ПАО «Северсталь» — металлургическая и горнодобывающая компания, владеющая Череповецким металлургическим комбинатом, вторым по величине в нашей стране. В 2019 году компания произвела 11,9 млн тонн стали, выручка составила $8,2 млрд.
Бизнес-кейс ПАО «Северсталь»
Сложность задачи
«Северсталь» решила минимизировать потери компании из-за ошибочных прогнозов потребления электроэнергии, а также исключить несанкционированные подключения к сетям и хищения электроэнергии.
Предыстория и мотивация
Металлургические и горнодобывающие компании входят в число крупнейших потребителей электроэнергии в промышленности. Даже при очень высокой доле собственной генерации ежегодные затраты предприятий на электроэнергию составляют десятки и даже сотни миллионов долларов.
Многие дочерние предприятия «Северстали» не имеют собственных мощностей по производству электроэнергии и покупают ее на оптовом рынке. Такие компании подают заявки, в которых указывается, сколько электроэнергии они готовы купить в данный день и по какой цене. Если фактическое потребление отличается от заявленного прогноза, то потребитель платит дополнительный тариф. Таким образом, из-за несовершенного прогноза дополнительные затраты на электроэнергию могут достигать нескольких миллионов долларов в год для компании в целом.
Решения
«Северсталь» обратилась к SAP, которая предложила использовать технологии Интернета вещей и машинного обучения для точного прогнозирования энергопотребления.
Решение внедрено Центром технологического развития «Северстали» на шахтах «Воркутауголь», которые не имеют собственных генерирующих мощностей и являются единственным потребителем на оптовом рынке электроэнергии. Разработанная система регулярно собирает данные с 2,5 тысяч приборов учета 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 перерасчет модели происходит на основе полученных данных каждый час.
реализация
Прогнозный анализ с использованием технологии машинного обучения позволяет не только более точно прогнозировать будущее потребление, но и выявлять аномалии в потреблении электроэнергии. Также удалось выявить несколько характерных закономерностей злоупотреблений в этой сфере: например, известно, как «выглядит» несанкционированное подключение и работа криптомайнинговой фермы.
Результаты
Предлагаемое решение позволяет существенно повысить качество прогноза энергопотребления (на 20–25% ежемесячно) и сэкономить от $10 млн ежегодно за счет снижения штрафов, оптимизации закупок и противодействия хищениям электроэнергии.
Планы на будущее
В дальнейшем систему можно расширить для анализа потребления других ресурсов, используемых в производстве: инертных газов, кислорода и природного газа, различных видов жидкого топлива.
Подписывайтесь и следите за нами в Яндекс.Дзен — технологии, инновации, экономика, образование и обмен в одном канале.