PAO Severstal е стоманодобивна и минна компания, която притежава Череповецкия металургичен завод, вторият по големина в нашата страна. През 2019 г. компанията е произвела 11,9 милиона тона стомана с приходи от 8,2 милиарда долара
Бизнес случай на PAO Severstal
Task
Severstal реши да минимизира загубите на компанията поради погрешни прогнози за потреблението на електроенергия, както и да премахне неразрешените връзки към мрежата и кражбите на електроенергия.
Предистория и мотивация
Металургичните и минните компании са сред най-големите потребители на електроенергия в индустрията. Дори и при много висок дял на собствено производство, годишните разходи на предприятията за електроенергия възлизат на десетки и дори стотици милиони долари.
Много от дъщерните дружества на Северстал нямат собствени мощности за производство на електроенергия и я купуват на пазара на едро. Такива компании подават оферти, в които посочват колко електроенергия са готови да купят за даден ден и на каква цена. Ако реалното потребление се различава от декларираното прогнозно, тогава потребителят заплаща допълнителна тарифа. Така, поради несъвършена прогноза, допълнителните разходи за електроенергия могат да достигнат до няколко милиона долара годишно за компанията като цяло.
Решение
Severstal се обърна към SAP, която предложи да използва IoT и технологии за машинно обучение за точно прогнозиране на потреблението на енергия.
Решението е внедрено от Центъра за технологично развитие на Северстал в мините Vorkutaugol, които нямат собствени производствени мощности и са единственият потребител на пазара на електроенергия на едро. Разработената система редовно събира данни от 2,5 хиляди измервателни устройства от всички подразделения на Северстал относно плановете и действителните стойности на проникване и производство във всички подземни зони и в активната въглищна мина, както и за текущите нива на потребление на енергия . Събирането на стойности и преизчисляването на модела се извършва на базата на получени данни на всеки час.
изпълнение
Прогнозният анализ с помощта на технология за машинно обучение дава възможност не само за по-точно прогнозиране на бъдещото потребление, но и за подчертаване на аномалии в потреблението на електроенергия. Също така беше възможно да се идентифицират няколко характерни модела за злоупотреби в тази област: например, известно е как „изглежда“ неоторизирана връзка и работа на ферма за криптодобив.
Резултатите
Предложеното решение позволява значително да се подобри качеството на прогнозата за потребление на енергия (с 20–25% месечно) и да се спестят от $10 милиона годишно чрез намаляване на глобите, оптимизиране на покупките и противодействие на кражбата на електроенергия.
Планове за бъдещето
В бъдеще системата може да бъде разширена, за да анализира потреблението на други ресурси, използвани в производството: инертни газове, кислород и природен газ, различни видове течни горива.
Абонирайте се и ни следвайте в Yandex.Zen — технологии, иновации, икономика, образование и споделяне в един канал.