Модели и методики поддержки принятия решений для управления эффективностью потребления электроэнергии в многоквартирных жилых домах тема диссертации и автореферата по ВАК РФ 05.13.10, кандидат наук Федосин, Александр Сергеевич

• Федосин, Александр Сергеевич
• кандидат наук
• 2017

Оглавление диссертации кандидат наук Федосин, Александр Сергеевич

СОДЕРЖАНИЕ

Введение

Г л а в а 1. СОВРЕМЕННЫЕ КОМПЬЮТЕРНЫЕ МОДЕЛИ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ В ЖИЛОМ СЕКТОРЕ

1.1. Задачи анализ энергоэффективности

1.1.1. Измерение и верификация энергетической эффективности многоквартирных жилых домов

1.1.2. Энергетический бенчмаркинг

1.1.3.Тарификация энергопотребления

1.2. Методическое обеспечение анализа энергетической эффективности многоквартирных домов

1.3. Математические методы и модели анализа энергоэффективности зданий

1.3.1. Статистические модели

1.3.2. Нейронные сети

1.3.3. Машина опорных векторов

1.3.4. Когнитивные модели

1.4. Автоматизированные системы коммерческого учета энергоресурсов

1.5. Модели бенчмаркинга

1.6. Объект исследования - многоквартирные жилые дома

Выводы

Г л а в а 2. МЕТОДЫ, АЛГОРИТМЫ И ПРОГРАММНЫЕ СРЕДСТВА ПРЕДОБРАБОТКИ И ОЧИСТКИ ДАННЫХ ДЛЯ ЗАДАЧ УПРАВЛЕНИЯ В СИСТЕМАХ КОММЕРЧЕСКОГО УЧЕТА ЭНЕРГОПОТРЕБЛЕНИЯ

2.1. Источники и типы данных

2.2. Проблемы качества данных в хранилищах данных

2.3. Проблемы качества данных в АСКУЭ

2.4. Очистка данных электроэнергоучета

2.4.1. Масштабирование данных электроэнергоучета

2.4.2. Кластеризация профилей энергопотребления

2.4.3.Очистка отдельных профилей энергопотребления

2.5. Оптимизация издержек расщепления оплаты

2.5.1. Проблема издержек расщепления оплаты

2.5.2. Алгоритм решения задачи оптимизации издержек расщепления оплаты

2.5.3. Вычислительный эксперимент

Выводы

Г л а в а 3. РАЗРАБОТКА МНОГОФАКТОРНЫХ МОДЕЛЕЙ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ ЖИЛЬЦАМИ МНОГОКВАРТИРНЫХ ДОМОВ

3.1. Моделирование потребления электроэнергии в МКД с помощью обобщенных линейных моделей множественной регрессии

3.2. Моделирование потребления электроэнергии в МКД с помощью SVM

3.2.1. Метод опорных векторов

3.2.2. Отбор признаков

3.2.3. Модель уровня МКД

3.2.4. Модель уровня групп МКД

3.3. Многомерные адаптивные регрессионные сплайны

3.3.1. Модели MARS для отдельного МКД

3.3.2. Модели MARS уровня групп МКД

3.4. Экспериментальная оценка производительности алгоритмов построения

регрессионных моделей

Выводы

Г л а в а 4. МЕТОДЫ И МЕТОДИКИ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ РЕАЛИЗАЦИИ ПОЛИТИКИ ПОВЫШЕНИЯ ЭНЕРГОЭФФЕКТИВНОСТИ С ИСПОЛЬЗОВАНИЕМ МОДЕЛЕЙ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ

4.1. Валидация нормативов потребления электроэнергии в жилых помещениях

многоквартирных домов

4.2. Методы поддержки принятия управленческих решений на основе регрессионных моделей

4.2.1. Расчет скорректированного базового потребления энергетических ресурсов

4.2.2. Бенчмаркинг энергоэффективности МКД на основе

регрессионных моделей

4.3. Методика оценки энергоэффективности МКД на основе анализа среды функционирования и регрессионных моделей

4.4. Методика оценки нормативов потребления электроэнергии в МКД

4.4.1. Классификация алгоритмов извлечения знаний

4.4.2. Алгоритм извлечения продукционных правил из многофакторных регрессионных моделей на основе гиперкубов

4.4.3. Экспериментальная оценка эффективности методики

Выводы

Заключение

Список литературы

Приложение А

Приложение B

Введение диссертации (часть автореферата) на тему «Модели и методики поддержки принятия решений для управления эффективностью потребления электроэнергии в многоквартирных жилых домах»

ВВЕДЕНИЕ

Актуальность темы. Тема энергоэффективности российской экономики на протяжении длительного времени остается актуальной. Работы над повышением этого показателя ведутся в разных областях: принимаются законы, тарифы, исследуются новые материалы и технологии. Одной из отраслей, которые, по мнению исследователей, обладают значительным потенциалом энергосбережения, является жилищно-коммунальное хозяйство.

В 2015 году был принят национальный стандарт ГОСТ 56743-2015, содержащий общие положения по определению экономии энергетических ресурсов. Среди методов расчета энергоэффективности объектов был предложен метод компьютерного моделирования. Широкое распространение автоматизированных систем коммерческого учета электроэнергии в жилом секторе в совокупности с автоматизацией процессов выставления счетов потребителям энергоресурсов позволяет накапливать значительные объемы детальных данных и использовать их для анализа энергопотребления в многоквартирных домах. Технологии анализа подобных данных могут стать частью механизма управления реализацией энергосберегающей политики в муниципальных образованиях, а также быть использованы при управлении энергосбытовыми процессами и для информационно-аналитической поддержки принятия решений в сфере тарифного регулирования.

Существующие исследования, как правило, не рассматривают объекты жилого сектора с точки зрения влияния на зависимую величину человеческого фактора. В то же время, по сообщениям зарубежных ученых, объемы потребления энергоресурсов для идентичных с инженерной точки зрения жилых домов могут различаться на 200-300 %.

Исследования в данной предметной области связаны с рядом трудностей, среди которых отсутствие доступных тематических банков данных. Показания автоматизированных систем коммерческого учета электроэнергии используются для коммерческого и технического учета, причем учитывается чаще всего только электроэнергия, тогда как подробные данные о потреблении других видов энергоресурсов (газ, тепловая энергия, горячая вода) отсутствуют. Фактически доступность данных по всем видам энергоресурсов, потребляемых многоквартирными

жилыми домами, - невыполнимое на сегодняшний день условие. Тем не менее разработка общих методов, подходов и алгоритмов анализа энергоэффективности может осуществляться для отдельного энергоресурса, сведения о котором являются наиболее полными и детальными (в рамках данного исследования - электроэнергия).

Несмотря на перспективы исследований энергоэффективности, основанных на данных (в зарубежной литературе - data-driven energy efficiency), самым распространенным методом ее определения для многоквартирных жилых домов на практике остается «классический» энергоаудит - дорогостоящий, но достаточно точный способ обследования объектов. В условиях ограниченных ресурсов (как денежных, так и кадровых) проведение детального обследования для значительной группы многоквартирных жилых домов становится весьма трудной задачей. Выходом из ситуации может стать предварительное оценивание энергоэффективности объектов, на основе результатов которого может быть принято решение о целесообразности применения энергоаудита.

Зарубежные исследователи обратили внимание на задачу разработки методик компьютерного «экспресс-энергоаудита» несколько десятилетий назад. Особенности применения различных моделей описали в своих работах Ф. Магоулес, Х. Жао, В. Шабунько, Ц. М. Лим, С. Брахим, М. Макдональд, С. Ливенгуд, Т. Олофссон, А. Мейер, Р. Ламбертс, Д. Шипли, Г. Тодесцо, М. Аделаар, В. С. Ли и др.

