УДК 658

Повышение эффективности деятельности предприятия в результате внедрения прогнозирования его потребностей в энергоресурсах

Киндибулатова Маргарита Ильдаровна – магистрант Уфимского университета науки и технологий.

Аннотация: В статье анализируются особенности повышения эффективности деятельности предприятия в результате внедрения прогнозирования его потребностей в энергоресурсах. Отмечается значимость прогностической системы энергетического менеджмента для предприятий, приводится алгоритм её внедрения. Выявляется специфика планирования потребления энергоресурсов в зависимости от временного горизонта прогноза. Рассматриваются актуальные методы планирования потребления энергоресурсов, основанные на методах искусственного интеллекта и глубокого машинного обучения.

Ключевые слова: предприятие, энергетические ресурсы, энергетический менеджмент, прогнозирование, искусственный интеллект.

Один из факторов повышения эффективности деятельности предприятия – рациональное использование всех ресурсов, в том числе энергетических [1]. Для увеличения результативности управления энергоресурсами в совокупности с сокращением негативного воздействия на среду и снижением производственных расходов на предприятии требуется внедрение прогностической системы энергетического менеджмента, включающей комплекс взаимосвязанных компонентов, используемых для разработки и реализации энергетической политики. Использование системы энергоменеджмента, основанной на прогнозировании потребностей предприятия в энергоресурсах, позволяет устранить такие факторы, как неразумное потребление энергоресурсов, технические недостатки или недозагрузка технологических средств предприятия и неразумное управление потреблением энергоресурсов [2]. Устранение данных факторов позволяет оптимизировать производство и потребление энергоресурсов, снизить расходы предприятий и увеличить результативность их хозяйственной деятельности, что делает актуальным исследование особенностей прогностической системы энергоменеджмента.

Целью работы является изучение повышения эффективности деятельности предприятия в результате внедрения прогнозирования его потребностей в энергоресурсах. Для её достижения были использованы аналитический, синтетический, индуктивный и дедуктивный методы обработки тематических исследований, научных публикаций и релевантных литературных источников.

В современных экономических условиях стоимость энергоресурсов стремительно возрастает, что требует от предприятий, поставляющих и потребляющих их, ориентироваться на энергетическую результативность и энергоэффективность, которые в значительной степени определяют их конкурентоспособность [3]. В связи с этим важной задачей руководства предприятий становится увеличение уровня использования всех видов энергии прогрессивными и экономически оправданными способами с привлечением соответствующих технологий.

Практическая реализация системы энергоменеджмента требует решения ряда организационных и технических вопросов, позволяющих с максимальной эффективностью использовать экономические, временные, технические и интеллектуальные ресурсы предприятия [4]. В основе такой системы должен лежать алгоритм, учитывающий экономический потенциал предприятия, его масштабы, специфику деятельности и имеющиеся наработки в области энергосбережения. Алгоритм внедрения системы энергоменеджмента на предприятии включает следующие этапы:

  • разработка стратегии энергосбережения на предприятии и её включение в общую корпоративную стратегию;
  • разработка и утверждение ключевых показателей энергоэффективности;
  • проведение энергоаудита и разработка плана действий;
  • модернизация и замена устаревшего оборудования с высокой избыточной энергоёмкостью;
  • обучение сотрудников управлению энергосберегающим оборудованием и основам энергоэффективного поведения;
  • внедрение комплекса энергосберегающих устройств, технологий и программных комплексов;
  • внедрение технологий автоматизации энергоменеджмента в цифровую инфраструктуру предприятия.

В условиях цифровой трансформации система энергоменеджмента на предприятии может решать такие задачи, как долговременное хранение данных на серверах, поддержание единой системы предоставления информации и отчётности, а также прогнозирование энергопотребления на цифровом двойнике предприятия [5]. Для прогнозирования могут применяться различные способы: математические и регрессионные модели или нейронные сети. Цифровой двойник, представляющий собой цифровую копию действующего предприятия, позволяет получать достаточно точные прогнозы потребления энергоресурсов.

Данные прогнозы имеют большое значение не только для потребителей, но и для сбытовых предприятий, которым необходимо рассчитывать спрос на энергоресурсы при их генерации или покупке на оптовом рынке [6]. Прогнозирование потребления энергоресурсов позволяет сбытовым предприятиям избегать коммерческих потерь, а предприятиям-потребителям – закупать энергоресурсы по более выгодным тарифам, сокращая производственные затраты.

Конкретные цели прогнозирования зависят от временного горизонта прогноза, который может быть [7]:

  • краткосрочным – составляется на несколько часов или дней вперёд, используется с целью регулирования энергетического баланса и при составлении ценовых заявок поставщиков и покупателей энергоресурсов;
  • среднесрочным – строится на срок от месяца до года вперёд и используется для заключения сделок по передаче энергоресурсов, определения цены на них, принятия решений по техническому обслуживанию оборудования и сетей и решения других задач;
  • долгосрочным – строится на несколько лет вперёд, применяется для оценки перспективного спроса на энергоресурсы, анализа потребности в сооружении новых инфраструктурных элементов и прочего.

В настоящее время предприятия используют преимущественно интуитивные методы прогнозирования потребления энергоресурсов, однако влияние человеческого фактора и невозможность учесть все сопутствующие факторы при таком подходе не позволяют снизить ошибку прогноза ниже определённого значения [8]. Повысить качество прогнозирования потребления энергоресурсов возможно путём формализации данного процесса. В то же время наличие множества влияющих на потребление энергоресурсов факторов и стохастический характер некоторых из них делает задачу прогнозирования потребления энергоресурсов слабоформализуемой.

