по меньшей мере одно устройство сбора данных, располагаемое во внутреннем и/или внешнем контуре объекта, фиксирующее климатические параметры объекта и активность объекта;

неинвазивные датчики и трансформаторы тока, выполненные с возможностью измерения мгновенных параметров, таких как напряжение, ток, температура и мощность, и их комбинации;

при этом датчики потребления выполнены с возможностью отслеживания потребления энергии во времени;

по меньшей мере один управляющий программируемый логический контроллер объекта, взаимосвязанный с по меньшей мере одним устройством сбора данных, облачным вычислительным сервером и конечными физическими устройствами объекта; причем указанные датчики энергопотребления и климата управляются программируемым логическим контроллером объекта по шине RS-485 командами, передаваемыми по протоколу Modbus;

по меньшей мере один облачный вычислительный сервер, взаимосвязанный с управляющим программируемым логическим контроллером объекта и выполненный с возможностью обработки данных об энергопотреблении объекта, климатических параметрах объекта и активности объекта с использованием нейронных сетей, а также выполненный с возможностью формирования команды на изменение состояния конечных устройств физического объекта в состоянии объекта t+1 в соответствии с полученными результатами моделирования;

причем для контроля изменений климата используются комбинированные датчики окружающей среды, объединяющие в себе цифровые датчики температуры, влажности, освещенности, звукового давления, концентрации вредных летучих газов;

при этом система управления и оптимизации энергопотребления объекта является двухуровневой, внутренний контур управления располагается на объекте, является автономным и не зависит от наличия подключения к Интернету, при этом этот контур управления основан на наборе PID-контроллеров для аналогового управления нагрузкой и на параметрических алгоритмах для дискретного управления.