avroenОмский научный вестник. Серия "Авиационно-ракетное и энергетическое машиностроение"Omsk Scientific Bulletin. Series Aviation-Rocket and Power Engineering2588-03732587-764XОмский государственный технический университет10.25206/2588-0373-2024-8-2-5-12QQHQHGavroen-3Research ArticleЭНЕРГЕТИЧЕСКОЕ И ХИМИЧЕСКОЕ МАШИНОСТРОЕНИЕPOWER AND CHEMICAL ENGINEERINGО выборе метода динамического нормирования энергоресурсов нефтеперерабатывающих производствOn the choice of the method of dynamic rationing of energy resources in oil refineriesВедрученкоВ. Р.VedruchenkoV. R.

Ведрученко Виктор Родионович - доктор технических наук, профессор (Россия), профессор кафедры «Теплоэнергетика» AuthorID (SCOPUS): 6602803355.

644046, Омск, пр. Маркса, 35

Vedruchenko Viktor Rodionovich - Doctor of Technical Sciences, Professor, Professor of Thermal Power Engineering Department, OSTU, OmSPIN-code: 1462-4926. AuthorID (SCOPUS): 6602803355.

Omsk, Marksa Ave, 35, 644046

vedruchenkovr@mail.ruРезановЕ. М.RezanovE. M.

Резанов Евгений Михайлович - кандидат технических наук, доцент (Россия), доцент кафедры «Теплоэнергетика» ОмГУПС. AuthorID (SCOPUS): 57208862428.

644046, Омск, пр. Маркса, 35

Rezanov      Evgeny        Mikhailovich - Candidate          of Technical Sciences, Associate Professor, Head of Thermal Power Engineering Department, OSTU, SPIN-code: 6614-1187. AuthorID (SCOPUS): 57208862428.

Omsk, Marksa Ave, 35, 644046

rezanove1@mail.ruСтариковА. П.StarikovA. P.

СтарикоВ Александр Петрович - кандидат технических наук, доцент (Россия), доцент кафедры «Теплоэнергетика» ОмГУПС.

644046, Омск, пр. Маркса, 35

Starikov       Alexander    Petrovich - Candidate      of Technical Sciences, Associate Professor, Associate Professor of Thermal Power Engineering Department, OSTU, SPIN-code: 9393-7979.

Omsk, Marksa Ave, 35, 644046

omskstar2003@mail.ruКушнаренкоА. В.KushnarenkoA. V.

Кушнаренко Антон Вячеславович, аспирант кафедры «Теплоэнергетика» ОмГУПС.

644046, Омск, пр. Маркса, 35

Kushnarenko Anton Vyacheslavovich - Graduate Student of Thermal Power Engineering Department, OSTU, SPIN-code: 2774-2204.

Omsk, Marksa Ave, 35, 644046

antmaz@bk.ruСуровцевП. А.SurovtsevP. A.

Суровцев    Павел          Александрович,   соискатель по кафедре «Теплоэнергетика» ОмГУПС, г. Омск. SPIN-код: 8025-1774

644046, Омск, пр. Маркса, 35

Surovtsev Pavel Alexandrovich - Post-graduate of Thermal Power Engineering Department, OSTU, SPIN-code: 8025-1774.

Omsk, Marksa Ave, 35, 644046

i@psurovtsev.ruКихтенкоВ. А.KikhtenkoV. A.

Кихтенко Владимир Александрович, соискатель по кафедре «Теплоэнергетика» ОмГУПС, г. Омск. SPIN-код: 6666-5647

644046, Омск, пр. Маркса, 35

Kikhtenko Vladimir Aleksandrovich - Post-graduate of Thermal Power Engineering Department, Omsk. SPIN-code: 6666-5647.

Omsk, Marksa Ave, 35, 644046

vkikhtenko17@yandex.ruОмский государственный университет путей сообщенияРоссияOmsk State Transport UniversityRussian Federation20243006202482512Copyright © Ведрученко В.Р., Резанов Е.М., Стариков А.П., Кушнаренко А.В., Суровцев П.А., Кихтенко В.А., 20242024Ведрученко В.Р., Резанов Е.М., Стариков А.П., Кушнаренко А.В., Суровцев П.А., Кихтенко В.А.Vedruchenko V.R., Rezanov E.M., Starikov A.P., Kushnarenko A.V., Surovtsev P.A., Kikhtenko V.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://ariem.omgtu.ru/jour/article/view/3

В статье рассмотрены возможности расчета плановой потребности в энергоресурсах на основе «больших данных» и машинного обучения для энерготехнологических процессов нефтеперерабатывающих заводов. Для получения прогнозных данных предложено использовать множественную линейную регрессию, машинное обучение и нейронные сети для построения математической модели. Рассмотрены их достоинства и недостатки, сравнены точности моделей и возможность их интерпретации. Благодаря применению современных статистических методов удалось интерпретировать вариативность потребления энергоресурса в форме факторного анализа. В результате опытно-промышленных испытаний обоснована практическая значимость предложенных методов для практического использования при функционировании системы энергетического менеджмента и при переходе к применению статистического контроля технологического процесса.

