В проекте описывается технология, лежащая в основе программного обеспечения, которая может помочь производственному предприятию при решении задач моделирования технологического процесса и прогнозирования расхода электроэнергии. В программном обеспечении используются данные о потреблении (расходе) электроэнергии за прошлый период, а также значения факторов (параметров) технологического процесса, влияющие на расход электроэнергии. Разработаны адекватные и качечественные математические модели, созданные с помощью методов машинного обучения и искусственного интеллекта. Создается набор математических моделей-кандидатов. Для проведения моделирования и прогнозирования из сета моделей выбирается самая лучшая модель, которая описывает имеющиеся данные о потреблении электроэнергии предприятием. В программе также, предусмотрен модуль «Многомодельное прогнозирование», когда необходимо получить прогнозную оценку электропотребления по всем адекватным моделям из сета моделей.

Крупное производственное предприятие являются отдельным субъектом рынка электроэнергетики.

Для ежедневной подачи заявки на оптовый рынок электроэнергии и мощности (ОРЭМ) необходимо знать корректную прогнозную оценку электропотребления предприятия.

Точность краткосрочного прогнозирования электропотребления определяет эффективность управления энергосбережением промышленного предприятия. Повышение точности прогнозных оценок электропотребления, учитывая технологический процесс, обеспечивает экономию энергоресурсов и соответствующее увеличение прибыли предприятия.

Вместе с тем, адекватность и качество математических моделей для прогнозирования зависит от факторов (параметров) технологического процесса, которые влияют на электропотребление и энергосбережение. Увеличение или уменьшение значений таких параметров технологического процесса влечет за собой повышение расхода электроэнергии на предприятии.

Научный задел:

Разработан новый метод обработки данных, основанный на использовании, так называемой, «скользящей матрицы» (метод скользящей матрицы) и заключающийся в непрерывном обновлении коэффициентов математических моделей путём удаления строки с устаревшими данными и ввода новой строки с данными в прогнозируемой точке. Составлен программный продукт для сбора и обработки данных, а также  прогнозирования потребления электроэнергии (к заявке прилагается статья в журнале «Известия вузов. Проблемы энергетики»).

Получены Свидетельства о Государственной регистрации программ для ЭВМ (к заявке прилагаются свидетельства о Государственной регистрации программ для ЭВМ).

Разработанный Метод обработки и анализа данных может быть полезен при решении других задач моделирования на предприятии.

Актуальность проблемы, предлагаемой к решению:

Развитие промышленных предприятий, ее технический прогресс органически связаны с увеличением потребности в энергетических ресурсах, необходимых для выполнения плановых производственных заданий. Экономия энергоресурсов – важнейший фактор повышения эффективности производства во всех отраслях народного хозяйства, а для промышленных предприятий - наиболее энергоёмких отраслей народного хозяйства, имеет особо важное значение.

В настоящее время на территории Российской Федерации действует двухуровневый (оптовый и розничный) рынок электроэнергии и мощности (ОРЭМ). На оптовом рынке продавцами и покупателями являются генерирующие компании, операторы экспорта/импорта электроэнергии, сбытовые организации, сетевые компании и крупные промышленные потребители.

На электроэнергетическом рынке плановые объемы потребления формируются на основе двусторонних договоров. В действительности фактические объемы электропотребления практически всегда отличаются от плановых. Отклонения от плановых показателей продаются на балансирующем рынке (БР), при этом системный оператор Единой энергетической системы России (СО) регулярно проводит дополнительные конкурентные отборы заявок поставщиков, с учетом текущего прогнозного потребления электроэнергии.

Прогнозные значения потребления электроэнергии является основой для формирования заявки, подаваемой администратору торговой системы (АТС). При отклонении прогноза от реального потребления на крупных участников рынка электроэнергетики, накладываются штрафные денежные санкции, что приводит к большим финансовым затратам.

Точность краткосрочного прогнозирования электропотребления определяет эффективность управления энергосбережением промышленного предприятия. Повышение точности прогнозных оценок электропотребления, учитывая технологический процесс, обеспечивает экономию энергоресурсов и соответствующее увеличение прибыли предприятия.

