Краткосрочное прогнозирование электропотребления обогатительной фабрики

Представлены результаты прогнозирования электропотребления обогатительной фабрики. В связи с энергоемкостью технологического процесса на рассматриваемой обогатительной фабрике необходимо совершенствование системы управления электропотреблением. Одним из методов повышения эффективности принятия решений в процессе управления электропотреблением является планирование. Однако для обеспечения результативности планирования необходим учет и детальный анализ производственных факторов. Прогнозирование же электропотребления позволяет на системном уровне управлять электропотреблением предприятия при оперативном учете данных о протекании технологического процесса. Поэтому актуальным направлением исследований является адаптация существующих и разработка новых методов прогнозирования электропотребления. Рассмотрены современные методы интеллектуального анализа данных. По фактическим данным о суточном электропотреблении за 2021 г. было построено несколько моделей машинного обучения и проведено сравнение их точности. В моделях были учтены как погодные, так и технологические факторы. Наилучшие результаты прогноза были получены с помощью модели, основанной на алгоритме «случайного леса» Random Forest. Погрешность прогноза на неделю вперед составила менее 5% по величине средней абсолютной процентной ошибки, что позволяет считать полученный результат точным.

Моргоева А. Д. Моргоев И. Д., Клюев Р. В., Хетагуров В. Н., Гаврина О. А. Краткосрочное прогнозирование электропотребления обогатительной фабрики // Горный информационно-аналитический бюллетень. – 2023. – № 5-1. – С. 157–169. DOI: 10.25018/0236_1493_2023_51_0_157.

Моргоева Анжелика Джабраиловна¹ — аспирант, e-mail: m.angelika-m@yandex.ru, ORCID ID: 0000-0003-2949-1993,
Моргоев Ирбек Джабраилович¹ — аспирант, e-mail: m.irbek@yandex.ru, ORCID ID: 0000-0003-4390-5662,
Клюев Роман Владимирович — д-р техн. наук, доцент, профессор, e-mail: kluev-roman@rambler.ru, Московский политехнический университет, ORCID ID: 0000-0003-3777-7203,
Хетагуров Валерий Николаевич¹ — д-р техн. наук, профессор, e-mail:hetag@mail.ru, ORCID ID: 0000-0002-2151-9309,
Гаврина Оксана Александровна¹ — канд. техн. наук, доцент, e-mail: Gavrina-Oksana@yandex.ru, ORCID ID: 0000-0002-9712-9075,
¹ Северо-Кавказский горно-металлургический институт (государственный технологический университет).

Моргоева А.Д., e-mail: m.angelika-m@yandex.ru.

1. Кубрин С. С., Решетняк С. Н., Закоршменный И. М., Карпенко С. М. Имитационное моделирование режимов работы оборудования комплексно-механизированного забоя угольной шахты // Устойчивое развитие горных территорий. — 2022. — Т. 14. — № 2. — С. 286—294. DOI: 10.21177/1998-4502-2022-14-2-286-294.

2. Баловцев С. В. Аэрологические риски высших рангов в угольных шахтах // Горные науки и технологии. — 2022. — Т. 7. — № 4. — С. 310—319. DOI: 10.17073/2500-06322022-08-18.

3. Петров В. Л., Кузнецов Н. М., Морозов И. Н. Управление спросом на электроэнергию в горнопромышленном секторе на основе интеллектуальных электроэнергетических систем // Горный информационно-аналитический бюллетень. — 2022. — № 2. — С. 169—180. DOI: 10.25018/0236_1493_2022_2_0_169.

4. Вялкова С. А., Моргоева А. Д., Гаврина О. А. Разработка гибридной модели прогнозирования потребления электрической энергии для горно-металлургического предприятия // Устойчивое развитие горных территорий. — 2022. — Т. 14. — № 3. — С. 486—493. DOI: 10.21177/1998-4502-2022-14-3-486-493.

5. Laayati O., Bouzi M., Chebak A. Smart energy management system: design of a monitoring and peak load forecasting system for an experimental open-pit mine // Applied System Innovation. 2022, vol. 5, no. 1, article 18. DOI: 10.3390/asi5010018.

6. Klyuev R. V., Morgoev I. D., Morgoeva A. D., Gavrina O. A., Martyushev N. V., Efremenkov E. A., Mengxu Q. Methods of forecasting electric energy consumption: A literature review // Energies. 2022, vol. 15, no. 23, article 8919. DOI: 10.3390/en15238919.

