Разработка и оценка эффективности прогнозных методов регулирования в системе теплоснабжения с одним потребителем с учетом её теплоинерционных свойств тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Болков Ярослав Сергеевич

• Болков Ярослав Сергеевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Болков Ярослав Сергеевич

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ ЗАДАЧ И ПРОБЛЕМ МОДЕЛИРОВАНИЯ ОТПУСКА ТЕПЛОВОЙ ЭНЕРГИИ В СОВРЕМЕННЫХ СИСТЕМАХ ТЕПЛОСНАБЖЕНИЯ

1.1 Классификация систем, процессов и объектов теплоснабжения

1.2 Нормативные требования к регулированию теплоснабжения

1.3 Анализ состояния систем теплоснабжения

1.4 Анализ существующих прогнозных подходов

1.5 Постановка цели и задач исследования

1.6 Выводы по главе

ГЛАВА 2. ПРОГНОСТИЧЕСКОЕ МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ СИСТЕМ ТЕПЛОСНАБЖЕНИЯ НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ И НЕЙРОННЫХ СЕТЕЙ

2.1 Математические модели и требования к ним

2.2 Основа математической модели

2.3 Выбор математического аппарата

2.4 Решение модели

2.5 Проверка и калибровка прогнозной модели

2.6 Анализ чувствительности и валидация

2.7 Выводы по главе

ГЛАВА 3. ВЕРИФИКАЦИЯ ПРОГНОЗНЫХ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ НА ЭКСПЕРИМЕНТАЛЬНОМ СТЕНДЕ

3.1 Способы верификации математических моделей

3.2 Устройство экспериментальной установки

3.3 Критерии подобия

3.4 Планирование эксперимента

3.5 Проведение опыта с количественным регулированием системы

3.6 Проведение опыта с качественным регулированием системы

3.7 Обработка данных

3.8 Результаты

3.9 Численный эксперимент

3.10 Выводы по главе

ГЛАВА 4. ЭКСЕРГО-ЭКОНОМИЧЕСКИЙ АНАЛИЗ

4.1 Введение в главу

4.2 Эксергетический анализ

4.3 Экономический эффект

4.4 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

ПРИЛОЖЕНИЕ В

ПРИЛОЖЕНИЕ Г

ПРИЛОЖЕНИЕ Д

ПРИЛОЖЕНИЕ Е

ПРИЛОЖЕНИЕ Ж

ПРИЛОЖЕНИЕ З

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Разработка и оценка эффективности прогнозных методов регулирования в системе теплоснабжения с одним потребителем с учетом её теплоинерционных свойств»

Актуальность темы исследования

Системы теплоснабжения играют ключевую роль в обеспечении комфорта и экономическом развитии, являясь неотъемлемой частью инфраструктуры городов и населенных пунктов. Современные системы теплоснабжения, несмотря на свою важность, часто сталкиваются с рядом проблем, таких как неэффективное использование энергоресурсов, высокие операционные затраты и недостаточная надежность. Одной из основных причин этих проблем является сложность прогнозирования тепловой нагрузки, что приводит к неоптимальному управлению тепловыми потоками и, как следствие, к значительным потерям энергии и снижению экономической эффективности.

Актуальность настоящего исследования обусловлена необходимостью разработки и внедрения более эффективных методов прогнозирования тепловой нагрузки в системах теплоснабжения, учитывающих их теплоинерционные свойства.

Переход к цифровым интеллектуальным производственным технологиям в настоящее время является одним из приоритетных направлений развития науки, технологий и техники согласно «Стратегии научно-технологического развития Российской Федерации» (Указ Президента от 1 декабря 2016 года №642). Развитие в этом направлении возможно благодаря созданию новых систем обработки больших объемов данных на основе машинного обучения и искусственного интеллекта. Разработка таких систем и интеллектуальных методов позволит повысить надежность и эффективность систем обеспечения теплового режима, а также добиться повышения конкурентоспособности отечественной продукции и минимизации техногенного воздействия в различных технологических процессах, в том числе процессах передачи тепловой энергии в теплоэнергетических, промышленных и коммунальных объектах, теплопотребляющего и тепловыделяющего оборудования (системах теплоснабжения).

Таким образом, разработка и оценка эффективности прогностических моделей в системах теплоснабжения с учетом их теплоинерционных свойств является актуальной работой, имеющей высокую теоретическую, практическую и экономическую значимость.

Степень проработанности проблемы

При рассмотрении применяемых на текущий момент мероприятий по повышению надежности и энергетической эффективности систем теплоснабжения в качестве основной проблемы выделяется вынужденный «перетоп» в переходные и межсезонные периоды ввиду несовершенства алгоритмов, задействованных в системах регулирования погодозависимой автоматики. Иными словами, начиная с определенного значения температуры наружного воздуха отопление может регулироваться некорректно, при этом потребитель получает тем больший избыток тепла, чем выше температура атмосферного воздуха.

В ответ на вызовы, связанные с повышением эффективности и надежности систем теплоснабжения, Правительство Российской Федерации и Министерство энергетики предприняли комплексный подход к решению проблемы. Основой данного подхода является стратегия, направленная на модернизацию энергетического оборудования, что способствует улучшению его эксплуатационных характеристик [1]. Для повышения надежности систем теплоснабжения были предложены различные технические решения. Одним из таких решений является схема закольцовки трубопроводов, которая, однако, не обеспечивает достаточной надежности теплоснабжения в случае аварийного выхода из строя основного источника тепла. При этом замена устаревшего оборудования, безусловно, сопряжена с финансовыми затратами [2], а вероятность отказа оборудования на источниках теплоснабжения статистически невелика.

Существует несколько решений, которые могут повысить надежность системы теплоснабжения. Одним из таких решений является использование схем резервирования, целью которых является повышение температурного комфорта

потребителей тепловой энергии в случае отказа источника или трубопроводов системы теплоснабжения. Хотя это решение эффективно в ситуациях, когда происходит аварийная ситуация на трубопроводе, оно не рассчитано на ситуации выхода из строя оборудования самого источника теплоснабжения.

В последние годы наблюдается стремительное развитие интеллектуальных технологий, которые находят всё более широкое применение в сфере теплоснабжения. Системы теплоснабжения становятся «умными» за счёт внедрения цифровых решений, адаптивных алгоритмов управления [3]. Среди них свою эффективность при внедрении в технические процессы зарекомендовали прогнозные методы (методы предиктивного типа) [4,5].

