Новый метод краткосрочного прогнозирования электропотребления на предприятии газовой промышленности разработали ученые УрФУ. Разработка поможет повысить энергетическую эффективность предприятий, обеспечить безопасную эксплуатацию критической инфраструктуры и снизить затраты на покупку электроэнергии. Результаты исследования опубликованы в научном журнале Algorithms. Работы проводятся в рамках госзадания Минобрнауки России (тема № ФЭУЗ-2022-0030 «Разработка интеллектуальной многоагентной системы моделирования глубоко интегрированных технологических систем в энергетике») и при поддержке по программе «Приоритет-2030».
Графики энергопотребления и соавторы разработки — Алина Степанова (слева) и Александра Хальясмаа (справа). Источник фото: пресс-служба УрФУ
«Для разработки метода краткосрочного прогнозирования электропотребления мы предложили использовать методы машинного обучения. Эти методы позволяют учитывать метеорологические, производственные и многие другие факторы, а также зависимости между ними. Однако модели машинного обучения — «черные ящики» для экспертов: результаты обучения представляются без интерпретации. Так как эксперты не доверяют результатам обучения, это затрудняет внедрение систем с их использованием на предприятиях, повышает риск их некорректного применения и снижает безопасность и надежность работы всей энергосистемы», — рассказала соавтор разработки, младший научный сотрудник лаборатории цифровых двойников в электроэнергетике УрФУ Алина Степанова.
По мнению ученых, есть и другое препятствие к внедрению системы краткосрочного прогнозирования электропотребления: необходимость учитывать влияние множества факторов производственных процессов на график нагрузки предприятий нефтегазовой промышленности. Для декомпозиции производственных процессов исследователи применили мультиагентный подход, позволяющий моделировать процессы потребления, генерации и накопления электрической энергии, взаимосвязи между ними.
«Наша разработка сможет обеспечить безопасную эксплуатацию критической инфраструктуры газовых предприятий, например, оптимизировать режимы работы объектов собственной генерации и систем накопления электрической энергии, процессы технического обслуживания и ремонта оборудования. Ее применение может повысить безопасность управления режимами работы газовых предприятий», — рассказала Алина Степанова.
Новый метод был опробован учеными для решения задачи краткосрочного прогнозирования электропотребления компрессорной станции магистрального газопровода. Результаты эксперимента подтвердили, что использование предложенного метода позволяет увеличить точность краткосрочных прогнозов электропотребления за счет учета факторов производственных процессов, а также повысить доверие экспертов к результатам машинного обучения благодаря использованию объяснимого искусственного интеллекта.
Отметим, ученые УрФУ поставили перед собой задачу разработать метод, повышающий энергоэффективность предприятий газовой отрасли за счет увеличения точности прогнозирования электропотребления. Разработка также должна давать экспертам объяснение результатов, представленных моделями машинного обучения.
Ученые предположили, что внедрение системы краткосрочного прогнозирования электропотребления на предприятиях газовой промышленности позволит выровнять график потребления электрической энергии, оптимизировать режимы работы объектов собственной генерации и систем накопления электроэнергии. Это помогло бы оптимизировать процессы технического обслуживания и ремонта оборудования и минимизировать затраты на использование потребляемой электроэнергии.
Информация и фото предоставлены Отделом научных коммуникаций УрФУ