К сожалению, результаты опубликованных работ невозможно соотнести с российскими реалиями в силу ряда причин: различия климатических, экономических условий, менталитета потребителей услуг и многих других. Важной причиной является различие структур жилого сектора: зарубежные исследователи, как правило, анализируют процесс потребления энергии в отдельных домовладениях, в то время как большинство зданий в российских городах представляют собой многоквартирные жилые дома.

В отечественных публикациях тема анализа энергоэффективности на основе моделей (для жилого сектора) затронута в работах С. М. Карпенко, В. С. Макарова, М. В. Щербакова, И. А. Башмакова, М. П. Силича, А. Г. Финогеева.

Закономерность иерархической упорядоченности, значительная степень влияния на зависимую величину поведенческих паттернов потребителей энергии, а также ряд других факторов, характерных для многоквартирных домов, обусловливают необходимость создания специфических инструментов информационно -аналитической поддержки управления энергосбытовыми процессами.

Все это подтверждает актуальность исследований в области интеллектуального анализа данных о потреблении энергоресурсов в жилом секторе. Данная работа посвящена разработке моделей, методик и алгоритмов управления эффективностью потребления электроэнергии в многоквартирных жилых домах.

Целью исследования является разработка моделей и методик поддержки принятия управленческих решений при реализации политики повышения энергоэффективности многоквартирных жилых домов. Для достижения поставленной цели требуется решить следующие задачи.

1. Разработка способов очистки и предобработки данных для задач управления энергоэффективностью объектов жилого сектора в муниципальных образованиях (с населением от 250 до 500 тыс. человек).

2. Разработка алгоритма выравнивания остатков (издержек расщепления оплаты) на лицевых счетах жильцов многоквартирных домов для данных, используемых при принятии управленческих решений.

3. Разработка многофакторных моделей потребления электроэнергии и методики получения формализованных оценок электроэнергетической эффективности многоквартирных домов.

4. Разработка методики поддержки принятия решений в области энергосбережения в жилом секторе на основе бенчмаркинга электроэнергетической эффективности многоквартирных жилых домов, базирующегося на моделях машинного обучения и анализе среды функционирования

5. Разработка методики оценки нормативов потребления электроэнергии в многоквартирных жилых домах для информационной поддержки управленческих решений в сфере тарифного регулирования на основе алгоритма извлечения знаний из многофакторных моделей машинного обучения.

Объектом исследования является система сбора, обработки и анализа данных о потреблении электроэнергии в многоквартирных жилых домах крупного города (на примере г. Саранска).

Предметом исследования является алгоритмическое, информационное и методическое обеспечение средств поддержки принятия управленческих решений при реализации политики повышения энергоэффективности многоквартирных жилых домов.

Методы исследования. В процессе решения поставленных задач использованы методы машинного обучения, системного анализа, теории управления, математической статистики, интеллектуального анализа данных, теории оптимизации.

Научная новизна

1. Предложен способ очистки данных о потреблении электроэнергии, поступающих из автоматизированных систем коммерческого учета электроэнергии. Отличительными особенностями способа являются определение множественных ошибок на основе SD-метода и выявление ошибок, распространенных на разных уровнях подсистемы сбора данных автоматизированных систем коммерческого учета электроэнергии, за счет осуществления иерархической кластеризации временных рядов.

2. Разработаны многофакторные регрессионные модели потребления электроэнергии в многоквартирных жилых домах и методики получения формализованных оценок электроэнергетической эффективности, соответствующие различным уровням иерархии системы: квартира, дом, группа домов, отличающиеся использованием факторов различной природы: климатических, социальных, экономических, технических, что позволяет применять их в системах измерения и верификации электроэнергоэффективности, а также в системах энергетического бенчмаркинга.

3. Предложена методика поддержки принятия управленческих решений в области энергосбережения в жилом секторе на основе бенчмаркинга электроэнергетической эффективности многоквартирных жилых домов, базирующаяся на

многофакторной регрессионной модели и анализе среды функционирования, отличающаяся возможностью обработки входных данных, представленных порядковыми и номинальными переменными с учетом наличия сложных нелинейных зависимостей.

4. Предложена методика оценки нормативов потребления электроэнергии в многоквартирных жилых домах для информационной поддержки управленческих решений с целью формирования тарифного меню на основе разработанного алгоритма извлечения знаний из регрессионных моделей, который отличается возможностью автоматического подбора числа требуемых продукционных правил для адекватной интерпретации результатов моделирования.

Практическая ценность работы заключается в том, что представленные модели, методики и алгоритмы реализованы в виде программной системы, позволяющей выполнять предобработку данных и определение формализованных оценок энергоэффективности многоквартирных домов с целью принятия управленческих решений по энергосбережению.

Практическая значимость результатов диссертационного исследования подтверждается внедрением разработанных методик и алгоритмов в деятельность ООО «Саранский расчетный центр» и ПАО «Мордовэнергосбыт», а также свидетельством о государственной регистрации программы для ЭВМ. Кроме того, результаты внедрены в учебный процесс в Мордовском университете при подготовке студентов по направлению 09.03.01 «Информатика и вычислительная техника». Факт внедрения результатов работы подтверждается соответствующими актами.

Достоверность результатов обосновывается корректностью применения математического аппарата, адекватностью разработанных регрессионных моделей тестовым выборкам, экспериментальными исследованиями и результатами опытной эксплуатации.

Соответствие паспорту специальности. Работа соответствует следующим пунктам паспорта специальности ВАК 05.13.10 «Управление в социальных и экономических системах»:

- пункту 3 «Разработка моделей описания и оценок эффективности решения задач управления и принятия решений в социальных и экономических системах»;

- пункту 6 «Разработка и совершенствование методов получения и обработки информации для задач управления социальными и экономическими системами»;

- пункту 10 «Разработка методов и алгоритмов интеллектуальной поддержки принятия управленческих решений в экономических и социальных системах»;

- пункту 11 «Разработка методов и алгоритмов прогнозирования оценок эффективности, качества и надежности организационных систем».

Положения, выносимые на защиту.

1. Способ очистки данных автоматизированных систем коммерческого учета энергопотребления для задач управления реализацией политики энергосбережения в муниципальных образованиях.

2. Комплекс многофакторных регрессионных моделей и методика моделирования процесса потребления электроэнергии жильцами многоквартирных домов для получения формализованных оценок электроэнергетической эффективности.

3. Методика поддержки принятия решений по энергосбережению на основе энергетического бенчмаркинга многоквартирных жилых домов, базирующаяся на многофакторной регрессионной модели и анализе среды функционирования.

4. Методика оценки нормативов потребления электроэнергии в многоквартирных жилых домах для информационной поддержки управленческих решений при разработке тарифных меню на основе разработанного алгоритма извлечения знаний из регрессионных моделей.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на следующих конференциях: ежегодной научной конференции «Огаревские чтения» (Саранск, 2014, 2015, 2016 гг.; IV Международной научной конференции «Проблемы управления, обработки и передачи информации» (Саратов, 2015 г.); I Всероссийской научной конференции по проблемам

управления в технических системах (ПУТС-2015) (Санкт-Петербург, 2015 г.); XIII Международной научно-технической конференции «Новые информационные технологии и системы» (НИТиС-2016) (Пенза, 2016 г.)

Публикации. По материалам диссертации опубликованы 11 работ, в том числе 7 - в рецензируемых изданиях, входящих в перечень ВАК РФ, получено 1 свидетельство о государственной регистрации программы для ЭВМ.