В рамках решения указанных задач в настоящей работе предлагается методика прогнозного регулирования с применением нейросетевого алгоритма, обученного на статистических данных подсистемы мониторинга температуры окружающей среды. Особенностью решения является расчёт ошибки весовых коэффициентов. Для повышения устойчивости модели учитывается влияние тепловой инерции теплосети посредством введения поправочного коэффициента, определяемого численными методами при анализе инерционных эффектов для стандартных конфигураций сети; в частности, планируется использование метода конечных разностей и метода Рунге-Кутты, позволяющих решать задачи в подвижных средах при сохранении простоты и эффективности расчётных соотношений. Полученные результаты применяются для корректировки математической модели и последующего сравнительного анализа с целью поиска устойчивого решения.

Применение нейросетевых алгоритмов и систем глубокого обучения было рассмотрено в работе Лео Лаакконена, Тимо Корпелаб, Юри Кайвосоя и др. исследователей Тамперского Технологического Университета (Финляндия) для минимизации влияния колебаний температуры в сети с учетом различного расстояния до потребителя от одного источника теплоснабжения. Исследование показало снижение эксплуатационных расходов до 1,5%. Недостатком предложенного метода является тот факт, что каждый сезон в алгоритме не

моделировался отдельно, а также не был учтена динамика изменения тарифов за энергоресурсы, что ведет к еще более низкому реальному эксергетическому КПД системы. Кроме того, для улучшения алгоритма оптимизации модель LPV (модель в пространстве состояний с линейным изменением параметров) может повысить скорость и точность оптимизации, так как изменение задержки является сложной задачей для задействованной в исследовании модели.

Вон Хи Чон, Ён Хён Гу и Сон Джун Ю из университета Седжон (Южная Корея) в своей работе рассматривали 12 вариантов моделей нейросетевых алгоритмов для прогнозирования тепловой нагрузки на основе реальных эксплуатационных данных. Была доказана эффективность LSTM- алгоритмов (сети долгой краткосрочной памяти) и CNN (сверточных нейронных сетей), точность прогнозирования по абсолютной и среднеквадратической ошибке 0,571 и 0,662 соответственно. Однако наилучшие результаты были продемонстрированы только в летний и осенний период; точность в зимний период была низкой из-за широкого диапазона колебаний тепловой нагрузки. Поэтому необходимы дополнительные улучшения PCLA-сетей (параллельная сверточная нейронная сеть).

Важность учёта тепловой инерции и рассмотрение нестационарных режимов при различных схемах присоединения потребителей к тепловой сети подчеркнуты в исследовании Батухтина А.Г. [6]. Показана корректность аналитических зависимостей, связывающих температуру прямой сетевой воды у потребителя с температурным возмущением на источнике, а также температуру обратной сетевой воды на источнике с температурой сетевой воды у потребителя. Продемонстрирована работоспособность комплексной модели для двух видов тепловой нагрузки, применяемой в реальном времени для прогнозирования температуры обратной сетевой воды и служащей основой оптимизационных расчётов отпуска теплоты. В исследовании подтверждена результативность учёта запаздывания температурных возмущений и взаимного влияния источника и потребителей в оптимизационном управлении отпуском тепловой энергии.

Таким образом, для дальнейшего развития оптимизации энерготехнологических систем предприятий и теплоснабжения целесообразны исследования по системам прогнозного управления, использующим прогностические методы с эффективным учётом теплоинерционных свойств оборудования. Анализ современных систем показал, что их эффективность ограничена внутренними и внешними воздействиями и высокой стоимостью эксплуатации, что подтверждает актуальность методов, ориентированных на динамические условия. Предлагаемая методика реализует прогнозное регулирование на основе нейросетевого алгоритма с учётом тепловой инерции через введение поправочного коэффициента и оценку времени реакции на изменение подачи тепловой энергии, получаемых численным анализом; эти оценки включаются в контур самокоррекции на следующем прогнозном шаге, обеспечивая сопоставительный анализ и выбор устойчивого прогнозного решения.

На основе прогнозной модели разработан алгоритм с применением нейронных сетей, учитывающие погодные условия и неравномерность потребления в качестве архивных входных данных, что позволило повысить точность работы модели. Экспериментальные испытания показали, что внедрение прогнозной модели снижает количество «перетопов» и «недогревов» и сокращает затраты на тепловую энергию на 0,19% ± 0,03%при качественном и на 0,47% ± 0,03% при количественном. Прогнозирование с точностью до ±0,8°С продемонстрировало эффективность модели при значительных колебаниях температуры, снижая потребность в ручном управлении и поддерживая стабильный тепловой режим.

Проведенный эксерго-экономический анализ подтвердил прирост эксергетического КПД системы, что способствует повышению эффективности и снижению затрат на резервное оборудование. Внедрение нейронных алгоритмов для упреждающего отпуска тепловой энергии позволяет более точно прогнозировать тепловые потребности, повышая надежность и экономичность систем теплоснабжения.

Общие выводы по работе:

1. Разработана прогностическая модель передачи теплоты в системе теплоснабжения на основе нейронных сетей, учитывающая теплоинерционные свойства системы. Это позволяет повысить точность регулирования температуры теплоносителя и снизить энергетические потери, обеспечивая более эффективное и стабильное теплоснабжение потребителей.

2. Проведенные экспериментальные исследования подтвердили эффективность применения нейросетевых алгоритмов в системах теплоснабжения. Внедрение прогнозной модели позволило снизить количество перетопов и недогревов, что привело к экономии тепловой энергии и повышению температурного комфорта для потребителей.

3. Эксерго-экономический анализ показал, что использование прогнозных моделей способствует повышению эксергетического КПД системы, оптимизации распределения тепловой энергии и снижению нагрузки на оборудование. Это ведет к повышению общей эффективности и надежности системы теплоснабжения, а также к снижению эксплуатационных затрат.

4. Внедрение разработанной системы в практику позволит снизить финансовые затраты на эксплуатацию систем теплоснабжения, уменьшить риски аварийных ситуаций и повысить качество предоставляемых услуг. Это имеет значимый вклад в развитие методов совершенствования систем теплоснабжения и управления тепловыми режимами в условиях реальной эксплуатации, способствуя устойчивому развитию энергетической инфраструктуры.