The article discusses the possibility of calculating the expected energy demand based on big data and machine learning for the energy technological processes in oil refineries. In order to obtain predictive data, linear regression, machine learning, and neural networks are proposed to be used to build a mathematical model. The advantages and disadvantages of these methods are discussed, and the accuracy of the models is compared with the possibility of interpreting them. Thanks to the use of advanced statistical methods, the variability of energy consumption can be interpreted through factor analysis. Through pilot tests, the practical significance of these proposed methods for their practical use in an energy management system is demonstrated, as well as the transition to statistical control of the process.

нормирование энергоресурсовтопливно-энергетические ресурсыметоды нормированиялинейная регрессиямашинное обучениеглубокое обучениефакторный анализсистема энергетического менеджментаrationing of energy resourcesfuel and energy resourcesrationing methodslinear regressionmachine learningdeep learningfactor analysisenergy management systemReferencesКалинина Н. М., Кулик Н. А. Оценка степени инновационной готовности системной трансформации менеджмента в условиях перехода к шестому технологическому укладу // Омский научный вестник. Сер. Общество. История. Современность. 2023. Т. 8, № 4. С. 139–145. DOI: 10.25206/2542-0488-2023-8-4-139-145. EDN: VVVAXR.Kalinina N. M., Kulik N. A. Otsenka stepeni innovatsionnoy gotovnosti sistemnoy transformatsii menedzhmenta v usloviyakh perekhoda k shestomu tekhnologicheskomu ukladu [Assessing the degree of innovative readiness of systemic transformation of management in the context of transition to the sixth technological paradigm] // Omskiy nauchnyy vestnik. Ser. Obshchestvo. Istoriya. Sovremennost’. Omsk Scientific Bulletin. Series Society. History. Modernity. 2023. Vol. 8, no. 4. P. 139–145. DOI: 10.25206/2542-0488-2023-8-4-139-145. EDN: VVVAXR. (In Russ.).Хакимов Р. А. Идентификация математической модели процесса гидроочистки дизельного топлива для создания системы оптимизации группы технологических установок нефтеперерабатывающего завода // Омский научный вестник. 2018. № 4 (160). С. 174–178. DOI: 10.25206/1813-8225-2018-160-174-178.Khakimov R. A. Identifikatsiya matematicheskoy modeli protsessa gidroochistki dizel’nogo topliva dlya sozdaniya sistemy optimizatsii gruppy tekhnologicheskikh ustanovok neftepererabatyvayushchego zavoda [Identification of mathematical model of diesel fuel hydrotreatment process for creation system optimization of group of technological units of oil refinery plant] // Omskiy nauchnyy vestnik. Omsk Scientific Bulletin. 2018. No. 4 (160). P. 174–178. DOI: 10.25206/1813-8225-2018-160-174-178. (In Russ.).Kudriashov N. S. Dynamic energy consumption rationing based on machine learning algorithms for oil refining tasks // Computing, Telecommunications and Control. 2021. Vol. 14, no. 3. P. 20–32. DOI: 10.18721/JCSTCS.14302.Kudriashov N. S. Dynamic energy consumption rationing based on machine learning algorithms for oil refining tasks // Computing, Telecommunications and Control. 2021. Vol. 14, no. 3. P. 20–32. DOI: 10.18721/JCSTCS.14302. (In Engl.).Голдратт Э. М., Кокс Д. Цель. Процесс непрерывного совершенствования / пер. с англ. П. Самсонов. Москва: Попурри, 2023. 400 с.Goldratt E. M., Cox J. Tsel’. Protsess nepreryvnogo sovershenstvovaniya [The Goal. A Process of Ongoing Improvement] / trans. from Engl. P. Samsonov. Moscow, 2023. 400 p. (In Russ.).Адлер Ю. П., Шпер В. Л. Практическое руководство по статистическому управлению процессами. Москва: Альпина Паблишер, 2019. 234 с.Adler Yu. P., Shper V. L. Prakticheskoye rukovodstvo po statisticheskomu upravleniyu protsessami [Practical guide to statistical process management]. Moscow, 2019. 234 p. (In Russ.).Факторный анализ. URL: https://masters.donntu.ru/2007/kita/bolkunevich/library/fakt.htm (дата обращения: 12.03.2024).Faktornyy analiz [Factor analysis]. URL: https://masters.donntu.ru/2007/kita/bolkunevich/library/fakt.htm (accessed: 12.03.2024). (In Russ.).Долженко Р. А. Сущность и оценка эффективности использования оптимизационных технологий «Лин» и «Шесть сигм» // Вестник Омского университета. Серия «Экономика». 