Г л а в а 1

СОВРЕМЕННЫЕ КОМПЬЮТЕРНЫЕ МОДЕЛИ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ В ЖИЛОМ СЕКТОРЕ

1.1. ЗАДАЧИ АНАЛИЗ ЭНЕРГОЭФФЕКТИВНОСТИ

Проводимая в последние годы Правительством Российской Федерации политика в области энергосбережения прямо обозначила высочайший приоритет вопросов энергосбережения и повышения энергоэффективности [29-31]. Согласно закону «Об энергосбережении...» [31] под энергетической эффективностью понимаются характеристики, отражающие отношение полезного эффекта от использования энергетических ресурсов к их затратам, произведенным в целях получения такого эффекта, применительно к продукции, технологическому процессу, что соответствует общепринятому европейскому пониманию энергоэффективности [133]. Таким образом, энергетическая эффективность является оценкой не абсолютной, а относительной, понимаемой как мера сравнения энергетических параметров объектов либо как оценка реализации мер, направленных на снижение энергопотребления.

Анализ энергетической эффективности объекта позволяет определить вектор его энергетического развития - потенциал энергосбережения [4]. При этом под потенциалом обычно подразумевают возможности, резервы, которые могут быть реализованы во времени. Например, проводя анализ и осуществляя оценку экономического потенциала региона, наряду с количественной и качественной характеристикой ресурсов, необходимо учитывать возможность эффективного их использования. Экономия ресурса в свою очередь характеризует потенциал ресурсосбережения, являющийся составной частью экономического потенциала региона. Названные предпосылки позволяют сформулировать понятие «потенциал энергосбережения» [4, 16, 32, 48]. Потенциал энергосбережения есть резерв сокращения потребления энергии за счет реализации энергоэффективных проектов и мероприятий, в том числе направленных на вовлечение в хозяйственный оборот

возобновляемых источников энергии путем реализации экономических, организационных, правовых, производственных и научно-технических мер для повышения энергетической эффективности субъекта хозяйствования.

С точки зрения существующих ограничений различают технологический, экономический и рыночный потенциалы.

Технологический потенциал энергосбережения представляет собой нереализованные возможности по снижению удельного расхода и потерь энергии вследствие прогнозируемых изменений технологической структуры энергоснабжения. Экономический потенциал энергосбережения характеризует нереализованные возможности субъектов хозяйствования по применению оборудования и энергоэффективных технологий. Рыночный потенциал энергосбережения во многом связан с рыночной ситуацией, сложившейся к моменту принятия управленческих решений по реализации энергоэффективных мероприятий.

Снижение потребления энергетических ресурсов определяют в натуральном и (или) стоимостном выражении. Экономию в натуральном выражении можно определить как предотвращенное потребление энергетических ресурсов или нормализованную экономию. Экономию в стоимостном выражении можно определить аналогичным образом как «стоимость предотвращенного потребления» или «стоимость нормализованной экономии». Термин «экономия» означает не просто разницу между счетами ресурсоснабжающих организаций или измеренными величинами потребления энергетических ресурсов в базовом и отчетном периодах, а эту разницу с учетом соответствующих корректировок. Поэтому в рыночный потенциал некоторые авторы включают информационно и финансово обеспеченные потенциалы, опирающиеся на технико-экономические расчеты реализации инвестиционных проектов в области энергосбережения. Потенциал энергосбережения может также подразделяться по видам энергоресурсов, этапам их движения и преобразования (электроснабжение, теплоснабжение, водоснабжение, газоснабжение и т.д.), направлениям энергосбережения, отраслям экономики, территориальному признаку.

Жилищно-коммунальное хозяйство (ЖКХ) является одним из крупнейших потребителей топлива и энергии в России - на его долю приходится около 30 % всего энергопотребления страны. Вместе с тем ЖКХ многих регионов Российской Федерации имеет значительные резервы экономии электрической и тепловой энергии, а также воды (как энергоносителя). В системах городского (районного) теплоснабжения, особенно при транспортировке, распределении и регулировании, массово используются технические средства, разработанные 40-50 и более лет назад и имеющие большой физический и моральный износ. Ограниченные финансовые возможности обусловливают то, что возникающие на предприятиях технические проблемы часто решаются по временной схеме, без технико-экономической проработки, а это приводит в долговременном плане к большим финансовым потерям. Основным потребителем топливно-энергетических ресурсов (ТЭР) ранее являлась промышленность. На ее долю приходилось 55 % потребления; на коммунально-бытовой сектор - 31,5 %; на транспорт - не более 9 %; на сельское хозяйство - 5 %. В настоящее время произошел спад потребления энергоресурсов в промышленности и сельском хозяйстве с увеличением доли потребления коммунально-бытового сектора [17]. Энергосбережение в ЖКХ намного отстает от промышленного и коммерческого секторов, где четко определена роль хозяина - рачительного владельца, который умеет считать свои затраты. Энергосберегающие технологии фрагментарно вводятся на строящихся объектах ЖКХ, но они не стали еще системообразующей основой для его энергокомплекса. Не закончен даже первый этап реконструкции - не повсеместно проведена установка приборов учета тепловой энергии.

Учитывая социальную роль экономии энергоресурсов в жилищном секторе, оценка его потенциала энергоэффективности является актуальной задачей. Решение проблемы ее повышения начинается с определения текущих расходов для последующего анализа и оптимизации. В настоящее время фактически во всех крупных городах Российской Федерации разработаны и внедрены автоматизированные системы коммерческого учета потребления энергоресурсов, что позволяет решать спектр различных задач: прогнозирование потребления электроэнергии,

определение качества данных, выявление потенциала энергосбережения, а также формирование специальных наборов данных для расчета экономически обоснованных тарифов потребления. Контроллеры узлов коммерческого учета энергопотребления собирают значительное количество архивных и оперативных данных, которые могут быть эффективно обработаны при помощи технологий Big Data [20], применение которых способно повысить эффективность работы систем диспетчерского управления потреблением энергоресурсов, и поэтому их целесообразно использовать при создании автоматизированных систем энергетического мониторинга нового поколения. Энергетика ЖКХ - это та сфера, где обработка большого количества информации и алгоритмизация регуляторных решений может быть особенно полезна. К примеру, при организации работы электрической энергосистемы требуется в режиме реального времени синхронизировать деятельность огромного количества субъектов и выработать справедливое ценообразование с учетом многих факторов. Особенностью сферы энергетики является то, что это одна из наиболее консервативных отраслей в стране, которая, в отличие от нефтяного, финансового, телеком-секторов, пока еще не существенно продвинулась в реализации проектов, основанных на технологиях Big Data и облачных вычислениях [114]. В то же время технологии компьютерного моделирования уже включены в государственный стандарт измерения и верификации энергетической эффективности [10].

Среди задач, которые призван решать анализ энергоэффективности многоквартирных домов, можно выделить две самые значимые. Первая - задача измерения и верификации энергетической эффективности многоквартирных домов, которой фактически посвящен ГОСТ 5674. Она заключается в расчете величины экономии (с учетом сопоставимых условий), получаемой на конкретном объекте при реализации мероприятий по повышению энергоэффективности. Вторая задача - осуществление энергетического бенчмаркинга. Энергетический бенчмаркинг -процесс сбора, анализа информации для оценки и сравнения эффективности использования топливно-энергетических ресурсов рядом объектов [35]. Ключевой отличием бенчмаркинга является именно сравнение показателей одного объекта с

показателями других (или с нормативными значениями), осуществляемое в ходе анализа.

1.1.1. Измерение и верификация энергетической эффективности многоквартирных жилых домов

В мировой практике используются четыре основных метода измерения и верификации энергетической эффективности зданий [26].

1. Метод краткосрочных измерений. Основывается на комбинации краткосрочных измерений энергопотребления отдельного инженерного оборудования или инженерных систем (чаще всего модернизированных). При этом энергопотребление всего здания оценивается аналитически, с помощью статистических данных и данных производителя инженерного оборудования.

2. Метод продолжительных серий измерений. Основывается на периодических или непрерывных измерениях энергопотребления отдельного инженерного оборудования или инженерных систем (чаще всего модернизированных). При этом энергопотребление всего здания также оценивается аналитически, с помощью статистических данных и данных производителя инженерного оборудования.

