Исследователи Уральского энергетического института УрФУ поставили перед собой задачу разработать метод, который повысит энергоэффективность предприятий газовой отрасли за счёт увеличения точности прогнозирования электропотребления. Разработка также должна была предоставлять экспертам объяснение результатов, представленных моделями машинного обучения.
Учёные УрФУ предположили, что внедрение системы краткосрочного прогнозирования электропотребления на предприятиях газовой промышленности позволит выровнять график потребления электрической энергии, оптимизировать режимы работы собственных генерирующих мощностей и систем накопления электроэнергии. Это, в свою очередь, оптимизирует процессы технического обслуживания и ремонта оборудования, а также минимизирует затраты на использование потребляемой электроэнергии.
Для разработки метода краткосрочного прогнозирования электропотребления исследователи предложили использовать методы машинного обучения, рассказала младший научный сотрудник лаборатории цифровых двойников в электроэнергетике УралЭНИН УрФУ Алина Степанова.
«Эти методы позволяют учитывать метеорологические, производственные и многие другие факторы, а также зависимости между ними. Однако модели машинного обучения — „чёрные 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 использования и снижает безопасность и надёжность работы всей энергосистемы», — сообщила она.
По мнению учёных УрФУ, существует ещё одно препятствие для внедрения системы краткосрочного прогнозирования электропотребления — необходимо учитывать влияние множества факторов производственных процессов на график нагрузки предприятий нефтегазовой промышленности. Для декомпозиции производственных процессов исследователи использовали мультиагентный подход, позволяющий моделировать процессы потребления, генерации и накопления электрической энергии, а также взаимосвязь между ними.
«Наша разработка сможет обеспечить безопасную эксплуатацию критической инфраструктуры газовых предприятий, например, оптимизировать режимы работы собственных генерирующих мощностей и систем накопления электрической энергии, процессы технического обслуживания и ремонта оборудования. Её применение может повысить безопасность управления режимами работы газовых предприятий», — рассказала Алина Степанова.
Новый метод был опробован учёными для решения задачи краткосрочного прогнозирования электропотребления компрессорной станции магистрального газопровода. Результаты эксперимента подтвердили, что использование предложенного метода позволяет увеличить точность краткосрочных прогнозов электропотребления за счёт учёта факторов производственных процессов, а также повысить доверие экспертов к результатам машинного обучения благодаря использованию объяснимого искусственного интеллекта.