5. Результаты работы открывают перспективы для дальнейших исследований и развития прогностического моделирования в других областях энергетики и коммунального хозяйства, где важна точная и адаптивная регуляция параметров в условиях динамически изменяющихся внешних факторов.

Практическая ценность исследования состоит в его применимости для проектирования, эксплуатации и оптимизации систем теплоснабжения как специалистами, так и профильными организациями; результаты используются

при подготовке кадров по теплоэнергетике и теплотехнике [7]. Кроме того, они востребованы в отраслях, где критичны теплообмен и точное поддержание температур (пищевая, химическая, металлургическая и др.), где внедрение разработанных прогнозных моделей может существенно повысить эффективность процессов [4].

Внедрение разработанных моделей и методик позволит не только оптимизировать работу существующих систем теплоснабжения, но и создать предпосылки для развития интеллектуальных энергосистем будущего. Это способствует повышению энергоэффективности, снижению эксплуатационных затрат и уменьшению негативного воздействия на окружающую среду, что является актуальным в контексте устойчивого развития и повышения конкурентоспособности отечественной энергетики.

Цель исследования

Цель - разработка и оценка эффективности прогнозных методов регулирования в системе теплоснабжения с одним потребителем с учетом её теплоинерционных свойств.

Задачи исследования

1. Провести анализ задач и проблем моделирования отпуска тепловой энергии в современных системах теплоснабжения, эксплуатируемых в настоящее время. Сравнить существующие решения в области прогностического регулирования с предлагаемой математической моделью нейросетевого упреждающего регулирования отпуском теплоты.

2. Учитывая особенности режимов работы систем теплоснабжения, изучить влияние тепловой инерции теплосети численными методами. Результаты свести к расчетному коэффициенту, используемому далее в математической модели.

3. Разработать алгоритм, основанный на математической модели прогнозного регулирования отпуска теплоты с применением нейронных сетей. Провести верификацию полученных теоретических решений путем физического моделирования.

4. Оценить эффективность разработанной методики, используя методы эксергоэкономического анализа.

Объект исследования. Системы теплоснабжения, зданий, районов и городов.

Предмет исследования. Математическое моделирование систем теплоснабжения.

Методология и методы диссертационного исследования

В работе использованы основные теоретические положения тепломассообмена, гидродинамики и математического моделирования тепловых процессов. Для расчетов применялись программы Microsoft Excel и Python с библиотеками NumPy, Pandas и Scipy. Верификация разработанных прогнозных моделей и гипотез проведена на основе экспериментальных данных, полученных с лабораторного стенда, а также анализа реальных данных теплового узла котельной в различных режимах работы.

Концепция исследования прогнозного управления системами теплоснабжения отличается следующими аспектами:

1. Натурные испытания системы теплоснабжения с прогнозной моделью позволили определить характерное время реакции системы на изменение тепловой нагрузки.

2. Математическое моделирование тепловых процессов в трубопроводах системы теплоснабжения при внедрении прогнозной модели позволило оценить динамику изменения теплопотерь, а следовательно, и влияния тепловой инерции на параметры теплоносителя. Для оценки влияния вводится понятие безразмерного коэффициента тепловой инерции системы теплоснабжения.

3. Экспериментальные исследования на испытательном стенде подтвердили эффективность прогнозного метода регулирования, продемонстрировав снижение числа перетопов и недогревов, а также уменьшение отклонений температуры теплоносителя от расчетных значений.

4. Итогом исследования является разработка прогнозных математических моделей отпуска тепловой энергии в системе теплоснабжения, способствующей

повышению эффективности её работы за счет сокращения избыточного отпуска энергии и повышения точности регулирования тепловых параметров.

Научная новизна и теоретическая значимость работы

1. Разработана концепция совместного расчета гидравлических и тепловых потерь в системах теплоснабжения, отличающаяся от существующих подходов ориентированием на решение задачи упреждающего оптимального отпуска теплоты как переходного, динамически изменяющегося процесса.

2. Впервые разработана математическая модель упреждающего процесса отпуска тепловой энергии с учётом теплоинерционных характеристик системы, в том числе введённого безразмерного коэффициента тепловой инерции, отражающего запаздывание отклика системы и позволяющего рассчитывать характерное время реакции на изменения параметров теплоносителя.

3. Разработана методологическая концепция прогнозного регулирования с применением нейросетевого алгоритма, отличающийся тем, что учитывает специфику качественного и количественного режимов регулирования отпуска теплоты потребителю.

4. Эксергоэкономическим анализом установлен прирост эксергетического КПД при внедрении предложенной системы прогнозного регулирования в систему теплоснабжения по сравнению со стандартным методом регулирования.

Теоретическая значимость работы

1. Введено понятие безразмерного коэффициента тепловой инерции системы теплоснабжения, позволяющего оценить влияние тепловой инерции на динамику изменения параметров теплоносителя. Разработанный коэффициент учитывает задержку отклика системы теплоснабжения при изменении температуры и расхода теплоносителя, что позволяет повысить точность прогнозирования отопительной нагрузки.

2. Разработаны математические модели прогнозного регулирования системы теплоснабжения для качественного и количественного режимов отпуска теплоты. Модели позволяют адаптивно корректировать параметры теплоносителя в зависимости от изменений внешних климатических условий за

счет использования нейросетевых алгоритмов с учетом характерного времени реакции системы.

3. Результаты диссертационного исследования были использованы при составлении рабочих программ очной и заочной форм обучения бакалавров ФГАОУ ВО «ЮУрГУ (НИУ)» по направлению подготовки 13.03.01 «Теплоэнергетика и теплотехника». Методологические положения нашли применение при составлении учебного пособия «Источники и системы теплоснабжения в промышленной теплоэнергетике: Лабораторная работа по теме определение коэффициента теплопередачи в пластинчатом теплообменнике при противоточном режиме течения теплоносителя».

4. Результаты исследования используются в образовательной деятельности при подготовке при подготовке студентов ФГАОУ ВО «ЮУрГУ (НИУ)» по направлению 13.03.01 «Теплоэнергетика и теплотехника» по дисциплине «Источники и системы теплоснабжения промышленных предприятий».