3. Анализ показаний приборов учета энергопотребления всего здания. Основывается на долгосрочных измерениях энергопотребления всего здания в целом с помощью приборов учета.

4. Расчетно-экспериментальный метод на базе компьютерного моделирования. Основывается на проведении компьютерного моделирования энергопотребления, чаще всего здания в целом.

1.1.2. Энергетический бенчмаркинг

За рубежом в качестве инструмента информационно-аналитической поддержки управленческих решений при реализации политики энергосбережения

широко применяется бенчмаркинг энергоэффективности, который заключается в распространении передового опыта и лучших достижений в данной области. При этом важную роль играют организационные и стимулирующие факторы, влияющие на уровень эффективности объектов в сфере энергосбережения. Организационные факторы включают сбор, обработку и распространение информации, стимулирующие - льготы, налоги и кредиты для целевого повышения уровня энергоэффективности. Опыт ведущих промышленных стран Западной Европы и США указывает на целесообразность использования бенчмаркинга для выявления лучших по определенным критериям компаний и структурных подразделений в разных направлениях их деятельности [35].

В общем смысле бенчмаркинг (англ. benchmarking) - практика сравнения измеренной фактической производительности устройства, процесса, объекта или организации по отношению к своим более ранним состояниям, аналогичным объектам или установленным нормам с целью информирования и мотивации к повышению производительности. Бенчмаркинг в равной степени включает два процесса: оценку и сопоставление. Его цель состоит в том, чтобы на основе исследований установить потребность в изменениях и путь достижения успеха в результате этих перемен.

На практике применение бенчмаркинга бывает связано с рядом проблем. Одной из них является отсутствие единой его процедуры, которая была бы принята всеми компаниями. Широкое применение бенчмаркинга привело к появлению различных методик. Одна из фундаментальных работ была посвящена преимуществам в конкурентоспособности компаний вследствие использования бенчмар-кинга [62]. В процессе реализации это процедуры проводится сравнение товара, услуги, технологии, процесса и т.д. по основным (существенным) критериям с лучшими существующими в отрасли и на рынке образцами. После оценки каждого параметра проводится комплексная оценка объекта в целом, в результате чего возникает представление об относительном уровне качества, конкурентоспособности, эффективности и т.д. объекта оценки по отношению к лучшим существующим аналогам. Цель энергетического бенчмаркинга создание и совершенст-

вование точной модели потребления энергии на предприятии с целью оценить возможность сокращения потребления энергии, используя опыт лучших компаний на рынке. Как показывает практика ряда стран, наличие в легком доступе результатов бенчмаркинга - это реальная сила, которая мотивирует владельцев зданий и управляющие компании к реализации мер по повышению энергоэффективности и снижению затрат на эксплуатацию. Отсутствие же возможности сравнивать показатели энергетической эффективности зданий ограничивает мотивацию их собственников к поиску финансовых ресурсов для инвестиций в повышение энергоэффективности зданий. Рейтинги формируют базу для оценки энергетической эффективности и позволяют выявить те здания, где затраты энергии выше. Они служат основой для разработки государственной политики и формирования стимулов для повышения энергоэффективности зданий и помогают измерить прогресс в достижении целей. Во многих частях мира, в том числе в ЕС, Австралии, Китае, США, Канаде, рейтинг энергетической эффективности жилых домов или коммерческих зданий является обязательным или добровольным, а его результаты доступны в сети Интернета для быстрого определения места конкретного здания в рейтинге [5].

Список литературы диссертационного исследования кандидат наук Федосин, Александр Сергеевич, 2017 год

СПИСОК ЛИТЕРАТУРЫ

1. Аль Зихери, Б. М. Повышение точности краткосрочного прогнозирования электрической нагрузки потребителей региона с учетом метеофакторов : дис. канд. техн. наук / Б. М. Аль Зихери. - Новочеркасск, 2015. - 131 с.

2. Ашманов, С. А. Линейное программирование / С. А. Ашманов. - М. : Наука, 1981. - 340 с.

3. Башмаков, И. А. Потенциал энергосбережения в России / И. А. Башмаков // Энергосбережение. - 2009. - № 1. - С. 28-35.

4. Башмаков, И. А. Рейтинг жилых и общественных зданий по уровню энергоэффективности / И. А. Башмаков // Энергосбережение. - 2016. - № 1. -С. 46-51.

5. Башмаков И. А. Сравнение уровней энергоэффективности зданий в России и зарубежных странах [Электрон. ресурс] / И. А. Башмаков. - 2015. - Режим доступа: http://www.cenef.ru/file/ComparisonEEfBuilding.pdf.

6. Васильев, Ф. П. Линейное программирование / Ф. П. Васильев. - М. : Факториал, 1998. - 176 с.

7. Воронцов, К. В. Лекции по методу опорных векторов [Электрон. ресурс] // К. В. Воронцов. 2007. - Режим доступа: http://www.ccas.ru/voron/ downloadZSVM.pdf.

8. Гаврилова, Т. А. Базы знаний интеллектуальных систем / Т. А. Гаврило-ва, В. Ф. Хорошевский. - СПб. : Питер, 2000. - 384 с.

9. ГОСТ Р 56743-2015. Методы измерения и верификации энергетической эффективности. - М. : Стандартинформ, 2016. - 35 с.

10. Душкин, Д. Н. Автоматизированное определение классов чувствительности веб-сервисов / Д. Н. Душкин // Управление большими системами. - 2013. -№ 45. - С. 112-122.

11. Зинкин, С. А. Разработка программной и аппаратной архитектуры веб-центра с использованием логико-алгебраических моделей представления знаний /

С. А. Зинкин, М. Е. Федосин, А. С. Федосин // Научно-технический вестник Поволжья. - 2013. - № 6. - С. 289-294.

12. Ипатова, И. Б. Динамика совокупной факторной производительности и ее компонентов на примере российской отрасли, производящей пластмассовые изделия / И. Б. Ипатова // Прикладная эконометрика. - 2015. - № 38. - С. 21-40.

13. Кобзарь, А. И. Прикладная математическая статистика / А. И. Кобзарь. -М. : Физматлит, 2006. - 816 с.

14. Коварная переплата: разбираемся в квитанции на оплату ЖКХ [Электрон. ресурс] // Аргументы и факты. - Режим доступа: http://www.irk.aif.ru/zkh/gorod/81571.

15. Колесников, А. И. Энергоснабжение в промышленных и коммунальных предприятиях : учеб. пособие / А. И. Колесников, М. Н. Федоров, Ю. М. Варфа-ломеев. - М. : ИНФРА-М, 2005. - 124 с.

16. Кривоножко, Е. В. Анализ деятельности сложных социально-экономических систем / Е. В. Кривоножко, В. А. Лычев. - М. : МАКС Пресс, 2010. - 208 с.

17. Лапитова, А. Т. Применение линейного программирования в исследовании социально-экономических процессов / А. Т. Лапитова. - Челябинск : Изд. центр ЮурГУ, 2010. - 123 с.

18. Ляпин, А. М. Технологии big data и облачных вычислений для мониторинга объектов энергетики в сфере жилищно-коммунального хозяйства / А. М. Ляпин, А. Г. Финогеев // Известия Волгоградского государственного технического университета. - 2016. - № 3. - С. 53-58.

19. Малахов, Д. И. Методы оценки показателя эффективности в моделях стохастической производственной границы / Д. И. Малахов, Н. П. Пильник // Экономический журнал Высшей школы экономики. - 2013. - Т. 17, № 4. - С. 660684.

20. Массель, Л. В. Применение онтологического, когнитивного и событийного моделирования для анализа развития и последствий чрезвычайных ситуаций

в энергетике / Л. В. Массель // Проблемы безопасности и чрезвычайных ситуаций. -

2010. - № 2. - С. 34-43.