Вместе с тем, адекватность и качество математических моделей для прогнозирования зависит от факторов (параметров) технологического процесса, которые влияют на электропотребление. Увеличение или уменьшение значений таких параметров технологического процесса влечет за собой повышение расхода электроэнергии на предприятии, для того чтобы не ухудшить качество выпускаемой продукции.

Вследствие отсутствия высокоточных математических моделей прогнозирования (на основе современных методов машинного обучения и искусственного интеллекта) крупные предприятия промышленности теряют свои конкурентные преимущества, что приводит большим финансовым затратам при электропотреблении и к ухудшению финансово-экономических показателей.

В настоящее время в Российской Федерации богатых месторождений не очень много и предприятия вынуждены работать на больших объемах. Вследствие этого затраты на электроэнергию могут составлять до 30 %  себестоимости продукции (например, золотодобывающие производственные предприятия). Когда за расход электроэнергии в месяц Компания  платит 250 млн. руб., 300 млн.руб., 500 млн.руб., то даже экономия
 в 0,5 %  выходит в значительные суммы, а также плюс расход химии (затраты на покупку химических реагентов).

Значительная доля потребляемых в отрасли энергетических ресурсов расходуется на технологические процессы, здесь же имеются и самые большие резервы их экономии. Поэтому, задача оптимизации расхода электроэнергии с учетом технологического процесса на предприятии промышленности является актуальной.

Описание предлагаемой технологии и модели:

Программа моделирования и оптимизации расхода электроэнергии на предприятии промышленности (далее Программа) от СКГМИ (ГТУ) позволяет повысить результативность работы компании за счет анализа данных технологического процесса, необходимых для разработки и обучения математических моделей, прогнозирования энергопотребления на базе моделей с использованием искусственного интеллекта (машинного обучения).

Программа рассчитана для внедрения в компаниях – участниках оптового (ОРЭМ) и розничного рынков электроэнергии и мощности - предприятиях промышленности, которым требуется повышение точности прогноза потребления и, соответственно, снижение затрат на покупку электроэнергии.  Программа позволит контролировать важные параметры оптимизации технологического процесса, влияющие на электропотребление предприятия.

Работа программы состоит в следующем:

 - Сбор и обработка необходимых для моделирования и прогнозирования исходных данных:

    1) Потребление электроэнергии – Зависимая переменная

    2) Температура окружающей среды – Независимая переменная

    а также, другие параметры технологического процесса, влияющие на потребление электроэнергии предприятием – независимые переменные (факторы, влияющие на энергопотребление предприятия).

- Подготовка данных;

- Построение и обучение модели прогнозирования;

- Моделирование поведения и прогнозирование потребления электроэнергии;

-Автоматическое определение точности модели на текущих данных.

Основные возможности программы:

- Моделирование расхода потребления электроэнергии;

- Прогнозирование объемов потребления электроэнергии;

- Оптимизация электропотребления на предприятии.

- Выдача подсказок для ЛПР в режиме подсказок.

Предприятию программа позволит решить следующие задачи:

1. Составление максимально точных прогнозных заявок на потребление электроэнергии, с учетом параметров технологического процесса.
2. Оптимизация потребления электроэнергии и снижение затрат электроэнергии.
3. Планирование финансовых потоков.

Преимущества перед конкурентами:

- ошибка прогнозирования от 5 до 7 % при  прогнозировании значений электропотребления будущего периода на 30% от имеющихся исходных данных (30% от исходной выборки).

- использование только актуальных данных для построения сета моделей-кандидатов (адекватный период данных; для построения математических моделей не использутся «старые» данные).

- построение и обучение набора моделей-кандидатов методами машинного обучения и выбор лучшей модели из набора (использование современных методов Machine Learning).

- Использование разработанного Метода скользящей матрицы (научный задел), при обработке и анализе данных для разработки математических моделей, позволяющего улучшить корректность прогнозных оценок потребления электроэнергии.

- разработка сета-моделей кандидатов на основе имеющихся данных разными методами искусственного интеллекта и машинного обучения: 1) направление скользящей матрицы; 2) классическое направление (см. рисунок на слайдах).

- Возможность использования для прогнозирования не одной модели, а несколько адекватных и качественных моделей из набора моделей-кандидатов.

- Прогнозная аналитика - методы анализа данных, которые применяются для прогнозирования поведения электропотребления в будущем. Достоверные прогнозные оценки позволяют принимать оптимальные решения с целью энергосбережения и энергоэффективности на предприятии золотодобывающей промышленности. 

- Индустриальное IT-решение российского производства от СКГМИ (ГТУ) -  объединяет методы статистического анализа данных – аналитическое ядро системы, и технологии машинного обучения.

- Преимуществом Программы также является сет разработанных адекватных моделей по нескольким методам Машинного обучения. Для прогнозирования используется лучшая модель из разработанных моделей в сете, на основе имеющихся данных.

- В программе также имеется модуль «Многомодельное прогнозирование». Многомодельное прогнозирование позволяет получить прогнозную оценку с использованием всех адекватных моделей из сета моделей.

- Разработанный метод скользящей матрицы и предлагаемая Программа могут быть полезны в решении других задач моделирования и прогнозирования на предприятиях промышленности.

Показатели:

Ключевой показатель – внедрение Программы на предприятие.

Описание задач, предлагаемых к решению:

• Анализ факторов, влияющих на электропотребление.

    Исследование и выявление критически важных параметров в технологическом процессе (независимые переменные), которые оказывают влияние на потребление электроэнергии.

    Анализ данных независимых переменных на мультиколлинеарность. Если мультиколлинеарность в данных присутствует, то необходимо решить задачи по ее устранению.

    Анализ данных зависимой переменной на автокорреляцию. Если автокорреляция в данных присутствует, то необходимо решить задачи по ее устранению.

    Сбор данных. 

- Создание базы данных для хранения необходимых данных для моделирования поведения электропотребления на предприятии.

- Разбиение имеющихся данных на обучающую выборку, валидации и тестовую.

Обучающая выборка необходима для обучения математических моделей. Выборка валидации необходима для проверки выбранной модели на новых независимых переменных. Тестова выборка необходима для расчета прогнозных значений.

-  Исследование и разработка математических моделей.

    Необходимо разработать сет адекватных моделей методами Machine Learning. Сэт моделей будет включать лучшие модели, полученные с помощью следующих методов машинного обучения: линейная регрессия (метод наименьших квадратов), решающие деревья, случайный лес, метод k-ближайших соседей, метод опорных векторов. Выбор наиболее подходящей модели из имеющихся моделей в сете, которая лучше других моделей описывает имеющиеся данные. Расчет метрик качества математических моделей: коэффициент корреляции между зависимой переменной и расчетным значением зависимой переменной, оценка адекватности модели в F-критерию Фишера, абсолютная и относительная оценка ошибки прогнозирования, расчет среднеквадратического отклонения, расчет дисперсии зависимой переменной, расчет дисперсии адекватности, среднеквадратическое отклонение.

- Расчет прогнозных значений на будущий период: каждые 30 минут, час, день, неделя, месяц, три месяца, шесть месяцев, используя лучшую модель из сета моделей.

В программе предусмотрен модуль «Многомодельное прогнозирование», когда пользователь может получить корректную прогнозную оценку, при участии всех адекватных моделей из сета моделей.

- Оптимизация энергопотребления.

Расчет максимального допустимого значения электропотребления для эффективности технологического процесса на предприятии.

Расчет минимального значения электропотребления для эффективности технологического процесса на предприятии.

Расчет вышеописанных параметров позволит контролировать уровень электропотребления, что позволит контролировать эффективность технологического процесса, а также размер оплаты за потребляемую электроэнергию.

- Применение метода скользящей матрицы.

При анализе данных, разработке математических моделей и прогнозировании используется разработанный метод скользящей матрицы, описанный в научном заделе (см. прилагаемые к описанию две статьи).

- Написание программы на языке программирования Python.

Программа позволит рассчитывать прогнозные значения для подачи заявок на оптовый рынок электроэнергии и мощности (ОРЭМ).

Программа позволит контролировать (критически важные параметры технологического процесса) состояние технологического процесса и электропотребление. Так как от таких параметров зависит электропотребление.

На страницу проекта