Практическая значимость работы

1. Разработан экспериментальный лабораторный стенд, предназначенный для вычисления параметров тепловых процессов и исследования режимов работы системы теплоснабжения. Эффективность и практическая значимость стенда подтверждаются справками от организаций, использующих результаты диссертационного исследования при выполнении научно-исследовательских работ.

2. Разработана программа по автоматизации управления гидравлической системой учебного лабораторного стенда, что подтверждается свидетельством о государственной регистрации программы ЭВМ №2022668968.

3. Разработана программа для автоматического управления генерацией частоты импульсов импульсно-частотного устройства, что подтверждается свидетельством о государственной регистрации программы ЭВМ №2023680663.

4. Разработана программа для прогнозирования температуры атмосферного воздуха с применением нейросети, что подтверждается свидетельством о государственной регистрации программы ЭВМ №2023611336.

Положения, выносимые на защиту:

1. Научный подход, основанный на совместном учете гидравлических и тепловых параметров для оптимизации распределения тепловой энергии с использованием прогнозных методов.

2. Математическая модель системы теплоснабжения с упреждающей корректировкой параметра теплоносителя на основе прогнозирования изменения температуры наружного воздуха с учетом теплоинерционных характеристик теплосети.

3. Методика прогнозного регулирования на основе на данных мониторинга температуры окружающей среды, верифицированная экспериментальным методом.

4. Результаты эксергоэкономического анализа, продемонстрировавшие прирост эксергетического КПД при внедрении предложенной системы прогнозного регулирования в систему теплоснабжения по сравнению со стандартным методом регулирования.

Личное участие автора

Личное участие автора заключается в постановке целей и задач исследования, в создании лабораторного стенда, проведения экспериментального исследования, включающего сбор данных, анализ полученных результатов и интерпретацию, в выполнении всех расчетов, в формулировке выводов и рекомендаций по практическому применению полученных данных.

Степень достоверности и апробация результатов.

Достоверность результатов исследования обеспечивается применением современного оборудования с высокой точностью измерений, а также воспроизводимостью результатов экспериментов.

Результаты исследований, приведенные в работе, докладывались на Международной научно-технической конференции студентов, аспирантов, ученых «Энерго- и ресурсосбережение в теплоэнергетике и социальной сфере» 2021-2025 гг. на Международной научно-практической конференции

International scientific and practical conference Ensuring sustainable development in the context of agriculture, green energy, ecology and Earth science 2021 г.; на Международной конференции Conference: International Conference on Remote Sensing of the Earth: Geoinformatics, Cartography, Ecology, and Agriculture 2022 г.

Публикации

Материалы работы опубликованы в 10 печатных работах, в том числе 3 статьи в рецензируемых научных журналах, определенных ВАК и Аттестационным советом УрФУ, включая 1 статью в журнале, входящем в базу цитирования Scopus; получено 3 свидетельства о государственной регистрации программ для ЭВМ.

Соответствие диссертации паспорту научной специальности

В рамках представленной работы исследовалось математическая модель процессов передачи тепловой энергии в тепловой сети, с учетом тепловой инерции тепловой сети прогнозным методом, что соответствует пункту 9 паспорта научной специальности 2.4.6 - «Теоретическая и прикладная теплотехника»:

9. Системы обеспечения теплового режима теплоэнергетических, промышленных и коммунальных объектов, теплопотребляющего и тепловыделяющего оборудования, методы их совершенствования. Математическое моделирование и оптимизация энерготехнологических систем промышленных предприятий и систем теплоснабжения зданий, районов и городов.

Структура и объём диссертации

Работа состоит из введения, четырех глав и заключения, списка литературы. Весь материал изложен на 150 страницах, включая 30 рисунков, 6 таблиц, 7 приложений. Список литературы состоит из 81 источника.

ГЛАВА 1. АНАЛИЗ ЗАДАЧ И ПРОБЛЕМ МОДЕЛИРОВАНИЯ ОТПУСКА ТЕПЛОВОЙ ЭНЕРГИИ В СОВРЕМЕННЫХ СИСТЕМАХ ТЕПЛОСНАБЖЕНИЯ

1.1 Классификация систем, процессов и объектов теплоснабжения

1.1.1 Системы теплоснабжения

Системы теплоснабжения играют ключевую роль в обеспечении нормируемых условий функционирования жилых и промышленных зданий и сооружений. Основная задача этих систем заключается в передаче тепловой энергии от источника к потребителю с минимальными потерями.

Современные научные издания [8, 9] предлагают следующие представления о системах теплоснабжения. По типам системы теплоснабжения включают централизованные и децентрализованные (автономные) системы. Централизованные системы, как правило, обслуживают большие территории, такие как районы или города, и используют крупные теплоисточники, такие как ТЭЦ или котельные. Децентрализованные системы предназначены для отдельных зданий или небольших групп зданий и могут включать в себя встроенные или пристроенные котлы, тепловые насосы и солнечные коллекторы.

1.1.2 Тепловые сети

Теплоснабжение осуществляется через тепловые сети, которые являются инженерно-строительными сооружениями, предназначенными для транспортировки тепловой энергии от источника к потребителю. Эти сети включают в себя тепловые магистрали для прямой и обратной подачи сетевой воды, которая выступает в качестве теплоносителя.

Тепловые сети подразделяются на подземные и надземные. Подземные тепловоды могут быть проложены несколькими способами. В случае бесканальной прокладки трубопроводы укладываются непосредственно в грунт, без использования защитных каналов. Этот метод требует использования труб с надежной изоляцией для предотвращения теплопотерь и защиты от коррозии. Другим вариантом является прокладка тепловодов в каналах, которые могут быть следующих типов:

- Проходной канал: канал, в котором возможен проход обслуживающего персонала для осмотра и ремонта трубопровода.

- Полупроходной канал: канал, частично позволяющий доступ персонала для обслуживания, но ограниченный по габаритам.

- Непроходной канал: канал, не предназначенный для прохода человека, где трубы защищены от внешних воздействий и размещены в ограниченном пространстве.

Надземные тепловоды, в отличие от подземных, размещаются на опорах над поверхностью земли. Этот метод прокладки обеспечивает легкий доступ к трубопроводам для проведения технического обслуживания и ремонта, но требует дополнительных мер по защите труб от воздействия окружающей среды.