2014. № 1. С. 25–33. EDN: SFORMX.Dolzhenko R. A. Sushchnost’ i otsenka effektivnosti ispol’zovaniya optimizatsionnykh tekhnologiy «Lin» i «Shest’ sigm» [Essence and evaluation of optimizational technologies «Lean» and «Six Sigma»] // Vestnik Omskogo universiteta. Seriya «Ekonomika». Herald of Omsk University. Series «Economics». 2014. No. 1. P. 25–33. EDN: SFORMX. (In Russ.).Джиджи К., ДеКарло Н., Вильямс Б. Шесть сигм для чайников / пер. с англ. и ред. А. Ю. Заякина. Москва Диалектика, 2008. 320 с.Gigi K., DeCarlo N., Williams B. Shest’ sigm dlya chaynikov [Six sigma for dummies] / trans. from Engl. and ed. A. Yu. Zayakina. Moscow, 2008. 320 p. (In Russ.).Резанов Е. М., Стариков А. П., Финиченко А. Ю., Кушнаренко А. В. Об эффективности регулирования высокотемпературного агрегата нефтеперерабатывающего завода // Энергосбережение и водоподготовка. 2023. № 5 (145). С. 15–19. EDN: BXYMRV.Rezanov E. M., Starikov A. P., Finichenko A. Yu., Kushnarenko A. V. Ob effektivnosti regulirovaniya vysokotemperaturnogo agregata neftepererabatyvayushchego zavoda [On the efficiency of control of the high-temperature unit of the oil refinery] // Energosberezheniye i vodopodgotovka. Energy Saving and Water Treatment. 2023. No. 5 (145). P. 15–19. EDN: BXYMRV. (In Russ.).Данилов О. Л., Гаряев А. Б., Яковлев И. В. Энергосбережение в теплоэнергетике и теплотехнологиях. Москва: ИД МЭИ, 2017. 424 с.Danilov O. L., Garyaev A. B., Yakovlev I. V. Energosberezheniye v teploenergetike i teplotekhnologiyakh [Energy saving in thermal power engineering and thermal technologies]. Moscow, 2017. 424 p. (In Russ.)Березняк И. С., Гусарова О. М., Попова В. В. Математическое моделирование с использованием цифровых технологий в решении прикладных задач анализа данных // Современные наукоемкие технологии. 2023. № 12-1. С. 10–15. DOI: 10.17513/snt.39853. EDN: NFNNZH.Bereznyak I. S., Gusarova O. M., Popova V. V. Matematicheskoye modelirovaniye s ispol’zovaniyem tsifrovykh tekhnologiy v reshenii prikladnykh zadach analiza dannykh [Math modeling with the use of digital technologies in solving application tasks of data analysis] //sovremennyye naukoyemkiye tekhnologii. Modern High Technologies. 2023. No. 12-1. P. 10–15. DOI: 10.17513/snt.39853. EDN: NFNNZH. (In Russ.).Herawati N. A., Gary A. A. P., Hikmawati E. [et al.]. A Hybrid Predictive Model as an Emission Reduction Strategy Based on Power Plants’ Fuel Consumption Activity // IEEE Access. DOI: 10.1109/ACCESS.2024.3380809.Herawati N. A., Gary A. A. P., Hikmawati E. [et al.]. A Hybrid Predictive Model as an Emission Reduction Strategy Based on Power Plants’ Fuel Consumption Activity // IEEE Access. DOI: 10.1109/ACCESS.2024.3380809. (In Engl.).de Myttenaere A., Golden B., Le Grand B. [et al.]. Mean absolute percentage error for regression models // Neurocomputing. 2016. Vol. 192. P. 38–48. DOI: 10.1016/j.neucom.2015.12.114.de Myttenaere A., Golden B., Le Grand B. [et al.]. Mean absolute percentage error for regression models // Neurocomputing. 2016. Vol. 192. P. 38–48. DOI: 10.1016/j.neucom.2015.12.114. (In Engl.).Hu Z., Jin Y., Hu Q. [et al.]. Prediction of Fuel Consumption for Enroute Ship Based on Machine Learning // IEEE Access. 2019. Vol. 7. P. 119497–119505. DOI: 10.1109/ACCESS.2019.2933630.Hu Z., Jin Y., Hu Q. [et al.]. Prediction of Fuel Consumption for Enroute Ship Based on Machine Learning // IEEE Access. 2019. Vol. 7. P. 119497–119505. DOI: 10.1109/ACCESS.2019.2933630. (In Engl.).Nawaz M., Maulud A. S., Zabiri H. [et al.]. Review of Multiscale Methods for Process Monitoring, With an Emphasis on Applications in Chemical Process Systems // IEEE Access. 2022. Vol. 10. P. 49708–49724. DOI: 10.1109/ACCESS.2022.3171907.Nawaz M., Maulud A. S., Zabiri H. [et al.]. Review of Multiscale Methods for Process Monitoring, With an Emphasis on Applications in Chemical Process Systems // IEEE Access. 2022. Vol. 10. P. 49708–49724. DOI: 10.1109/ACCESS.2022.3171907. (In Engl.).Клячкин В. Н. Модели и методы статистического контроля многопараметрического технологического процесса: дис. …д-ра техн. наук. Ульяновск, 2004. 284 с.Klyachkin V. N. Modeli i metody statisticheskogo kontrolya mnogoparametricheskogo tekhnologicheskogo protsessa [Models and methods of statistical control of a multiparametric technological process]. Ulyanovsk, 2004. 284 p. (In Russ.).

The authors declare that there are no conflicts of interest present.