В работе рассмотрены вопросы исследования, моделирования и создания систем автоматического управления теплообменными процессами. Модель системы отопления помещения была реализована в среде программирования Matlab. При моделировании в качестве основных технологических параметров принимались коэффициент теплообмена и расход жидкости в теплообменнике. Предполагается, что полученная модель будет использоваться при моделировании процессов теплообмена с использованием данных, полученных на лабораторном стенде «Моделирование процессов теплообмена».

This paper presents a simulation-based feasibility study of nonlinear model predictive control (NMPC) for process water quality management in the closed-loop water circuit of the Aktogai copper concentrator. Repeated water recirculation leads to the accumulation of total dissolved solids (TDSs), organic compounds (CODs), and suspended solids (TSSs), degrading flotation efficiency. A dynamic model of the process water pond with nine flows is combined with pseudo-first-order kinetics for H₂O₂ oxidation (k_ox = 0.003 L/(mg·h)) and polyaluminum chloride (PAC)/FeCl₃ coagulation (k_coag = 0.005 L/(mg·h)). The NMPC manipulates the treated-effluent flow Q₂ and the coagulant and oxidant doses over an 8 h prediction horizon, uses normalized one-sided soft constraints on water quality and a reagent cost, and is solved through sequential quadratic programming. The volume, TDSs, and TSSs are assumed to be measured online, whereas CODs are available only from laboratory analyses taken every 2–8 h with a 2 h delay. NMPC was compared with no-control, fixed dosing, a maximum-dilution policy, and a proportional–integral (PI) feedback dosing benchmark with the same manipulated variables. Under nominal disturbances, all strategies met the process limits. Under a simulated stress-test scenario (ore change and reagent overdosing), no control produced 26, 37, and 25 h of TDS, COD, and TSS violations in 72 h; maximum dilution alone removed the TDS and TSS violations but left 13 h of COD violations. With online measurements, a well-tuned PI controller performed almost as well as NMPC (1 h vs. 0 h of COD violations). With laboratory COD analyses, the PI controller incurred 4–11 h of COD violations, whereas NMPC, using a model-based COD estimate between analyses, incurred none, at the cost of 9–47% higher oxidant consumption; this advantage reflects the combined effect of model-based COD estimation and predictive optimization, not of predictive optimization alone. It persisted under up to 30% adverse parametric plant–model mismatch, and the results were insensitive to tenfold variations in the selected NMPC tuning weights. TDSs could be held below their limit only through hydraulic dilution and only while the thickener-overflow TDSs remained below about 2260 mg/L.

Системы централизованного теплоснабжения в Республике Казахстан характеризуются высоким уровнем физического износа, что приводит к значительным тепловым потерям и высокой аварийности. Традиционные методы эксплуатации, основанные на реагировании по факту инцидента, являются экономически неэффективными и не обеспечивают должной надежности. Целью данного исследования является разработка подхода к применению методов машинного обучения (ML) для анализа и обнаружения аномалий в системах теплоснабжения, основываясь на реальных эксплуатационных данных для перехода к проактивной модели управления тепловыми сетями. Рассмотрены ключевые задачи предиктивного анализа, такие как прогнозирование тепловой нагрузки, и обнаружение аномалий для своевременного выявления утечек, порывов и отказов оборудования. Проводится сравнительное описание методов детекции: от классического порогового контроля до продвинутых алгоритмов, таких как кластеризация (DBSCAN), ансамблевые модели (Isolation Forest) и нейросетевые подходы (автоэнкодеры). Продемонстрированные возможности применения ML-моделей подтверждают реальность перехода от дорогостоящей модели «аварийного ремонта» к проактивному «обслуживанию по фактическому состоянию». Исследование показало, что для рассматриваемого вопроса наиболее перспективной является гибридная стратегия искусственного интеллекта, сочетающая несколько методов машинного обучения. Ключевые слова: централизованное теплоснабжение, аномалий, машинное обучение, анализ, предиктивная диагностика.

Теплоэнергетические комплексы (ТЭК) являются основой организации удобства для городской жизни. Ввиду устарелого состояния основного числа ТЭК, проблема модернизации, экономии топлива и электроэнергии и повышения производительности теплоэнергетических комплексов является актуальной задачей на сегодня. Процессы, протекающие в теплоэнергетических установках, являются сложными, нелинейными. Поэтому, исследование и моделирование процессов в ТЭК является сложной задачей. Моделирование процессов ТЭК позволит определить основные параметры, влияющие на процесс. В данной статье описываются общие характеристики и структура топливно-энергетического комплекса, а также рассматривается общая проблема математического моделирования в целом. В статье раскрывается, описывается, уделяется внимание определению математической модели теплоэнергетического комплекса. Что позволит дать оценку по улучшению качества работы ТЭК. Также, выведены формулы агрегатированной системы второго порядка.

In this study, a digital-twin-oriented integration architecture was developed for district heating networks in a laboratory Software-in-the-Loop (SIL) environment and evaluated. The implemented testbed combined a virtual SIMATIC S7-1500 controller executed in S7-PLCSIM Advanced V8.0, WinCC Runtime Advanced, OPC UA communication, a Python-based integration layer, and a Fluidit Heat thermohydraulic model. The physical district heating network, field sensors, pumps, actuators, and an operational field PLC were not connected to the experimental loop. Field-derived heat load and pressure values for five monitored consumers were stored in PLC data blocks. Python validated and mapped the tags, initiated predefined Fluidit Heat scenarios, processed the model outputs, and returned the results to the PLC for SCADA visualization. Six operating scenarios were evaluated. In the combined baseline and 120% demand scenarios, the delivered heat increased from 2369.84 to 2843.79 kW, plant thermal output from 2377.14 to 2850.80 kW, and plant flow from 12.288 to 14.737 L/s. The maximum supply velocity increased from 1.192 to 1.430 m/s, and the maximum unit pressure loss increased from 1.338 to 1.912 bar/km (+42.92%). The minimum consumer differential pressure remained at approximately 4.000 bar, above the adopted 3.5 bar criterion, and no heat deficit was calculated. The experiment demonstrated functional software interoperability, event-driven scenario execution, and bidirectional simulation data exchange. Because the baseline values contributed to model parameterization and the physical network was not connected, the comparison was a consistency assessment rather than independent field validation. Automatic optimization, autonomous preferred-mode selection, and actuator-level control were not implemented.

The aim of this work is to determine the production function using the method of complex-valued economics as a criterion for the management of the centralized heat supply of a city. This paper used the methodology of using stepped production functions of complex variables with real coefficients as a tool to perform dynamic analysis and forecasting of production results, allowing the performance of Manufacturing Execution System tasks of the heat supply system to be tracked. Based on this, a justified selection of a management criterion was made, objectively reflecting both the passive and active components of the administrative and economic activities of the heat supply enterprise. A comparative analysis of production functions was conducted to identify a predictive model for resource provision in the process of heat energy generation. A predictive model of resource provision was developed based on the capital/labor ratio of the enterprise, using a production function with complex variables. In other words, determining the production function allows the analysis of both the quantity and quality of resources used to produce 1 Gcal of energy, as well as the forecast of resource procurement to ensure a reliable and cost-effective heat supply.