Аннотация
Крупное металлургическое предприятие имеет сложную многоуровневую структуру управления потреблением энергетических ресурсов. При этом для предприятия в целом на верхнем уровне общее потребление электрической энергии определяется по высокоточным приборам коммерческого учета. На нижнем уровне – уровне технологических объектов, как правило, реализуется технологический учет потребления электрической энергии с пониженной точностью. Кроме того, разнообразие режимов технологического оборудования приводит к различным уровням потребления энергии в разных режимах, что усложняет задачу прогнозирования и нормирования потребления энергии технологическим оборудованием. Повышенный уровень неопределенности потребления энергии на технологическом уровне обуславливает определенный небаланс при учете потребления энергии на основе данных технологического учета, которые используются для решения задачи прогнозирования и нормирования потребления. Здесь необходимо найти рациональный баланс оценок высокой точности на уровне предприятия в целом и технологическим учетом потребления электрической энергии отдельными технологическими объектами предприятия. В работе предложен алгоритм прогнозирования и нормирования потребления электрической энергии технологическими объектами металлургического предприятия, основанный на методике оптимального согласования данных коммерческого учета на уровне предприятия с данными уровня технологического учета по критерию минимизации общей ошибки прогнозирования потребления электрической энергии. Полученные энергетические характеристики могут быть использованы при решении задач оптимизации технологических процессов по критерию минимума потребления энергии, а также для нормирования энергопотребления.
Ключевые слова
Ресурсосбережение, энергосбережение, ресурсосберегающее управление, прогнозирования потребления электроэнергии.
1. Никифоров Г.В., Олейников В.К., Заславец Б.И. Энергосбережение и управление энергопотреблением в металлургическом производстве. М.: Энергоатомиздат, 2003. 480 с.
2. Копцев Л.А. Энергосбережение и повышение экономической эффективности предприятия путем управления загрузкой производственных агрегатов // Промышленная энергетика. 2011. № 11. С. 14-21.
3. Копцев Л.А. Нормирование и прогнозирование потребления электроэнергии в зависимости от объемов производства // Промышленная энергетика. 1996. № 3. С. 5-7.
4. Копцев Л.А., Япрынцева И.А. Моделирование потребления топлива в ОАО «ММК» // Промышленная энергетика. 2004. Вып. №5. С. 2-6.
5. Казаринов Л.С., Барбасова Т.А., Захарова А.А. Метод прогнозирующего управления энергетической эффективностью промышленного предприятия // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2013. Т. 13. № 2. С. 12-24.
6. Казаринов Л.С. Системы. Управление и познание: аналитические очерки. Челябинск: Издательский центр ЮУрГУ, 2017. 496 с.
7. Автоматизированные системы управления в энергосбережении (опыт разработки): монография / Л.С. Казаринов, Д.А. Шнайдер, О.В. Колесникова, Т.А. Барбасова. Челябинск: Издательский центр ЮУрГУ, 2010. 228 с.
8. Политов Е.А. Построение моделей долгосрочного прогноза потребления электроэнергии и мощности промышленными предприятиями: автореф. дис. … канд. техн. наук. Кемерово, 2012. 19 с.
9. Derek W Bunn. Experimental study of a Bayesian method for daily electricity load forecasting / Applied Mathematical Modelling. 1980, vol. 4, iss. 2, pp. 113-116. DOI: 10.1016/0307-904X(80)90115-8.
10. Jose Ramon Cancelo, Antoni Espasa, Rosmarie Grafe. Forecasting the electricity load from one day to one week ahead for the Spanish system operator // International Journal of Forecasting. 2008, vol. 24, iss. 4, pp. 588-602. DOI: 10.1016/j.ijforecast.2008.07.005.
11. Sigauke C., Chikobvu D. Prediction of daily peak electricity demand in South Africa using volatility forecasting models // Energy Economics. 2011, vol. 33, iss. 5, рр. 882-888. DOI: 10.1016/j.eneco.2011.02.013.
12. Amina M., Kodogiannis V.S., Petrounias I., Tomtsis D. A hybrid intelligent approach for the prediction of electricity consumption // Electrical Power and Energy Systems. 2012, vol. 43, iss. 1, pp. 99-108. DOI: 10.1016/j.ijepes.2012.05.027.
13. Virginie Dordonnat, Siem Jan Koopman, Marius Ooms. Dynamic factors in periodic time-varying regressions with an application to hourly electricity load modeling // Computational Statistics and Data Analysis. 2012, vol. 56, iss. 11, pp. 3134-3152. DOI: 10.1016/j.csda.2011.04.002.
14. Andersen F.M., Larsen H.V., Boomsma T.K. Long-term forecasting of hourly electricity load: Identification of consumption profiles and segmentation of customers // Energy Conversion and Management. 2013, vol. 68, pp. 244-252. DOI: 10.1016/j.enconman.2013.01.018.
15. Gloria Martin-Rodriguez, Jose Juan Caceres-Hernandez. Modelling the hourly Spanish electricity demand // Economic Modelling. 2005, vol. 22, iss. 3, pp. 551-569. DOI: 10.1016/j.econmod.2004.09.003.
16. Andersen F.M., Larsen H.V., Gaardestrup R.B. Long term forecasting of hourly electricity consumption in local areas (Denmark) // Applied Energy. 2013, vol. 110, pp. 147-162. DOI: 10.1016/j.apenergy.2013.04.046.
17. Vincenzo Bianco, Oronzio Manca, Sergio Nardini. Electricity consumption forecasting in Italy using linear regression models // Energy. 2009, vol. 34, iss. 9, pp. 1413-1421. DOI: 10.1016/j.energy.2009.06.034.
18. Afshar K., Bigdeli N. Data analysis and short term load forecasting in Iran electricity market using singular spectral analysis (SSA) // Energy. 2011, vol. 36, iss. 5, pp. 2620-2627. DOI: 10.1016/j.energy.2011.02.003.
19. Mohammed El-Telbany, Fawwaz El-Karmi. Short-term forecasting of Jordanian electricity demand using particle swarm optimization // Electric Power Systems Research. 2008, vol. 78, iss. 3, pp. 425-433. DOI: 10.1016/j.epsr.2007.03.011.
20. Jawad Nagi, Keem Siah Yap, Farrukh Nagi, Sieh Kiong Tiong, Syed Khaleel Ahmed. A computational intelligence scheme for the prediction of the daily peak load // Applied Soft Computing. 2011, vol. 11, iss. 8, pp. 4773-4788. DOI: 10.1016/j.asoc.2011.07.005.
21. Ashok S. Peak-load management in steel plants // Applied Energy. 2006, vol. 83, iss. 5, pp. 413-424. DOI: 10.1016/j.apenergy.2005.05.002.
22. Lin C.W., Moodie C.L. Hierarchical production planning for a modern steel manufacturing system. International Journal of Production Research. 1989, vol. 27, iss. 4, рр. 613-628. DOI: 10.1080/00207548908942572.