21. Машина опорных векторов [Электрон. ресурс] // MachineLearning.ru. -Режим доступа: http://www.machinelearning.ru/wiki/index.php?title=SVM.

22. Методика выявления потенциала энергосбережения на основе интеллектуального анализа данных / М. В. Щербаков, Т. А. Яновский, А. Бребельс, Н. Л. Щербакова // Прикаспийский журнал: управление и высокие технологии. -

2011. - № 2 (14). - С. 51-55.

23. Методология бенчмаркинга для повышения уровня энергоэффективности промышленных предприятий Украины / В. П. Розен, Б. Л. Тышевич, Е. Н. Иншеков, П. В. Розен // Проблемы региональной энергетики / Ин-т энергетики Акад. наук Молдовы. - Кишинев, 2012. - № 2. - С. 73-84.

24. Моргунов, Е. П. Многомерная классификация на основе аналитического метода оценки эффективности сложных систем : автореф. дис. ... канд. техн. наук / Е. П. Моргунов. - Красноярск, 2003. - 19 с.

25. Моргунова, О. Н. Методы и алгоритмы исследования эффективности сложных иерархических систем : дис. ... канд. техн. наук / Моргунова О. Н. -Красноярск, 2006. - 153 с.

26. Наумов, А. Л. Определение класса энергетической эффективности эксплуатируемых жилых многоквартирных домов / А. Л. Наумов, Д. В. Капко // Энергосбережение. - 2015. - № 8. - С. 24-30.

27. Непараметрическая регрессия [Электрон. ресурс] // MachineLearning.ru. -Режим доступа: http://www.machinelearning.ru/wiki

28. О предоставлении коммунальных услуг собственникам и пользователям помещений в многоквартирных домах и жилых домов : Постановление Правительства РФ от 06.05.2011 № 354 // СПС «КонсультантПлюс».

29. О ходе реализации городской целевой программы «Энергосбережение в городе Москве на 2009-2011 гг. и на перспективу до 2020 года : Постановление Правительства Москвы от 29.12.2009 № 1499-ПП с приложениями и дополнениям» // «КонсультантПлюс».

30. Об оценке эффективности деятельности органов исполнительной власти субъектов Российской Федерации и органов местного самоуправления городских округов и муниципальных районов в области энергосбережения и повышения энергетической эффективности : Указ Президента РФ № 579 от 13.05.2010 // СПС «КонсультантПлюс».

31. Об установлении нормативов потребления коммунальных услуг для населения, проживающего на территории Республики Мордовия : приказ М-ва энергетики и тарифной политики Республики Мордовия от 18.09.2012 № 80 [Электрон. ресурс] / ООО «Саранский расчетный центр». - Режим доступа: http://www.irc-saransk.ru/userfiles/file/zak/2.4.zip.

32. Об энергосбережении и о повышении энергетической эффективности и о внесении изменений в отдельные законодательные акты Российской Федерации : федер. закон № 261-ФЗ от 23.11.2009 // СПС «КонсультантПлюс».

33. Ойленбах, Р. С. Потенциал энергосбережения в промышленности / Р. С. Ойленбах // Экономика и современный менеджмент: теория и практика : сб. ст. по материалам X Междунар. науч.-практ. конф. (Новосибирск, 2012 г.). - Новосибирск, 2012. - Т. 1. - С. 125-130.

34. Ратманова, И. Д. Подход к организации бенчмаркинга энергопотребления в бюджетной сфере региона / И. Д. Ратманова, О. М. Гурфова // Вестник Ивановского государственного энергетического университета. - 2016. - №2 4. - С. 30-38.

35. Саркисов, С. А. Анализ основных особенностей сбора периодических типов данных в современных АСКУЭ / С. А. Саркисов // Наука, техника и образование. - 2015. - № 11. - С. 46-49.

36. Селко, Д. SQL для профессионалов. Программирование / Д. Селко. - М. : Лори, 2009. - 442 с.

37. Силич, М. П. Анализ энергетической эффективности территорий на основе иерархии гибридных когнитивных карт / М. П. Силич, В. А. Силич, С. В. Аксенов // Известия Томского Политехнического университета. - 2013. - Т. 323, № 5. - С. 26-32.

38. Ситуационный центр «ЭнергоГород-Саранск» [Электрон. ресурс] // ЭнергоКруг. - Режим доступа: http://www.energokrug.ru/resheniya/situatsionnyj-tsentr-energogorod-saransk.html.

39. Барсегян, А. А. Технологии анализа данных Data Mining: Data Mining, Visual Mining, Text Mining, OLAP / А. А. Барсегян, М. С. Куприянов, В. В. Степа-ненко, И. И. Холод. - 2-е изд. - СПб. : БХВ-Петербург, 2007. - 375 с.

40. Фадеев, А. В. Классы энергоэффективности зданий и базовые показатели энергопотребления / А. В. Фадеев // Энергосбережение. - 2016. - № 3. -С. 10-14.

41. Федосин, А. С. Интеллектуальный анализ данных о потреблении электроэнергии в многоквартирных домах с использованием продукционной модели представления знаний / А. С. Федосин // Научно-технический вестник Поволжья. -2016. - № 6. - С. 172-174.

42. Федосин, А. С. Модели потребления электроэнергии в многоквартирных жилых домах на основе многомерных адаптивных регрессионных сплайнов / А. С. Федосин // Современные наукоемкие технологии. - 2016. - № 7. - С. 74-83.

43. Федосин, А. С. Очистка входных данных в автоматизированных системах контроля и учета энергоресурсов / А. С. Федосин, С. А. Федосин // Инфоком-муникац. технологии. - 2016. - № 2. - С. 162-168.

44. Федосин, А. С. Применение методов линейной оптимизации для выравнивания остатков денежных средств на лицевых счетах в процессе осуществления начисления платы за ЖКУ / А. С. Федосин // Прикаспийский журнал: управление и высокие технологии. - 2015. - № 1. - С. 117-128.

45. Федосин, А. С. Проблемы качества данных в автоматизированных системах коммерческого учета потребления энергоресурсов / А. С. Федосин, А. В. Савкина // Прикаспийский журнал: управление и высокие технологии. -2014. - № 2. - С. 158-164.

46. Федосин, А. С. Регрессионная модель потребления электроэнергии восходящего типа / А. С. Федосин // Фундаментальные исследования. - 2015. - № 9. -С. 522-528.

47. Четвериков, А. А. Линейные модели со смешанными эффектами в когнитивных исследованиях / А. А. Четвериков // Российский журнал когнитивной науки. - 2015. - Т. 2, № 1. - С. 41-51.

48. Экспресс-оценка потенциала энергосбережения муниципального образования (региона) / А. В. Кожевников, С. М. Карпенко, В. С. Макаров, В. Г. Рыжов // Энергоресурсосбережение и энергоэффективность. - 2011. - № 4. - С. 9-16.

49. Энергоаудит зданий [Электрон. ресурс] // 2к инжиниринг. - Режим доступа: http://www.energo-pasport.com/energoaudit-zdanij/.

50. Age standardization of rates: a new who standard [Электрон. ресурс] / O. B. Ahmad, C. Boschi-Pinto, A. D. Lopez [et al.]. - 2001. - Режим доступа: http: //www.who. int/healthinfo/paper31.pdf.

51. Al-homoud, M. S. Computer-aided building energy analysis techniques / M. S. Al-homoud // Building and Environment. - 2001. - Vol. 4. - P. 421-433.

52. Andrews, R. A Survey and Critique of Techniques For Extracting Rules From Trained Artificial Neural Networks / R. Andrews J. Diederich, A. B. Tickle // Knowledge-Based Systems. - 1995. -Vol. 8. - P. 373-389.

