Данная работа посвящена исследованию в области прогнозирования временных рядов для создания цифрового двойника объекта теплоснабжения. Задачи, которые решались в ходе исследования: 1. Изучение объекта теплоснабжения. 2. Изучение методов прогнозирования временных рядов. 3. Практическое применений модели линейной регрессии, сезонной авторегрессионный интегрированной скользящей средней модели и искусственной нейронной сети LSTM. 4. Построение цифрового двойника объекта теплоснабжения на основе искусственной нейронной сети. Работа проведена на базе объекта теплоснабжения, где собирались показания с датчиков температуры и давления. Были проведены исследования в области прогнозирования временных рядов и применены методы машинного обучения и глубокого обучения. Для реализации данных методов были написаны программы на языке Python. В результате был проведен анализ трех методов прогнозирования и сделан вывод, что модель LSTM показывает лучшие результате. На основе нейронной сети был построен цифровой двойник объекта теплоснабжения.

This work is devoted to research in the field of time series forecasting for developing a digital twin of a heat supply facility. The research set the following goals: 1. Exploring the heat supply facility. 2. Studying time series forecasting methods. 3. Practical implementation of linear regression, seasonal autoregressive integrated moving average models and artificial neural network LSTM. 4. Building a digital twin of a heat supply facility based on an artificial neural network. The work was performed based on a heat supply facility, where readings from temperature and pressure sensors were collected. Research has been conducted in the field of time series forecasting and machine learning and deep learning methods have been applied. Python programs were written to implement these methods. As a result, three forecasting methods were analysed, and it was concluded that the LSTM model shows the best results. A digital double of the heat supply facility was built based on a neural network.