Список литературы диссертационного исследования кандидат наук Болков Ярослав Сергеевич, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1. Пути модернизации узлов теплового учёта зданий / А. В. Олейник, Р. В. Попов, Я. С. Болков [и др.] // Энерго- и ресурсосбережение в теплоэнергетике и социальной сфере: материалы Международной научно-технической конференции студентов, аспирантов, ученых. - 2021. - Т. 9, № 1. - С. 78-82.

2. Shishkov, A.N. & Bolkov, Yaroslav & Lykuanov, V.A. & Zamaraev, S. & Pshenisnov, N.A. (2022). Effective management of energy resources using the decision support system at the agrocomplex "Gorny" Ust-Katav. DOI: 16. 10.1117/12.2642953.

3. Особенности применения методов умного теплоснабжения в городах СНГ / В. А. Лукьянов, Э. Ф. Исмагилов, Р. В. Попов, Я.С. Болков [и др.] // Энерго-и ресурсосбережение в теплоэнергетике и социальной сфере: материалы Международной научно-технической конференции студентов, аспирантов, ученых. - 2021. - Т. 9, № 1. - С. 68-74.

4. The use of organic waste of the agro-industrial complex for the production of fuel using neural network algorithms / K. V. Osintsev, Iu. S. Prikhodko, D. I. Nikitina, Y.S. Bolkov, A.N. Shishkov // IOP Conference Series: Earth and Environmental Science: Mechanization, engineering, technology, innovation and digital technologies in agriculture, Smolensk, 2021.-Vol.723(3). - . - Article ID: 032026, - 6 с; 0,37 п.л./0,07 п.л. (Scopus).

5. Болков, Я. С. Применение нейронных сетей в системе теплоснабжения / Я. С. Болков // Энерго- и ресурсосбережение в теплоэнергетике и социальной сфере: материалы Международной научно-технической конференции студентов, аспирантов, ученых. - 2024. - Т. 12, № 1. - С. 4-6.

6. Батухтин, А. Г. Оптимизация отпуска теплоты от ТЭЦ на основе математического моделирования с учетом функционирования различных типов потребителей: специальность 05.14.14 "Тепловые электрические станции, их энергетические системы и агрегаты": диссертация на соискание ученой степени кандидата технических наук. Улан-Удэ, 2005. 124 с.

7. Осинцев К. В., Болков Я.С. Источники и системы теплоснабжения в промышленной теплоэнергетике: Лабораторная работа по теме «Определение коэффициента теплообмена в пластинчатом теплообменнике при противоточном режиме течения теплоносителя: учебное пособие. / Болков Я.С. - Челябинск: Издательский центр ЮУрГУ, 2024. - стр. 32, илл

8. Трухний А. Д. Основы современной энергетики: в 2 ч. Современная теплоэнергетика. 2002. 367 с.

9. Соколов Е. Я. Теплофикация и тепловые сети: учебник. 9-е изд., стер. Москва: МЭИ, 2009. 472 с.

10. Сидельников В. И. Методология построения и анализа математических моделей систем теплоснабжения: специальность 05.13.18 "Математическое моделирование, численные методы и комплексы программ": диссертация на соискание ученой степени доктора технических наук. Ростов-на-Дону, 2004. 286 с.

11. СП 60.13330.2020. Свод правил. СНиП 41-01-2003. Отопление, вентиляция и кондиционирование воздуха. - Введ. 2020-01-01. - Москва : Минстрой России, 2020. - 198 с.

12. СП 124.13330.2012. Свод правил. Тепловые сети. Актуализированная редакция СНиП 41-02-2003. - Введ. 2012-01-01. - Москва : Минрегион России, 2012. - 254 с.

13. СанПиН 2.1.4.2496-09. Санитарно-эпидемиологические требования к устройству и эксплуатации централизованных систем горячего водоснабжения. -Введ. 2010-02-01. - Москва : Федеральная служба по надзору в сфере защиты прав потребителей и благополучия человека, 2009. - 36 с.

14. Кузнецов Г. В., Половников В. Ю. Процессы тепло- и массопереноса в конструкциях и зонах размещения подземных тепловых сетей. Новосибирск: Изд-во Сибирского отделения РАН, 2019. 280 с.

15. Дворцевой А. И., Григорьева О. К., Тихонов И. А. Оценка составляющих перерасхода топлива теплоэнергетического оборудования // Журнал энергетики. 2021. № 3. С. 45-52.

16. Аверьянов В. К., Юферев Ю. В., Мележик А. А., Горшков А. С.

133

Теплоснабжение городов в контексте развития активных потребителей интеллектуальных энергетических систем // Вестник энергетики. 2020. №2 6. С. 112120.

17. Барановская М. Г., Барановская А. Э., Возняк Е. И. Обзор современного состояния систем теплоснабжения России и регулирования отпуска теплоты в них // Журнал инженерных наук. 2019. № 5. С. 87-95.

18. Горбунов В. А. Использование нейросетевых технологий для повышения энергетической эффективности теплотехнологических установок. Иваново: Ивановский государственный энергетический университет имени В. И. Ленина, 2011. 476 с. ISBN 978-5-89482-793-3.

19. Шилкин Н. В., Бродач М. М. Нейросети: возможности использования алгоритмов самообучения в системах управления теплоэнергопотреблением зданий // Энергосбережение. 2022. № 7. С. 21-29.

20. Сухбаатарын М. Разработка и исследование нейросетевых алгоритмов краткосрочного прогнозирования нагрузки центральной электроэнергетической системы Монголии: дис. канд. техн. наук. Москва, 2022. 180 с.

21. Бродач М. М., Шилкин Н. В. Оптимальное управление системой отопления с использованием самообучения на основе нейросетей // Вопросы энергетики. 2023. № 6. С. 88-96.

22. Игнатенко В. В., Боровков В. М. Анализ метода регулирования отпуска тепловой энергии потребителям // Энергетическая безопасность и энергосбережение. 2021. № 4. С. 56-64.

23. Седнин А. В., Марченко П. Ю. К выбору метода регулирования отпуска теплоты от ТЭЦ // Вестник Белорусского национального технического университета. 2022. № 2. С. 37-44.

24. Урубков М. Д. Анализ способов регулирования отпуска тепловой энергии // Вестник Оренбургского государственного университета. 2023. № 3. С. 102-110.