53. Avkiran, N. K. Productivity Analysis in the Service Sector with Data Envelopment Analysis [Электрон. ресурс] / N. K. Avkiran. - 2006. - Режим доступа: http://www.users.on.net/~necmi/financesite/DEA%20Book%203rd%20Edition%20200 6_AVKIRAN.pdf/

54. Aydinalp, M. Modeling of the appliance, lighting, and space-cooling energy consumptions in the residential sector using neural networks / M. Aydinalp, V. I. Ugur-sal, A. S. Fung // Applied Energy. - 2002. - Vol. 71, № 2. - P. 87-110.

55. Aydinalp-Koksal, M. Comparison of neural network, conditional demand analysis, and engineering approaches for modeling end-use energy consumption in the residential sector / M. Aydinalp-Koksal, V. I. Ugursal // Applied Energy. - 2008. -Vol. 85, № 4. - P. 271-296.

56. Azadeh, A. Annual electricity consumption forecasting by neural network in high energy consuming industrial sectors / A. Azadeh, S. F. Ghaderi, S. Sohrabkhani // Applied Energy. - 2008. - Vol. 49, № 8. - P. 2272-2278.

57. Banker, R. D. A Comparative Application of Data Envelopment Analysis and Translog Methods: An Illustrative Study of Hospital Production / R. D. Banker, R. F. Conrad, R. P. Strauss // Management Science. - 1986. - Vol. 32, № 1. - P. 30-34.

58. Banker R. D. The Use of Variables in Categorical Data Envelopment Analysis / R. D. Banker, R. C. Morey // Management science. - 1986. - Vol. 32, № 12. -P. 1613-1625.

59. Bauer, M. A simplified correlation method accounting for heating and cooling loads in energy-efficient buildings / M. Bauer, J. L. Scartezzini // Energy and Buildings. -1998. - Vol. 27, № 2. - P. 147-154.

60. Bogetoft, P. Benchmarking with DEA, SFA and R / P. Bogetoft, L. Otto. -New York : Springer, 2011. - 351 p.

61. Boxwell, R. J. Benchmarking for Competitive Advantage / R. J. Boxwell. -New York : McGraw-Hill Professional Publishing, 1994. - 225 p.

62. Brockwell, P. J. Time Series: Theory and Methods / P. J. Brockwell, R. A. Davis. - 2nd ed. - New York : Springer, 2009. - 273 p.

63. Building Energy Software Tools Directory [Электрон. ресурс]. - Режим доступа: http://apps 1 .eere.energy.gov/buildings/toolsdirectory.

64. Building energy use prediction and system identification using recurrent neural networks / J. F. Kreider, D. E. Claridge, P. Curtiss, R. Dodier // Journal of Solar Energy Engineering. - 1995. - Vol. 117, № 3. - P. 161-166.

65. Chapelle, O. Training a support vector machine in the primal / O. Chapelle // Neural Computation. - 2007. - № 19. - P. 1155-1178.

66. Charles, V. Data Envelopment Analysis and Its Applications to Management / V. Charles. - 1st ed. - Cambridge : Cambridge Scholars Publishing, 2012. -275 p.

67. Charnes, A. Measuring the efficiency of Decision Making Units / A. Charnes, W. W. Cooper, E. Rhodes // European journal of operational research. - 1978. - Vol. 2. -P. 429-444.

68. Chicco, G. Comparisons Among Clustering Techniques for Electricity Customer Classification / G. Chicco, R. Napoli, F. Piglione // IEEE Ttransactions on power systems. - 2006. - Vol. 21, № 2. - P. 933-940.

69. Chih-Wei, H. A Practical Guide to Support Vector Classification [Электронный ресурс] / H. Chih-Wei, C. Chih-Chung, L. Chih-Jen. - 2016. - Режим доступа: http: //www.csie.ntu.edu.tw/~cjlin/papers/guide/guide. pdf.

70. Cho, S. H. Effect of length of measurement period on accuracy of predicted annual heating energy consumption of buildings / S. H. Cho, W. T. Kim, C. S. Tae // Energy Conversion and Management. - 2004. - Vol. 45, № 18-19. - P. 2867-2878.

71. Chung, W. A benchmarking model for the energy efficiency of commercial buildings / W. Chung, Y. V. Hui, Y. M. Lam // Applied Energy. - 2006. - Vol. 83. -P. 1-14.

72. Chung W. Review of building energy-use performance benchmarking methodologies / W. Chung // Applied Energy. - 2011. -Vol. 88, № 5. - P. 1470-1479.

73. Cinca, S. C. Measuring DEA efficiency in Internet companies / S. C. Cinca, F. Y. Callen, M. C. Molinero // Decision Support Systems. - 2005. - Vol. 38, № 4. -P. 557-573.

74. Clevenger, C. M. The impact of the building occupant on energy modeling simulations 2006 [Электрон. ресурс] / C. M. Clevenger, J. Haymaker. - 2006. - Режим доступа: http://web.stanford.edu/group/peec/cgi-bin/docs/people/profiles/ The%20Impact%20of%20the%20Building%20Occupant%20On%20Energy%20Modeli ng%2 0 Simulations .pdf.

75. Cook, D. Outlier Detection in Smart Environment Structured Power Datasets / D. Cook, V. Jakkula // International Conference on Intelligent Environments. - 2010. -P. 19-21.

76. Cooper, W. Handbook on Data Envelopment Analysis / W. Cooper, S. M. Lawrence, J. Zhu. - New York : Spingler, 2004. - 593 p.

77. Determinants of household electricity consumption savings: A Latvian case study / I. Laicane, A. Blumberga, M. Rosa, D. Blumberga // Agronomy Research. -2014. - Vol. 2. - P. 527-542.

78. Dong, B. Applying support vector machines to predict building energy consumption in tropical region / B. Dong, C. Cao, S. E. Lee // Energy and Buildings. -2006. - Vol. 37, № 5. - P. 545-553.

79. Developing building benchmarking for Brunei Darussalam / V. Shabunko, C. M. Lim, S. Brahim, S. Mathew // Energy and Buildings. - 2014. - № 85. - P. 79-85.

80. Frankel, M. Emerging Strategies for Effective Energy Efficiency Benchmarking: Normalization [Электронный ресурс] / M. Frankel, C. Pyke, S. Baumgartner // Economic Analysis, and Data Aggregation. American Council for an Energy-Efficient Economy (ACEEE), - 2014. - Режим доступа: http://aceee.org/files/ proceed-ings/2014/data/papers/6-1147.pdf.

81. Friedman, J. H. Multivariate adaptive regression splines / J. H. Friedman // The Annals of Statistics. - 1991. - № 19. - P. 1-141.

82. Fitting linear mixed-effects models using lme4 / D. Bates, M. Mächler, B. M. Bolker, S. C. Walker // Journal of Statistical Software. - 2015. - Vol. 67, № 1. -P. 1-48.

83. Gelman, A. Data Analysis Using Regression and Multilevel/Hierarchical Models / A. Gelman, J. Hill. - New York : Cambridge University Press, 2007. - 625 p.

84. Gonzalez, P. A. Prediction of hourly energy consumption in buildings based on a feedback artificial neural network / P. A. Gonzalez, J. M. Zamarreno // Energy and Buildings. - 2005. - Vol. 37, № 6. - P. 595-601.

85. Gouda, M. M. Application of an artificial neural network for modelling the thermal dynamics of a building's space and its heating system / M. M. Gouda, S. Danaher, C. P. Underwood // Mathematical and Computer Modelling of Dynamical Systems: Methods, Tools and Applications in Engineering and Related Sciences. - 2002. -Vol. 8, № 3. - P. 334-344.

86. Gower, J. C. A general coefficient of similarity and some of its properties / J. C. Gower // Biometrics. - 1971. - № 27. - P. 857-871.

87. Hastie, T. The Elements of Statistical Learning / T. Hastie, R. Tibshirani, J. Friedman. - 2nd ed. - New York : Springer, 2009. - 745 p.

88. Hoffman, A. J. Peak demand control in commercial buildings with target peak adjustment based on load forecasting / A. J. Hoffman // Proceedings of the IEEE International Conference on Control Applications. - 1998. - Vol. 2. - P. 1292-1296.

89. Hou, Z. Cooling-load prediction by the combination of rough set theory and an artificial neural-network based on data-fusion technique / Z. Hou, Z. Lian, Y. Yao // Applied Energy. - 2006. - Vol. 83, № 9. - P. 1033-1046.

90. Hou, Z. An application of support vector machines in cooling load prediction / Z. Hou, Z. Lian // Proceedings of International Workshop on Intelligent Systems and Applications. - 2009. - P. 1-4.

91. Identifying Inefficient Single-Family Homes With Utility Bill Analysis / S. Casey, M. Krarti, M. Bia nchi, D. Roberts // International Conference on Energy Sus-tainability (ES2010). - Phoenix, Arizona, 2010. - P. 10.

92. Javeed Nizami, S. S. A. K. Forecasting electric energy consumption using neural networks / S. S. A. K. Javeed Nizami, A. Z. Al-Garni // Energy Policy. - 1995. -Vol. 23, № 12. - P. 1097-1104.

93. Jimenez, M. J. Application of multi-output ARX models for estimation of the U and g values of building components in outdoor testing / M. J. Jimenez, M. R. Heras // Solar Energy. - 2005. - Vol. 79, № 3. - P. 302-310.

94. Kalogirou, S. A. Building heating load estimation using artificial neural networks [Электрон/ ресурс] / S. A. Kalogirou, C. C. Neocleous, C. N. Schizas // Proceedings of the 17th International Conference on Parallel Architectures and Compilation Techniques. - 1997. - Режим доступа: http://www.inive.org/members_area/ me-dias/pdf/inive%5Cclima2000%5C1997%5Cp 159.pdf.

95. Kalogirou, S. A. Artificial neural networks in energy applications in buildings / S. A. Kalogirou // International Journal of Low-Carbon Technologies. - 2006. -Vol. 1, № 3. - P. 201-216.

96. Karatasou S. Modeling and predicting building's energy use with artificial neural networks: Methods and results / S. Karatasou, M. Santamouris, V. Geros // Energy and Buildings. - 2006. - Vol. 38, № 8. - P. 949-958.

97. Kavousian, A. Data-Driven Benchmarking of Building Energy Efficiency Utilizing Statistical Frontier Models / A. Kavousian, R. Rajagopal // Journal of computing in civil engineering. - 2014. - Vol. 28, № 1. - P. 79-88.

98. Kim, H. Energy Modeling System Using Building Information Modeling Open Standards / H. Kim, K. Anderson // Journal of Computing in Civil Engineering. -2013. - Vol. 27, № 3. - P. 203-211.

99. Kubota, N. GP-preprocessed fuzzy inference for the energy load prediction / N. Kubota, S. Hashimoto, F. Kojima // Proceedings of the 2000 Congress on Evolutionary Computation. - 2000. - Vol. 1. - P. 1-6.

100. Lafrance, G. Evolution of residential electricity demand by end- use in Quebec 1979-1989: a conditional demand analysis / G. Lafrance, D. Perron // Energy Studies Review. - 1994. - Vol. 6, № 2. - P. 164-173.

101. Lai, F. Vapnik's learning theory applied to energy consumption forecasts in residential buildings / F. Lai, F. Magoules, F. Lherminier // International Journal of Computer Mathematics. - 2008. - Vol. 85, № 10. - P. 1563-1588.

102. Lewis, H. F. Data Envelopment Analysis with Reverse Inputs and Outputs / H. F. Lewis, T. R. Sexton // Journal of Productivity Analysis. - 2004. - № 21. -P. 113-132.

103. Li, Q. Applying support vector machine to predict hourly cooling load in the building / Q. Li, Q. L. Meng, J. J. Cai // Applied Energy. - 2009. - Vol. 86, № 10. -P. 2249-2256.

104. Li, Q. Prediction model of annual energy consumption of residential buildings / Q. Li, P. Ren, Q. Meng // Proceedings of 2010 International Conference on Advances in Energy Engineering. - 2010. - P. 223-226.

105. Li, X. A novel hybrid approach of KPCA and SVM for building cooling load prediction / X. Li, L. Ding, J. Lv // Proceedings of 2010 Third International Conference on Knowledge Discovery and Data Mining. - 2010. - P. 522-526.

106. Liang, J. Model-based fault detection and diagnosis of HVAC systems using support vector machine method / J. Liang, R. Du // International Journal of Refrigeration. - 2007. - Vol. 30, № 6. - P. 1104-1114.

107. Loureiro, A. Outlier Detection Using Clustering Methods: a data cleaning application [Электрон. ресурс] / A. Loureiro, L. Torgo, C. Soares. - 2004. - Режим доступа: http://www.dcc.fc.up.pt/~ltorgo/Papers/ODCM.pdf.

108. Lundin, M. Development and validation of a method aimed at estimating building performance parameters / M. Lundin, S. Andersson, R. Ostin // Energy and Buildings. - 2004. - Vol. 36, № 9. - P. 905-914.

109. Lundin, M. Validation of a neural network method for estimation heat loss and domestic gain in buildings / M. Lundin, S. Andersson, R. Ostin // Proceedings of the 6th Symposium on Building Physics in the Nordic Countries. - 2002. - P. 223-226.

110. Lv, J. Applying principal component analysis and weighted support vector machine in building cooling load forecasting / J. Lv, X. Li, L. Ding // Proceedings of International Conference on Computer and Communication Technologies in Agriculture Engineering. - 2010. - P. 434-437.

111. Ma, Y. Study on power energy consumption model for large-scale public building / Y. Ma, J. Q. Yu, C. Y. Yang // Proceedings of the 2nd International Workshop on Intelligent Systems and Applications, - 2010. - P. 1-4.

112. Magoules, F. Data Mining and Machine Learning in Building Energy Analysis / F. Magoules, H. X. Zhao. - New York : ISTE Ltd and John Wiley & Sons, 2016. - 171 p.

113. Maile, T. Building Energy Performance Simulation Tools - a Life-Cycle and Interoperable Perspective [Электрон. ресурс] / T. Maile, M. Fischer, V. Bazjanac. -2007. - Режим доступа: http://web.stanford.edu/group/narratives/classes/08-09/CEE215/ReferenceLibrary/BIM%20and%20Building%20Simulation%20Research/ Building%20Energy%20Performance%20Simulation%20Tools%20A%20Lifecycle% 20and%20Interoperable%20Perspective.pdf.

114. Manyika, J. Big data: The next frontier for innovation, competition, and productivity [Электрон. ресурс] / J. Manyika, M. Chui, B. Brown. - 2011. - Режим доступа: http://www.mckinsey.com/~/media/McKinsey/Business%20Functions/ McKinsey%20Digital/0ur%20Insights/Big%20data%20The%20next%20frontier%20 for% 20innovation/MGI_big_data_full_report.ashx.

115. Miron, B. K. Feature Selection with the Boruta Package / B. K. Miron, W. R. Rudnicki // Journal of Statistical Software. - 2010. - Vol. 11, № 36. - P. 1-13.

116. Necka, K. Use of data mining techniques for predicting electric energy demand [Электрон. ресурс] / K. Necka - 2011. - Режим доступа : https://www.google.ru/url?sa=t&rct=j&q=&esrc=s&source=web&cd=10&ved=0ahUK Ewj-

BuMKlr4fPAhWCkCwKHRxlCnQQFghcMAk&url=http%3A%2F%2Fagro .icm.edu.pl %2Fagro%2Felement%2Fbwmeta1 .element.agro-247c7129-a5f0-4445-a179- 1e10 d185db13%2Fc%2F27_necka.pdf&usg=AFQjCNERUOngQ.

117. Neto, A. H. Comparison between detailed model simulation and artificial neural network for forecasting building energy consumption / A. H. Neto, F. A. S. Fi-orelli // Energy and Buildings. - 2008. - Vol. 40, № 12. - P. 2169-2176.

118. Newsham, G. R. Building-level occupancy data to improve ARIMA- based electricity use forecasts / G. R. Newsham, B. J. Birt // Proceedings of the 2nd ACM Workshop on Embedded Sensing Systems for Energy-Efficiency in Building. - 2010. -P. 13-18.

119. Nizar, A. H. Power Utility Nontechnical Loss Analysis With Extreme Learning Machine Method / A. H. Nizar, Z. Y. Dong, Y. Wang // IEEE Transactions on power systems. - 2008. - Vol. 23, № 3. - P. 946-955.

120. Nontechnical Loss Detection for Metered Customers in Power Utility Using Support Vector Machines / N. Jawad, Y. Keem Siah, T. Sieh Kiong [et al.] // IEEE Transactions on power delivery. - 2010. - Vol. 25, № 2. - P. 1162-1171.

121. Olofsson, T. Analysis of the interaction between heating and domestic load in occupied single-family buildings / T. Olofsson, S. Andersson // Proceedings of the 5th Symposium on Building Physics in the Nordic Countries. - 1999. - P. 473-480.

122. Olofsson, T. A method for predicting the annual building heating demand based on limited performance data / T. Olofsson , S. Andersson, R. Ostin // Energy and Buildings. - 1998. - Vol. 28, № 1. - P. 101-108.

123. Olofsson, T. Long-term energy demand predictions based on short-term measured data / T. Olofsson, S. Andersson // Energy and BuildingsBuildings. - 2001. -Vol. 33, № 2. - P. 85-91.

124. Olofsson, T. Overall heat loss coefficient and domestic energy gain factor for single-family buildings / T. Olofsson, S. Andersson // Building and Environment. -2002. - Vol. 37, № 11. - P.1019-1026.

125. Package 'maptools' [Электрон. ресурс] - The Comprehensive R Archive Network. - 2016. - Режим доступа: https://cran.r-project.org/web/packages/ maptool s/maptools.pdf.

126. Package 'weatherData' [Электрон. ресурс]. - The Comprehensive R Archive Network. - 2015. - Режим доступа: https://cran.r-project.org/web/ pack-ages/weatherData/weatherData.pdf.

127. Pfafferott, J. Thermal building behaviour in summer: long-term data evaluation using simplified models / J. Pfafferott, S. Herkel, J. Wapler // Energy and Buildings. - 2005. - Vol. 37, № 8. - P. 844-852.

128. Pitt, B. D. Applications of Data Mining Techniques to Electric Load Profiling. [Электронный ресурс] / B. D. Pitt. - 2000. - Режим доступа: http://www.ee.washington.edu/research/real/Library/Thesis/Barnaby_PITT.pdf .

129. Rahm, E. Data Cleaning: Problems and Current Approaches. [Электрон. ресурс] / E. Rahm, H. H. Do. - 2000. - Режим доступа: http://wwwiti.cs.uni-magdeburg.de/iti_db/lehre/dw/paper/data_cleaning.pdf.

130. Risch, A. What matters in Residential Energy Consumption? Evidence from France / A. Risch, C. Salmon. - 2013. - Режим доступа: http://hal.univ-savoie.fr/hal-01081953.

131. Package 'RODBC' [Электрон. ресурс]. - The Comprehensive R Archive Network. - 2016. - Режим доступа: https://cran.r-project.org/web/packages/ RODBC/RODBC.pdf.

132. Rodrigues, F. F. An Electric Energy Consumer Characterization Framework Based on Data Mining Techniques / F. F. Rodrigues, Z. Vale, J. B. Gouveia // IEEE Transactions on power systems. - 2005. - Vol. 20, № 2. - P. 596-602.

133. Rousseeuw, P. J. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis / P. J. Rousseeuw // Journal of Computational and Applied Mathematics. - 1987. - № 20. - P. 53-65.

134. Schulte, A. State and Local Energy Efficiency Action Network. A Utility Regulator's Guide to Data Access for Commercial Building Energy Performance Benchmarking [Электрон. ресурс] / A. Schulte - 2013. - Режим доступа: https://www4.eere.energy.gov/seeaction/system/files/documents/commercialbuildings_ data_access_guide_0 .pdf.

135. Seo, S. A Review and Comparison of Methods for Detecting Outliers in Univariate Data Sets. [Электрон. ресурс] / S. Seo. - 2002. - Режим доступа: http://d-scholarship.pitt.edu/7948/1/Seo.pdf.

136. Smola, A. J. A tutorial on support vector regression / A. J. Smola, B. Scholkopf // Statistics and Computing. - 2004. - № 14. - P. 199-222.

137. Solver Foundation [Электрон. ресурс]. - Microsoft Solver Foundation. -2014. - Режим доступа: http://msdn.microsoft.com/en-us/devlabs/hh145003.aspx.

138. Van der Maaten, L. J. P. Visualizing High-Dimensional Data Using t-SNE / L. J. P. Van der Maaten, G. E. Hinton // Journal of Machine Learning Research. - 2008. -№ 9. - P. 2579-2605.

139. Wang, E. Benchmarking energy performance of building envelopes through aselective residual-clustering approach using high dimensional dataset / E. Wang, Z. Shenb, K. Grosskopfb // Energy and Buildings. - 2014. - № 75. -P. 10-22.

140. Westergren K. E. Monitoring energy consumption in single-family houses / K. E. Westergren, H. Hoberg, U. Norlen // Energy and Buildings. - 2014. - Vol. 29, № 3. - P. 247-257.

141. Whittle P. Hypothesis Testing in Time Series Analysis / P. Whittle. -Uppsala : Almqvist & Wiksells, 1951. - 120 p.

142. Xiaoxing, Z. Dynamic intelligent cleaning model of dirty electric load data / Z. Xiaoxing, S. Caixin // Energy Conversion and Management. - 2008. - Vol. 49, № 4. -P. 564-569.

143. Yalcintas, M. An energy benchmarking model based on artificial neural network method utilizing US Commercial Buildings Energy Consumption Survey

(CBECS) database / M. Yalcintas, O. U. Aytun // International Journal of Energy Research. - 2007. - Vol. 31, № 4. - P. 412-421.

144. Yalcintas, M. An energy benchmarking model based on artificial neural network method with a case example for tropical climates / M. Yalcintas // International Journal of Energy Research. - 2006. - Vol. 30, № 14. - P. 1158-1174.

145. Yalcintas, M. Energy-savings predictions for building-equipment retrofits / M. Yalcintas // Energy and Buildings. - 2008. - Vol. 40, № 12. - P. 2111-2120.

146. Yokoyama, R. Prediction of energy demands using neural network with model identification by global optimization / R. Yokoyama, T. Wakui, R. Satake // Energy Conversion and Management. - 2009. - Vol. 50, № 2. - P. 319-327.

147. Zareipour, H. Forecasting the Hourly Ontario Energy Price by Multivariate Adaptive Regression Splines / H. Zareipour, K. Bhattacharya, C. A. Canizares // IEEE Transactions on power systems. - 2006. - № 20. - P. 1035-1042.

148. Zmeureanu, R. Prediction of the COP of existing rooftop units using artificial neural networks and minimum number of sensors / R. Zmeureanu // Energy. -2002. - Vol. 30, № 14. - P. 889-904.