Please use this identifier to cite or link to this item:
http://earchive.tpu.ru/handle/11683/72863
Title: | Прогнозирование потребления электрической энергии промышленным предприятием с помощью методов машинного обучения |
Other Titles: | Forecasting of electric energy consumption by an industrial enterprise using machine learning methods |
Authors: | Моргоева, Анжелика Джабраиловна Моргоев, Ирбек Джабраилович Клюев, Роман Владимирович Гаврина, Оксана Александровна Morgoeva, Angelica Dzhabrailovna Morgoev, Irbek Dzhabrailovich Klyuev, Roman Vladimirovich Gavrina, Oksana Alexandrovna |
Keywords: | ресурсосберегающие технологии; энергосбережение; прогнозирование; интеллектуальный анализ; данные; машинное обучение; градиентный бустинг; потребление; электрическая энергия; промышленные предприятия; энергетические нагрузки; технологическое оборудование; resource-saving technologies; energy saving; forecasting; data mining; machine learning; gradient boosting |
Issue Date: | 2022 |
Publisher: | Томский политехнический университет |
Citation: | 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 [Известия ТПУ]. Инжиниринг георесурсов. — 2022. — Т. 333, № 7. — [С. 115-125]. |
Abstract: | Актуальность исследования заключается в необходимости развития энергосберегающих подходов за счет применения средств интеллектуального анализа данных для повышения эффективности процесса принятия управленческих решений и, как следствие, более оптимального использования энергетических ресурсов. В частности, прогнозирование потребления электрической энергии промышленного объекта упростит процесс принятия управленческих решений и будет способствовать минимизации затрат электроэнергии на производство единицы продукции. Наличие точного прогноза позволит задействовать резервные мощности в часы пиковой нагрузки на электроэнергетический комплекс. На практике для реализации прогнозирования не всегда подходят существующие методы расчета нагрузки на электросеть, поэтому исследование носит междисциплинарный характер, сочетая в себе важную практическую значимость и выработку новых рекомендаций в части применения алгоритмов машинного обучения. Целью исследования является анализ научных работ, содержащих предложения по повышению точности определения энергетических нагрузок с помощью интеллектуального анализа данных, а также разработка модели машинного обучения, позволяющей создавать достоверный прогноз потребления электроэнергии для промышленного предприятия. Объекты: промышленное предприятие, которое характеризуется сложностью определения энергетических характеристик технологического оборудования. Методы: аналитический метод, методы математической статистики, методы машинного обучения, комплексного обобщения научных достижений и практического опыта применения средств обработки данных в задачах прогнозирования нагрузки на электросеть. Результаты. Проведен обзор литературных источников, освещающих вопросы применения интеллектуального анализа данных в управлении энергопотреблением, и представлены основные результаты прогнозирования суммарных объемов потребления электроэнергии по данным промышленного объекта. Рассмотрены методы интеллектуального анализа данных, применяемые для решения задач энергосбережения для различных объектов. Построена модель машинного обучения на основе алгоритма градиентного бустинга библиотеки CatBoost, позволяющая получить прогноз потребления электроэнергии по месяцам с уровнем надежности 92 %. Результаты проведенного исследования актуальны для принятия решений на тактическом и стратегическом уровнях управления предприятием для среднесрочного (помесячного) и долгосрочного (от года до нескольких лет) прогнозирования электрических нагрузок соответственно. The relevance of the research is caused by the need to develop energy-saving approaches through the use of data mining tools to improve the efficiency of the management decision-making process and, as a result, more optimal use of energy resources. In particular, forecasting the consumption of electric energy of an industrial facility will simplify the process of making managerial decisions and will help minimize the cost of electricity for the production of a unit of production. The availability of an accurate forecast will enable the use of reserve capacities during peak load hours for the electric power complex. In practice, the existing methods of calculating the load on the power grid are not always suitable for forecasting, so the study is interdisciplinary in nature, combining important practical significance and the development of new recommendations regarding the use of machine learning algorithms. The main aim of the research is to analyze scientific papers containing proposals to improve the accuracy of determining energy loads using data mining, as well as to develop a machine learning model that allows you to create a reliable forecast of electricity consumption for an industrial enterprise. Objects of the research is an industrial enterprise that is characterized by the complexity of determining the energy characteristics of technological equipment. Methods: analytical method, methods of mathematical statistics, methods of machine learning, complex generalization of scientific achievements and practical experience in the use of data processing tools in the tasks of predicting the load on the power grid. Results. A review of literature sources covering the application of data mining in energy consumption management is carried out, and the main results of forecasting total electricity consumption according to industrial facility data are presented. The methods of data mining used to solve energy saving problems for various objects are considered. A machine learning model is built based on the gradient boosting algorithm of the CatBoost library, which allows obtaining a forecast of electricity consumption by months with a reliability level of 92 %. The results of the study are relevant for decision-making at the tactical and strategic levels of enterprise management for medium-term (monthly) and long-term (from a year to several years) forecasting of electrical loads, respectively. |
URI: | http://earchive.tpu.ru/handle/11683/72863 |
ISSN: | 2413-1830 |
Appears in Collections: | Известия Томского политехнического университета. Инжиниринг георесурсов |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
bulletin_tpu-2022-v333-i7-12.pdf | 1,92 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.