25. Курбацкий В. Г., Томин Н. В. Использование методов искусственного

134

интеллекта в задачах планирования расходов электрической и тепловой энергий // Интеллектуальные системы управления. 2023. № 5. С. 75-82.

26. Рудой В. И. Построение температурного графика при качественном регулировании отпуска тепловой энергии // Молодой ученый. 2022. № 2 (397). С. 54-56. URL: https://moluch.ru/archive/397/87849/ (дата обращения: 08.12.2022).

27. Рыбаков В. В., Иваник В. В., Царев И. И. Регулирование отпуска тепловой энергии и тепловой нагрузки потребителей в системах теплоснабжения // Теплоэнергетика. 2021. № 9. С. 67-74.

28. Суворов Д. М., Татаринов Н. В. Эффективность работы ТЭЦ в системах теплоснабжения при переходе на пониженные и расширенные графики регулирования // Вестник энергетики. 2021. № 8. С. 34-42.

29. Сорокин Е. А. Оценка влияния способов регулирования отпуска тепловой энергии на повышение энергетической эффективности систем теплоснабжения // Журнал теплоэнергетики. 2021. № 5. С. 90-98.

30. Культяев С. Г. Сравнительный анализ и оптимизация методов регулирования совмещенной тепловой нагрузки // Вопросы энергетики. 2022. № 4. С. 112-119.

31. Семенов С. А., Перевалов В. А. О выборе метода регулирования тепловой нагрузки в системах теплоснабжения // Энергетическая безопасность. 2021. № 7. С. 55-63.

32. Ковальногов Н. Н., Цынаева Е. Ф. Влияние параметров температурного графика центрального регулирования отпуска теплоты на эффективность использования автоматизированных систем управления теплопотреблением // Теплоэнергетика. 2023. № 6. С. 77-85.

33. Панюкова Т. А. Численные методы : учебное пособие для студентов экономических специальностей университетов / Т. А. Панюкова ; Мин-во образования и науки Российской Федерации, Федеральное агентство по образованию, Южно-Уральский гос. ун-т, Каф. экономико-мат. методов и статистики. Москва : ЛИБРОКОМ, 2010. 224 с.

135

34. Галанин М. П., Савенков Е. Б. Методы численного анализа математических моделей / М. П. Галанин, Е. Б. Савенков. Москва : Изд-во МГТУ им. Н. Э. Баумана, 2010. 590 с.

35. Gong M., Han C., Sun J. [и др.] Прогнозирование тепловой нагрузки систем централизованного теплоснабжения на основе SCSO-TCN // Теплоэнергетика. 2024. № 4. С. 82-88. DOI: 10.56304/S0040363624040015.

36. Щелоков А. Я., Щелоков Я. М. О роли температурных графиков для повышения энергоэффективности тепловых сетей // Энергетика и промышленность России. 2023. № 8. С. 27-30.

37. Путько А. В., Политыкина Е. А., Сухобок Ю. А., Ващенко А. В. Методика расчета температурных графиков отопительных котельных // Вестник энергетики. 2023. № 5. С. 15-20.

38. Гладышев Н. Н., Куколев М. И., Морозов Г. А., Базулин И. С. Источники тепловой и электрической энергии : учебное пособие. Санкт-Петербург : ВШТЭ СПбГУПТД, 2022. 133 с.

39. Макаров А. А. Прогнозирование спроса на тепловую нагрузку потребителей на основе искусственных нейронных сетей // Инновационный потенциал развития науки в современном мире: достижения и инновации : Сборник научных статей по материалам III Международной научно-практической конференции, Уфа, 09 июня 2020 года. Уфа : Общество с ограниченной ответственностью "Научно- издательский центр "Вестник науки", 2020. С. 92-100.

40. Терехов В. А., Тюкин И. Ю. Синтез адаптивных нейросетевых регуляторов нелинейных динамических объектов // Журнал «Автоматизация и системы управления». 2023. № 6. С. 63-72.

41. Казьмирук И. Ю., Сабанин В. Р., Дементьев Д. А. Применение нейронных сетей в качестве регулятора в двухконтурных системах автоматического регулирования // Молодой ученый. 2019. № 4 (242). С. 91-96. URL: https: //moluch. ru/archive/242/56031/.

42. Михолап К. А., Чешкин А. В. Применение нейросетевых технологий в

136

теплоснабжении // Актуальные проблемы энергетики : Материалы 77-й научно-технической конференции студентов и аспирантов, Минск, 01-30 апреля 2021 года. Минск : Белорусский национальный технический университет, 2021. С. 134-139.

43. Мостовенко Л. В., Белоглазов В. П. Анализ эффективности внедрения нейронных сетей на объектах промышленной теплоэнергетики // Актуальные проблемы науки и образования в условиях современных вызовов : Сборник материалов XIII Международной научно-практической конференции, Москва, 15 августа 2022 года. Москва : Печатный цех, 2022. С. 266-277.

44. Репин А. И., Сабанин В. Р., Смирнов Н. И., Андреев С. Н. Диагностика информационной подсистемы АСУ ТП с использованием технологий искусственного интеллекта // Теплоэнергетика. 2006. № 6. С. 63-68.

45. Казаринов Л. С., Барбасова Т. А., Захарова А. А. Автоматизированная информационная система поддержки принятия решений по контролю и планированию потребления энергетических ресурсов // Журнал «Энергосбережение». 2023. №2 2. С. 78-84.

46. Moon J. W., Jung S. K., Kim Y., Han S. H. Comparative study of artificial intelligence-based building thermal control methods - Application of fuzzy, adaptive neuro-fuzzy inference system, and artificial neural network // Energy and Buildings. 2023. Vol. 268. P. 112-124.

47. Закирова И. Р., Хабиева А. Р., Вилданов Р. Р. Оптимизация отпуска тепловой и электрической энергии с внедрением автоматизированных систем // Вестник Казанского энергетического университета. 2022. № 4. С. 45-52.

48. Культяев С. Г. Сравнительный анализ и оптимизация методов регулирования совмещенной тепловой нагрузки // Энергетические системы и технологии. 2022. №2. С. 112-118.

49. Батухтин А. Г., Кобылкин М. В. Автоматизированная система регулирования расхода теплоносителя для теплоснабжения групп потребителей // Теплотехника. 2023. № 7. С. 75-82.

50. Гузенко А. П. Прикладные аспекты системы автоматизации теплового

137

пункта отопления и водоснабжения // Автоматизация и управление в теплоэнергетике. 2022. № 6. С. 39-45.

51. Макаров А. А. Прогнозирование спроса на тепловую нагрузку потребителей на основе искусственных нейронных сетей // Инновационный потенциал развития науки в современном мире: достижения и инновации : сборник научных статей по материалам III Международной научно-практической конференции, Уфа, 09 июня 2020 года. Уфа : Научно-издательский центр "Вестник науки", 2020. С. 92-100.

52. Неудахина Я. А., Трефимов В. Б. О применении искусственных нейронных сетей в прогнозировании электропотребления центральных тепловых пунктов // Гибридные и синергетические интеллектуальные системы : материалы V Всероссийской Поспеловской конференции с международным участием, Зеленоградск, Калининградская область, 18-20 мая 2020. Под ред. А. В. Колесникова. Зеленоградск, Калининградская область : Балтийский федеральный университет имени Иммануила Канта, 2020. С. 310-318.

53. Барсуков А. А., Дмитриев О. С. Нейросетевое прогнозирование производства тепловой энергии в централизованных системах теплоснабжения // Цифровая трансформация в энергетике : сборник трудов конференции, Тамбов, 2122 декабря 2020. Тамбов : Издательство Першина Р. В., 2020. С. 19-22.

54. Попов С. М., Щелоков С. А. Актуальность автоматизации анализа качества процесса теплогенерации // Вестник теплотехники. 2023. № 1. С. 22-28.

55. Вилданов Р. Р., Гатауллин Д. И. Применение автоматизированных систем для повышения контроля качества отпуска тепловой энергии // Журнал «Энергосбережение». 2023. №2 3. С. 66-72.

56. Kuznetsov R., Chipulis V. Automation of Heat Supply in Industrial Enterprises // Applied Thermal Engineering. 2023. Vol. 182. P. 125-132.

57. Корабельникова Д. П., Никитина Д. И., Осинцев К. В., Приходько Ю. С. Возможности применения нейросетей в теплоснабжении // Молодой исследователь: материалы 8-й научной выставки-конференции научно-технических

138

и творческих работ студентов, Челябинск, 18-20 мая 2021 года. Челябинск : Издательский центр ЮУрГУ, 2021. С. 485-493.

58. Korzhakov A. V., Korzhakova S. A., Korzhakov V. E. Research of the Possibility of Automation of Geothermal Heat Supply of Greenhouses with a Surface Heat Exchanger // Renewable Energy. 2022. Vol. 196. P. 94-103.

59. Mironov N., Petrosova D. Economic Efficiency of Automated Individual Heating Substation (IHS) // Energy Reports. 2023. Vol. 9. P. 200-208.

60. Bychikhin S. A., Svirin M. V., Trubaev P. A. Evaluation of energy-saving effect during the installing process of automated heating stations in educational institutions // Thermal Engineering. 2023. Vol. 70. P. 152-160.

61. Кондрашин А. В. Состояние и тенденции развития работ в области автоматизации проектирования АСУ ТП в теплоэнергетике // Теплоэнергетика.

2023. № 4. С. 90-98.

62. Плетнев Г. П. Автоматизация технологических процессов и производств в теплоэнергетике. Москва : Издательство Энергетика, 2022. 312 с.

63. Бунке А. С., Саков Р. П., Новиков П. В. Проблемы и предпосылки совершенствования автоматизации процессов управления ТЭЦ // Вестник энергетики. 2023. № 5. С. 41-50.

64. Liang J., Du R. Thermal comfort control based on neural network for HVAC application // Proceedings of 2005 IEEE Conference on Control Applications. 2005. P. 819-824. DOI: 10.1109/CCA.2005.1507230.

65. Болков Я.С. Экспериментальный выбор оптимального типа интерфейса при исследовании параметров теплоносителя в котловом и сетевом контурах в лабораторном стенде /Я.С. Болков // Энергобезопасность и энергосбережение. —

2024. — № 6. — С. 69-77. (К2).

66. Li Y., Tong Z. Model predictive control strategy using encoder-decoder recurrent neural networks for smart control of thermal environment // Energy and AI. 2022. Vol. 5.P. 203-217.

67. Болков, Я. С. Разработка имитационного температурного графика для

139

лабораторного стенда «количественное регулирование в системе теплоснабжения»

/ Я. С. Болков // Энерго- и ресурсосбережение в теплоэнергетике и социальной сфере: материалы Международной научно-технической конференции студентов, аспирантов, ученых. - 2025. - Т. 13, № 1. - С. 4-8.

68. Amrouche B., Le Pivert X. Artificial neural network-based daily local forecasting for global solar radiation // Applied Energy. 2014. Vol. 130. P. 333-341.

69. Jiang Y. Computation of monthly mean daily global solar radiation in China using artificial neural networks and comparison with other empirical models // Energy. 2009. Vol. 34. P. 1276-1283.

70. Qelik O., Teke A., Yildmma H. B. K. The optimized artificial neural network model with Levenberg-Marquardt algorithm for global solar radiation estimation in Eastern Mediterranean Region of Turkey // Journal of Cleaner Production. 2016. Vol. 116. P. 1-12.

71. Azadeh A., Babazadeh R., Asadzadeh S. M. Optimum estimation and forecasting of renewable energy consumption by artificial neural networks // Renewable and Sustainable Energy Reviews. 2013. Vol. 27. P. 605-612.

72. Грибач Ю. С., Грибач Д. С., Поддаева О. И. Сравнительный анализ результатов расчета инфильтрационных потерь на примере жилого здания в г. Москве // Силовое и энергетическое оборудование. Автономные системы. 2018.

73. Неудахина Я. А. О прогнозировании электропотребления центральных тепловых пунктов на основе искусственных нейронных сетей // Лучшая студенческая статья 2020: сборник статей XXVII Международного научно-исследовательского конкурса, Пенза, 25 февраля 2020. Пенза : Наука и Просвещение (ИП Гуляев Г.Ю.), 2020. С. 59-65.

74. Han C., Gong M., Sun J. [и др.] Прогнозирование тепловой нагрузки для систем централизованного теплоснабжения с помощью моделей TCN и CatBoost // Теплоэнергетика. 2023. № 9. С. 97-105. DOI: 10.56304/S0040363623090047.