7. Моргоева А. Д., Моргоев И. Д., Клюев Р. В., Гаврина О. А. Прогнозирование потребления электрической энергии промышленным предприятием с помощью методов машинного обучения // Известия Томского политехнического университета. Инжиниринг георесурсов. — 2022. — Т. 333. — № 7. — С. 115—125. DOI: 10.18799/24131830/2022/7/3527.

8. Shklyarskiy J. E., Batueva D. E. The influence of external climatic factors on the accuracy of the forecast of energy consumption // E3S Web of Conferences. 2019, vol. 140, article 04014. DOI: 10.1051/e3sconf/201914004014.

9. Rollert K. E. The underlying factors in the uptake of electricity demand response: The case of Poland // Utilities Policy. 2018, vol. 54, pp. 11—21. DOI: 10.1016/j.jup.2018.07.002.

10. Biel K., Glock C. Systematic literature review of decision support models for energyefficient production planning // Computers & Industrial Engineering. 2016, vol. 101, pp. 243—259. DOI: 10.1016/j.cie.2016.08.021.

11. Lago J., Marcjasz G., De Schutter B., Weron R. Forecasting day-ahead electricity prices. A review of state-of-the-art algorithms, best practices and an open-access benchmark // Applied Energy. 2021, vol. 293, article 116983. DOI: 10.1016/j.apenergy.2021.116983.

12. Кондратьев Ю. И., Соколова О. А., Камболов Д. А., Мирошников А. С. Электрохимическое выщелачивание полиметаллической руды под действием несимметричных импульсов тока и добавкой поверхностно-активного вещества // Устойчивое развитие горных территорий. — 2022. — Т. 14. — № 1. — С. 20—26. DOI: 10.21177/1998-45022022-14-1-20-26.

13. Senchilo N. D., Ustinov D. A. Method for determining the optimal capacity of energy storage systems with a long-term forecast of power consumption // Energies. 2021. vol. 14, no. 21, article 7098. DOI: 10.3390/en14217098.

14. Новикова А. Накопители энергии: технологии и тренды // Рынок электротехники. — 2022. — № 4(68). — С. 6—25.

15. Ibrahim B., Rabelo L. A deep learning approach for peak load forecasting: A case study on Panama // Energies. 2021, vol. 14, no. 11, article 3039. DOI: 10.3390/en14113039.

16. Wang Y., Zhang N., Chen X. A short-term residential load forecasting model based on LSTM recurrent neural network considering weather features // Energies. 2021, vol. 14, no. 10, article 2737. DOI: 10.3390/en14102737.

17. Dorado R. F., Suarez J. D., del Real Torres A. Short-term load forecasting using encoderdecoder WaveNet: Application to the french grid // Energies. 2021, vol. 14, no. 9, article 2524. DOI: 10.3390/en14092524.

18. Xie Y., Yang Y., Wu L. Power consumption forecast of three major industries in China based on fractional grey model // Axioms. 2022, vol. 11, no. 8, article 407. DOI: 10.3390/axioms11080407.

19. Khan S., Aslam S., Mustafa I., Aslam S. Short-term electricity price forecasting by employing ensemble empirical mode decomposition and extreme learning machine // Forecasting. 2021, vol. 3, no. 3, pp. 460—477. DOI: 10.3390/forecast3030028.

20. Abu-Salih B., Wongthongtham P., Morrison G., Coutinho K., Al-Okaily M., Huneiti A. Short-term renewable energy consumption and generation forecasting. A case study of Western Australia // Heliyon. 2022, vol. 8, no. 3, article e09152. DOI: 10.1016/j.heliyon.2022.e09152.

21. Szul T., Nęcka K., Lis S. Application of the takagi-sugeno fuzzy modeling to forecast energy efficiency in real buildings undergoing thermal improvement // Energies. 2021, vol. 14, no. 7, article 1920. DOI: 10.3390/en14071920.

22. Ramos D., Khorram M., Faria P., Vale Z. Load forecasting in an office building with different data structure and learning parameters // Forecasting. 2021, vol. 3, no. 1, pp. 242—255. DOI: 10.3390/forecast3010015.

23. Oprea S.-V., Pirjan A., Caruțașu G., Petroșanu D.-M., Bara A., Stanica J.-L., Coculescu C. Developing a Mixed neural network approach to forecast the residential electricity consumption based on sensor recorded data // Sensors. 2018, vol. 18, no. 5, article 1443. DOI: 10.3390/ s18051443.

24. Frikha M., Taouil K., Fakhfakh A., Derbel F. Limitation of deep-learning algorithm for prediction of power consumption // Engineering Proceedings. 2022, vol. 18, no. 1, article 26. DOI: 10.3390/engproc2022018026.