О выборе метода динамического нормирования энергоресурсов нефтеперерабатывающих производств

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.

1. Калинина 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.

2. 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.

3. 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.

4. Голдратт Э. М., Кокс Д. Цель. Процесс непрерывного совершенствования / пер. с англ. П. Самсонов. Москва: Попурри, 2023. 400 с.

5. Адлер Ю. П., Шпер В. Л. Практическое руководство по статистическому управлению процессами. Москва: Альпина Паблишер, 2019. 234 с.

6. Факторный анализ. URL: https://masters.donntu.ru/2007/kita/bolkunevich/library/fakt.htm (дата обращения: 12.03.2024).

7. 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.

8. Джиджи К., ДеКарло Н., Вильямс Б. Шесть сигм для чайников / пер. с англ. и ред. А. Ю. Заякина. Москва Диалектика, 2008. 320 с.

9. 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.

10. Данилов О. Л., Гаряев А. Б., Яковлев И. В. Энергосбережение в теплоэнергетике и теплотехнологиях. Москва: ИД МЭИ, 2017. 424 с.

11. 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.

12. 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.

13. 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.

14. 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.

15. 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.

16. Клячкин В. Н. Модели и методы статистического контроля многопараметрического технологического процесса: дис. …д-ра техн. наук. Ульяновск, 2004. 284 с.