75. Нетбай Г. В., Онискив В. Д., Столбов В. Ю., Каримов Р. Р. Прогнозное управление локальной городской системой теплоснабжения на основе

140

нейросетевого моделирования // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2020. Т. 20. № 3. С. 29-38. DOI: 10.14529/ctcr200303.

76. Han C., Gong M., Sun J. Heat Load Prediction for District Heating Systems with Temporal Convolutional Network and CatBoost // Thermal Engineering. 2023. Vol.

70.P. 719-726. DOI: 10.1134/S0040601523090045.

77. Zhao B., Zheng H., Yan R. Heat Distribution of Heat Exchange Station in District Heating System based on Load Forecasting // Thermal Engineering. 2024. Vol.

71. P. 364-373. DOI: 10.1134/S0040601524040086.

78. Gong M., Han C., Sun J. [и др.] Heat Load Prediction of District Heating Systems Based on SCSO-TCN // Thermal Engineering. 2024. Vol. 71. P. 358-363. DOI: 10.1134/S0040601524040013.

79. Дементьев С. А., Жерлыкина М. Н., Кононова М. С. Экономический эффект от автоматизации индивидуального теплового пункта жилого дома при разных режимах подачи теплоносителя // Жилищное хозяйство и коммунальная инфраструктура. 2017. № 4(3). С. 90-97.

80. Ahmadi M. Building energy efficiency: using machine learning algorithms to accurately predict heating load // Asian Journal of Civil Engineering. 2024. Vol. 25. P. 3129-3139. DOI: 10.1007/s42107-023-00967-w.

81. Тупоногов В.Г. Эксергетический анализ системы теплоснабжения с прогнозной моделью на нейросетевых алгоритмах / В.Г. Тупоногов, А.Н. Сесекин, Я.С. Болков // Надежность и безопасность энергетики. — 2024. — № 3. — С. 212223. (К2).

Результаты моделирования первого межсезонного периода

Результаты моделирования второго межсезонного периода

Температура теплоносителя (1 ноября - декабрь 2023)

Время

Результаты моделирования на период качественного регулирования (ноябрь-декабрь)

Температура теплоносителя (январь - февраль 2024)

Время

Результаты моделирования на период качественного регулирования (декабрь-февраль)

Температура теплоносителя (март 2024)

Время

Результаты моделирования на период качественного регулирования (март)

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ ЮЖНО-УРАЛЬСКИИ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ (НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ) ФГАОУ ВО ЮУрГУ (НИУ)»

ЮУрГУ

Проспект Ленин«. 76 Челябинск. Россия 454080 телефакс 1351)267 99 00, «-ПШ1 Ш10(р 1 ОКПО 020«724. ОГРН 1027403в5754в ИННКПП 7453019764745301001

На №

22.05.2025

СПРАВКА

об использовании результатов диссертационного исследования Волкова Ярослава Сергеевича в учебном процессе ФГАОУ ВО «ЮУрГУ (НИУ)».

Настоящая справка дана Волкову Ярославу Сергеевичу и подтверждает, что основные методологические положения его диссертационной работы на тему: «Разработка и оценка эффективности прогнозных методов регулирования в системе теплоснабжения с одним потребителем с учетом сё тсплоинерционных свойств», представленной на соискание ученой степени кандидата технических наук по специальности 2.4.6. Теоретическая и прикладная теплотехника, были использованы в разработке лабораторного стенда «Определение коэффициента теплообмена в пластинчатом теплообменнике при противоточном режиме течения теплоносителя». В методике работы со стендом описанный автором безразмерный коэффициент позволяет оценить влияние тепловой инерции на динамику изменения параметров теплоносителя.

Первый проректор-проректор по научной работе А.В. Коржов

ООО СК «УралЭнергоСтрой»

факи: -I Т(35))-Ш-ОТЧЮ с-тш];

14Я, г, Чгпяйшклс, уи й 10В&. I Д. и™ пои. 2, п)~нс 13

Н1III КПП 74? К) 1001

р'е «поганя 5<ю(кчи зло

■ ащ* ЧЕЯЯЕНШ ЕСТЬЛНК» г. ЧышОино!

х/е^КНЗКИООЙОШО™

КИК 0473А17»,ОГРН 1107449004475

Всь№3 24.05.2025 ..

СПРАВКА

об использовании результат™ диссертационного исследования Волкова Ярослава Сергеевича

Настояния справки дана Ео.чкопу Ярославу Сергеевичу и подтверждает, что результаты его диссертационной работы на тему «Разработка и опенка, эффективности прогнозных методов регулирования в системе теплоснабжения с одним потребителем с учетом её теплой порционных свойств», представленной на соискание ученой степени кандидата технически* еIаук по специальности 2.4.6. «Теоретическая и прикладная теплотехника», могут быть испольэонаны при внедрении математических моле лей прогнозного регулирования систем ы Тешгосиабжения дня качественного и Количественного режимов отпуска теплоты котельными.

Директор ООО СК «УралЭиергоСт

5АЯ1 фЖЖВДМШЯ

СВИДЕТЕЛЬСТВО ;

о государственной регистрации пршрамчы для ЭВМ

№ 2022668968

Программа по автоматизации управления гидравлической системой учебного лабораторного стенда

Правообладатель фе<)ера.1ьное госуда/ктвенное автономное образовательное учреждение высшего образования *Южно-Уральский государственный университет (наинона.1ьный исследовательский университету» (Я С)

Авторы Моисеев Игорь Алексеевич (ЯС), Кускарбекова Султан Ириковна (И V), Осип нее Константин Владимирович (ЯС), Дудким Максим Михайлович (Я С), Бажов Ярослав Сергеевич (Я С), Бехтерев Дмитрий Кюдимирович (ИГ), Ершов Александр .4.1ександрович (ЯС), Зулкарнаев Данил Уралович (НИ), Каримов Нльдар Фаилевич (КС), Хрупкая Анастасия Дмитриевна (ЯГ)

Звяка № 2022668649

Дота поступления 14 ОКЛЯбрЯ 2022 I .

Дата государственной регистрации

в Реестре программ дм ЭВМ 14 Октября 2022 г.

Руководитель Федеральной службы по интс пекту шыюй собственности

¿1 Ю.С. Зубов

_ — - _ ^ . _ _ ^ _.. ------ —-—-