PAO Severstal is een staal- en mijnbouwbedrijf dat eigenaar is van de Cherepovets Metallurgical Plant, de op een na grootste in ons land. In 2019 produceerde het bedrijf 11,9 miljoen ton staal, met een omzet van $8,2 miljard
Businesscase van PAO Severstal
Taak
Severstal besloot om de verliezen van het bedrijf als gevolg van foutieve prognoses voor het elektriciteitsverbruik tot een minimum te beperken en om onbevoegde aansluitingen op het net en diefstal van elektriciteit uit te bannen.
Achtergrond en motivatie
Metallurgische en mijnbouwbedrijven behoren tot de grootste verbruikers van elektriciteit in de industrie. Zelfs met een zeer hoog aandeel eigen opwekking bedragen de jaarlijkse kosten van bedrijven voor elektriciteit tientallen en zelfs honderden miljoenen dollars.
Veel van de dochterondernemingen van Severstal hebben geen eigen stroomopwekkingscapaciteit en kopen deze in op de groothandelsmarkt. Dergelijke bedrijven dienen biedingen in waarin ze aangeven hoeveel elektriciteit ze op een bepaalde dag willen afnemen en tegen welke prijs. Als het daadwerkelijke verbruik afwijkt van de opgegeven prognose, dan betaalt de consument een extra tarief. Als gevolg van een onvolmaakte prognose kunnen de extra elektriciteitskosten voor het bedrijf als geheel oplopen tot enkele miljoenen dollars per jaar.
Oplossing
Severstal wendde zich tot SAP, dat aanbood om IoT- en machine learning-technologieën te gebruiken om het energieverbruik nauwkeurig te voorspellen.
De oplossing is geïmplementeerd door het Centrum voor Technologische Ontwikkeling van Severstal in de Vorkutaugol-mijnen, die geen eigen opwekkingsfaciliteiten hebben en de enige afnemer zijn op de groothandelsmarkt voor elektriciteit. Het ontwikkelde systeem verzamelt regelmatig gegevens van 2,5 duizend meetapparaten van alle divisies van Severstal over de plannen en werkelijke waarden van penetratie en productie in alle ondergrondse gebieden en over de actieve kolenmijn, evenals over het huidige niveau van energieverbruik . Het verzamelen van waarden en herberekening van het model vindt plaats op basis van de gegevens die elk uur worden ontvangen.
uitvoering
Voorspellende analyses met behulp van machine learning-technologie maken het niet alleen mogelijk om het toekomstige verbruik nauwkeuriger te voorspellen, maar ook om afwijkingen in het elektriciteitsverbruik aan het licht te brengen. Ook op dit gebied konden enkele kenmerkende patronen voor misstanden worden geïdentificeerd: zo is bekend hoe een ongeoorloofde verbinding en werking van een cryptominingfarm “er uit ziet”.
De resultaten
De voorgestelde oplossing maakt het mogelijk om de kwaliteit van de prognose van het energieverbruik aanzienlijk te verbeteren (met 20-25% per maand) en jaarlijks $ 10 miljoen te besparen door boetes te verlagen, aankopen te optimaliseren en elektriciteitsdiefstal tegen te gaan.
Plannen voor de toekomst
In de toekomst kan het systeem worden uitgebreid om het verbruik te analyseren van andere hulpbronnen die bij de productie worden gebruikt: inerte gassen, zuurstof en aardgas, verschillende soorten vloeibare brandstoffen.
Abonneer u en volg ons op Yandex.Zen — technologie, innovatie, economie, onderwijs en delen in één kanaal.