| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorzinātne un organizāciju tehnoloģijas |
| Nosaukums |
Centrālās apkures katlu darbības optimizācija, paredzot siltuma pieprasījumu, izmantojot mašīnmācīšanos |
| Nosaukums angļu valodā |
Forecasting District Heating Demand Using Machine Learning in Order to Optimize Boilerhouse's Processes |
| Struktūrvienība |
01B00 Rīgas Biznesa skola |
| Darba vadītājs |
Ronalds Cinks |
| Recenzents |
Kalvis Apsītis |
| Anotācija |
Energoefektivitātes un vides ilgtspējas pieaugošā pieprasījuma dēļ arvien lielāka nozīme tiek pievērsta siltuma pieprasījuma prognozēšanai siltumapgādes sektorā. Precīza prognozēšana var palīdzēt optimizēt darbību, samazināt siltuma zudumus, uzlabot budžeta un uzturēšanas plānošanu, kā arī samazināt siltumnīcefekta gāzu emisijas. Šī bakalaura darba mērķis ir izstrādāt mašīnmācīšanās modeli precīza siltuma pieprasījuma prognozēšanai, īpaši pievēršoties Latvijas kontekstam. Bakalaura darbs ir rakstīts angļu valodā.
Šī darba risināmā problēma ir siltuma piegādes neefektīva pārvaldība, ko izraisa neprecīzas siltuma pieprasījuma prognozes, kas noved pie paaugstinātām izmaksām un liekiem izmešiem. Pētījuma mērķis ir izpētīt mašīnmācīšanās tehniku potenciālu šīs problēmas risināšanā un izstrādāt prognozēšanas modeli, kas viegli integrējams esošajos lēmumu pieņemšanas rīkos, piemēram, Power BI.
Pētījumā tika atlasīti un apkopoti dažādi dati, tostarp laika apstākļu dati, dati par laiku, dienām un brīvdienām un vēsturiskie ražošanas dati. Dati tika apstrādāti un sagatavoti piemērotā formātā datoram. Dažādi mašīnmācīšanās modeļi tika novērtēti un optimizēti, lai paredzētu nepieciešamo siltuma jaudu. Pētījuma rezultāti parāda, ka apkures sezonā šāds risinājums ir precīzs, tomēr ne apkures sezonā nav piemērots.
Darbs sastāv no 79 lappusēm, 34 grafikiem un 1 pielikumu ar 2 tabulām. |
| Atslēgas vārdi |
siltuma pieprasījuma prognozēšana, mašīnmācīšanās, siltuma pieprasījums, enerģijas efektivitāte |
| Atslēgas vārdi angļu valodā |
heat load forecasting, machine learning, heat load, energy efficiency |
| Valoda |
eng |
| Gads |
2023 |
| Darba augšupielādes datums un laiks |
15.04.2023 00:09:25 |
