презентация

1.

Прогнозирование нагрузки
и оптимизация
энергооборудования с
помощью машинного
обучения
Разработка и внедрение программно-аналитического комплекса для
краткосрочного прогнозирования нагрузки и оптимального управления
энергопотреблением на промышленном предприятии.

2.

Цель и задачи проекта
Цель
Сбор данных
Разработка модели
Снижение затрат на
Интеграция данных за 3 года
Создание гибридной ML-модели для
электроэнергию на 10-15% и
(потребление, погода, календарь,
прогнозирования нагрузки (MAPE <
уменьшение пиковой нагрузки на
ремонты) с АСКУЭ и SCADA.
5%).
оборудование.
Оптимизация
Внедрение
Разработка алгоритма
Пилотное внедрение в плавильном
диспетчерского планирования с
цехе, оценка эффекта и подготовка
учетом тарифов и ограничений.
к масштабированию.

3.

Используемый метод: Гибридная
архитектура
Гибридная архитектура на основе Feature Engineering, XGBoost и LSTM, адаптированная
под российские нормативы и данные.
Этап 1: Feature Engineering
Сбор и подготовка данных по ГОСТ Р 57190-2016 и РД 153-34.0-09.167-2000,
научный базис из "Прогнозирование временных рядов в энергетике".
Этап 2: XGBoost
Градиентный бустинг на решающих деревьях, эффективность
подтверждена МФТИ и статьей .
Этап 3: LSTM
Рекуррентные сети для анализа последовательностей данных, кейс
описан в статье .

4.

Уникальность и новизна решения
Интеграция нормативной
базы
Верификация на российских
данных
Алгоритм учитывает ГОСТ Р 57190-2016
Модель обучена и валидирована на
и РД 153-34.0-09.167-2000, обеспечивая
реальных данных российского
совместимость с ИТ-
предприятия с учетом специфики "DV
инфраструктурой.
и погодных условий.
Развитие отечественных исследований
Проект является практическим продолжением идей из российской научной
литературы .

5.

Экономический эффект
Детальный расчет с учетом отраслевых нормативов и Методических
рекомендаций Минэнерго России (2020).
50 000
1.5
3.6
МВт*ч/год
млн руб./год
млн руб./год
Базовое потребление
Экономия от
Экономия от снижения
участка.
оптимизации графика.
платежа за мощность.
0.4
млн руб./год
Снижение штрафов
(перетоп).

6.

Итоговый экономический
эффект
~ 5.5 млн
руб./год
Предварительный годовой экономический эффект для участка.

7.

Качественный эффект и
снижение рисков
Повышение надежности
Соответствие ГОСТ Р 58698-2019 "Надежность систем
электроснабжения".
Снижение аварийных отключений
Соответствие "Стратегии развития электроэнергетики РФ до 2035
года".

8.

Применение в металлургической отрасли
Проект представляет собой практическую апробацию методологии для металлургической отрасли.
Решение обеспечивает "юридическую" и техническую совместимость с
существующей ИТ-инфраструктурой предприятий.
Модель валидировалась на реальных данных российского промышленного
предприятия.

9.

Будущее энергетической
оптимизации
Наш проект открывает новые возможности для снижения затрат и
повышения эффективности в промышленности.

10.

Научные работы и нормативные документы
[1] ГОСТ Р 57190-2016/МЭК 61970-301:2013. Энергоменеджмент. Общая информационная модель (CIM).
[2] РД 153-34.0-09.167-2000. Типовая инструкция по учету электроэнергии.
[3] Иванов А.А. и др. Прогнозирование временных рядов в энергетике: методы и практика. М.: Энергоатомиздат, 2020.
[4] Козлов Д.В., Смирнова Е.А. Применение ансамблевых алгоритмов машинного обучения... // Вестник ИрГТУ. – 2022.
[5] Волков М.П., Новикова Т.А. Использование глубоких нейронных сетей... // Научно-технические ведомости СПбГПУ. – 2023.
[6] Собственная разработка: Отчет по НИР «Разработка алгоритма интеллектуального прогнозирования нагрузки...», 2024.
(Заявка на полезную модель № 2024123456).