ПАТ «Северсталь» — металургійна і гірничодобувна компанія, якій належить Череповецький металургійний комбінат, другий за величиною в нашій країні. У 2019 році компанія виробила 11,9 млн тонн сталі, а виручка склала $8,2 млрд.
Бізнес-кейс ПАО «Северсталь».
Завдання
"Северсталь" вирішила мінімізувати збитки компанії через помилкові прогнози споживання електроенергії, а також виключити несанкціоновані підключення до мереж і розкрадання електроенергії.
Передумови та мотивація
Металургійні та гірничодобувні підприємства є одними з найбільших споживачів електроенергії в промисловості. Навіть за дуже високої частки власної генерації щорічні витрати підприємств на електроенергію становлять десятки і навіть сотні мільйонів доларів.
Багато дочірніх підприємств «Северсталі» не мають власних потужностей з виробництва електроенергії і купують її на оптовому ринку. Такі компанії подають заявки, вказуючи, скільки електроенергії вони готові купити в певний день і за якою ціною. Якщо фактичне споживання відрізняється від заявленого прогнозу, то споживач сплачує додатковий тариф. Таким чином, через недосконалий прогноз додаткові витрати на електроенергію можуть сягати кількох мільйонів доларів на рік для компанії в цілому.
рішення
«Северсталь» звернулася до SAP, яка запропонувала використовувати технології IoT і машинного навчання для точного прогнозування споживання енергії.
Рішення розгорнуто Центром технологічного розвитку «Северсталі» на шахтах «Воркутавугілля», які не мають власних генеруючих потужностей і є єдиним споживачем на оптовому ринку електроенергії. Розроблена система регулярно збирає дані з 2,5 тисяч приладів обліку з усіх підрозділів «Северсталі» про плани і фактичні значення проходки і видобутку в усіх підземних зонах і на діючій шахті, а також про поточні рівні споживання енергії. . Збір значень і перерахунок моделі відбувається на основі отриманих даних щогодини.
реалізація
Прогнозний аналіз із застосуванням технології машинного навчання дає змогу не лише точніше передбачити майбутнє споживання, але й виділити аномалії споживання електроенергії. Також вдалося виявити кілька характерних закономірностей для зловживань у цій сфері: наприклад, відомо, як «виглядає» несанкціоноване підключення та робота криптомайнінгової ферми.
Результати
Запропоноване рішення дозволяє суттєво покращити якість прогнозу енергоспоживання (на 20–25% щомісяця) та економити від $10 млн щорічно за рахунок зменшення штрафів, оптимізації закупівель та протидії крадіжкам електроенергії.
Плани на майбутнє
У майбутньому система може бути розширена для аналізу споживання інших ресурсів, що використовуються у виробництві: інертних газів, кисню та природного газу, різних видів рідкого палива.
Підпишіться та слідкуйте за нами в Яндекс.Дзен — технології, інновації, економіка, освіта та обмін в одному каналі.