Бизнес-кейс ПАО «Северсталь»
Задача
«Северсталь» решила максимально сократить потери компании из-за ошибочных прогнозов по потреблению электроэнергии, а также исключить несанкционированные подключения к энергосетям и кражу электричества.
Предпосылки и мотивация
Металлургические и горнодобывающие компании — одни из крупнейших потребителей электроэнергии в промышленности. Даже при очень высокой доле собственной генерации ежегодные затраты предприятий на электричество составляют десятки и даже сотни миллионов долларов.
Многие дочерние компании «Северстали» не обладают собственными мощностями для производства электроэнергии и покупают ее на оптовом рынке. Такие компании подают заявки, в которых указано, сколько электроэнергии они готовы купить в конкретный день и по какой цене. Если реальное потребление отличается от заявленного прогноза, то потребитель выплачивает дополнительный тариф. Таким образом, из-за несовершенного прогноза дополнительные расходы на электричество могут доходить в целом по компании до нескольких миллионов долларов в год.
Решение
«Северсталь» обратилась к компании SAP, которая предложила использовать технологии интернета вещей и машинного обучения для точного прогнозирования энергопотребления.
Решение развернуто силами Центра технологического развития СОБ «Северстали» на шахтах «Воркутауголь», где нет собственных генерирующих мощностей и которые являются единым потребителем на оптовом рынке электроэнергии. Разработанная система регулярно собирает данные с 2,5 тыс. приборов учета со всех подразделений «Северстали» о планах и фактических значениях проходки и добычи на всех подземных участках и на действующем угольном разрезе, а также о текущих уровнях энергопотребления. Сбор значений и пересчет модели происходит на основе данных, поступающих каждый час.
Реализация
Предиктивный анализ с использованием технологии машинного обучения позволяет не только более точно прогнозировать потребление в будущем, но и выделять аномалии в потреблении электроэнергии. Также удалось определить несколько характерных паттернов для злоупотреблений в этой области: например, известно, как «выглядит» несанкционированное подключение и работа фермы для криптомайнинга.
Результаты
Предложенное решение позволяет значительно повысить качество прогноза энергопотребления (на 20—25% ежемесячно) и сэкономить от $10 млн ежегодно за счет сокращения штрафов, оптимизации закупки и противодействию кражам электричества.
Планы на будущее
В перспективе система может быть расширена на анализ потребления других ресурсов, применяемых на производстве: инертных газов, кислорода и природного газа, различных видов жидкого топлива.
Подписывайтесь и читайте нас в Яндекс.Дзене — технологии, инновации, эко-номика, образование и шеринг в одном канале.