Решить данную задачу возможно посредством применения методов искусственного интеллекта и глубокого машинного обучения [9]. В зависимости от специфики предприятия для решения задач прогнозирования могут использоваться различные методы и их комбинации, например сочетание метода машинного обучения на базе глубоких нейронных сетей и метода метаэвристики. Первый метод позволяет спрогнозировать оптимальную работу части интегрированных систем предприятия, второй – оптимизировать работу других компонентов энергетического комплекса. Гибридный метод даёт возможность учитывать нелинейность данных энергопотребления для некоторых видов оборудования. Для снижения вычислительных нагрузок в метаэвристику может быть интегрирована регрессионная модель.

Выбор архитектуры, парадигмы и алгоритма обучения нейронной сети для прогнозирования потребления энергоресурсов зависит от цели планирования [10]. К примеру, для решения задачи краткосрочного прогнозирования почасового потребления энергоресурсов оптимальной будет парадигма обучения с учителем, при которой свободные параметры нейросети настраиваются так, чтобы выходной отклик сети на входное воздействие был в наибольшей степени схож с желаемым. Выбор парадигмы обусловлен наличием необходимого для качественного обучения объёма статистической информации. Оптимальной архитектурой для решения данной задачи будет нейросеть прямого распространения сигнала, отличающаяся отсутствием обратных связей, что позволяет использовать её для распознавания образов, аппроксимации и прогнозирования временных рядов. Поскольку задача краткосрочного прогнозирования потребления энергоресурсов является задачей классификации, для её решения целесообразнее всего использовать многослойные персептроны и свёрточные нейронные сети.

Таким образом, использование инструментов энергоменеджмента для прогнозирования потребления энергоресурсов на предприятии повышает точность планирования, и, как следствие, эффективность производства. Несмотря на то, что энергоресурсы необходимы любому предприятию, прогнозирование потребности для каждой из областей использования энергоресурсов является специфичным, поскольку требует учёта множества факторов, влияющих на потребление ресурсов. Точное прогнозирование потребностей предприятия в энергоресурсах, основанное на методах машинного обучения, требует учёта данных о технологическом оборудовании и его мощности, детальной информации о всех потребителях энергоресурсов, объёмах выпускаемой продукции и прочих факторов, которые влияют на уровень потребления энергоресурсов.

Список литературы

  1. Подлегаев Е.А., Бороян А.А., Гололобова М.А. Система энергетического менеджмента предприятия // Экономика и социум. – 2019. – № 12 (67). – С. 811-814.
  2. Шаповалова Е.Ю., Бороян А.А., Гололобова М.А. Особенности построения энергоменеджмента на промышленном предприятии // Экономика и социум. – 2019. – № 12 (67). – С. 1472-1476.
  3. Конюхов В.Ю., Опарина Т.А., Ше Сон Гун. Энергоменеджмент как эффективная система энергосбережения и решение проблем её внедрения // Известия вузов. Инвестиции. Строительство. Недвижимость. – 2020. – Т. 10, № 4. – С. 534-543. – DOI: 10. 21285/2227-2917-2020-4-534-543.
  4. Golov R.S. Applied basics of building a system of energy management at a high-tech enterprise. Bulletin of high technology, 2022, no. 2 (21), pp. 3-12. DOI։ 10.56243/18294898-2022.2-3.
  5. Шапиро М.Ф. Энергоменеджмент как инструмент снижения затрат на энергоресурсы // Деловой журнал Neftegaz.RU. – 2020. – № 7 (103). – С. 84-87.
  6. Моргоев И.Д. Прогнозирование потребления электроэнергии предприятиями народнохозяйственного комплекса в условиях неполноты информации / И.Д. Моргоев, А.Э. Дзгоев, Р.В. Клюев, А.Д. Моргоева // Известия Кабардино-Балкарского научного центра РАН. – 2022. – № 3 (107). – С. 9-20. – DOI: 10.35330/1991-6639-2022-3-107-9-20.
  7. Сергеев Н.Н., Матренин П.В. Повышение точности прогноза электропотребления промышленного предприятия методами машинного обучения с помощью отбора значимых признаков из временного ряда // iPolytech Journal. – 2022. – Т. 26, № 3. – С. 487-498. – DOI: 10.21285/1814-3520-2022-3-487-498.
  8. Хомутов С.О., Сташко В.И., Серебряков Н.А. Повышение точности краткосрочного прогнозирования электропотребления групп точек поставки электроэнергии гарантирующих поставщиков второго уровня // Известия Томского политехнического университета. Инжиниринг георесурсов. – – Т. 331, № 6. – С. 128-140. – DOI: 10.18799/24131830/2020/6/2682.
  9. Моргоева А.Д. Прогнозирование потребления электрической энергии промышленным предприятием с помощью методов машинного обучения / А.Д. Моргоева, И.Д. Моргоев, Р.В. Клюев, О.А. Гаврина // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2022. – Т. 333, № 7. – С. 115-125. – DOI: 10.18799/24131830/2022/7/3527.
  10. Хомутов С.О., Серебряков Н.А. Повышение качества краткосрочного прогнозирования электропотребления группы точек поставки электроэнергии сельхозпроизводителей с помощью инструментов машинного обучения // Научный вестник НГТУ. – 2019. – № 3 (76). – С. 149-168. – DOI: 10.17212/1814-1196-2019-3-149-168.

Интересная статья? Поделись ей с другими: