Предиктивна Адаптація При Управлінні Портфелем Проектів Енергозбереження На Металургійному Підприємстві

Кійко, С.Г.

doi:10.30748/nitps.2020.41.16

Cited by 2 publications

(1 citation statement)

References 4 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…In large energy-intensive industries, the share of electricity bills in the cost of production can reach tens of percent (for example, in metallurgical production, it is 11% -30%) [4], and in a market economy, the prime cost of production will determine its competitiveness. Thus, in the conditions of modern energy market for large enterprises and mining industries it is important to create a system of hourly electricity consumption, which minimizes the deviation of power consumption from the declared.…”

Section: Introductionmentioning

confidence: 99%

Neural Network Forecasting of Energy Consumption of a Metallurgical Enterprise

Bakurova

Yuskiv

Shyrokorad

et al. 2021

ITSSI

View full text Add to dashboard Cite

The subject of the research is the methods of constructing and training neural networks as a nonlinear modeling apparatus for solving the problem of predicting the energy consumption of metallurgical enterprises. The purpose of this work is to develop a model for forecasting the consumption of the power system of a metallurgical enterprise and its experimental testing on the data available for research of PJSC "Dneprospetsstal". The following tasks have been solved: analysis of the time series of power consumption; building a model with the help of which data on electricity consumption for a historical period is processed; building the most accurate forecast of the actual amount of electricity for the day ahead; assessment of the forecast quality. Methods used: time series analysis, neural network modeling, short-term forecasting of energy consumption in the metallurgical industry. The results obtained: to develop a model for predicting the energy consumption of a metallurgical enterprise based on artificial neural networks, the MATLAB complex with the Neural Network Toolbox was chosen. When conducting experiments, based on the available statistical data of a metallurgical enterprise, a selection of architectures and algorithms for learning neural networks was carried out. The best results were shown by the feedforward and backpropagation network, architecture with nonlinear autoregressive and learning algorithms: Levenberg-Marquard nonlinear optimization, Bayesian Regularization method and conjugate gradient method. Another approach, deep learning, is also considered, namely the neural network with long short-term memory LSTM and the adam learning algorithm. Such a deep neural network allows you to process large amounts of input information in a short time and build dependencies with uninformative input information. The LSTM network turned out to be the most effective among the considered neural networks, for which the indicator of the maximum prediction error had the minimum value. Conclusions: analysis of forecasting results using the developed models showed that the chosen approach with experimentally selected architectures and learning algorithms meets the necessary requirements for forecast accuracy when developing a forecasting model based on artificial neural networks. The use of models will allow automating high-precision operational hourly forecasting of energy consumption in market conditions. Keywords: energy consumption; forecasting; artificial neural network; time series.

show abstract

Section: Introductionmentioning

confidence: 99%

Neural Network Forecasting of Energy Consumption of a Metallurgical Enterprise

Bakurova

Yuskiv

Shyrokorad

et al. 2021

ITSSI

View full text Add to dashboard Cite

show abstract

Управління Ризиками При Реалізації Енергетичної Програми Підприємства

Кійко¹

2020

soivt

View full text Add to dashboard Cite

Сьогодні для авіабудування ПрАТ “Дніпроспецсталь” виплавляє більше ста марок сталей і сплавів з особливими експлуатаційними властивостями. Подальший розвиток підприємства та забезпечення конкурентоспроможності цієї та іншої продукції пов’язано з управлінням портфелем енергозберігаючих проектів, спрямованих на виконання таких завдань, як оптимізація енергетичного балансу, мінімізація споживання енергоресурсів, оптимізація енергоефективності та ін. На прикладі ПрАТ “Дніпроспецсталь” розглянуто основні етапи процесу управління ризиками для підприємств оборонно-промислового комплексу України. Акцент зроблено на розробці методів і моделей формування портфеля проектів енергозбереження з урахуванням стратегічних цілей обмеженості ресурсів і ризиків, яка дозволяла б здійснювати багатокритерійний вибір проектів, враховуючи при цьому: різноманітність вирішуваних завдань на металургійних підприємствах; планування реалізації проектів в різному часовому аспекті, що існують між проектами взаємозв'язку і координаційні узгодження, ризики, а також механізми фінансування. Розглянуто організаційні аспекти управління ризиками при реалізації проектів енергозбереження на металургійному підприємстві. В результаті реалізації процесів системи управління ризиками визначено перелік критичних ризиків і їх власників, проведена оцінка причин ризиків, розроблені заходи щодо їх управління. Розглянуто методи аналізу ризиків та невизначеності при управлінні портфелем проектів з використанням методів матриць взаємовпливу, векторного аналізу і багатокритеріальної експертної оцінки сукупного ризику. Практичне застосування такого підходу істотно підвищує можливість вибору найкращого проекту для реалізації з урахуванням сукупного ризику проекту в портфелі. Крім того, це дає можливість визначити і оцінити взаємовплив проектів через зміну сукупних ризиків проектів при їх одночасній реалізації. За допомогою запропонованого підходу і моделей оцінювання ризиків був сформований портфель проектів енергозбереження ПрАТ “Дніпроспецсталь”, куди увійшли перспективні до реалізації проекти у відповідності до енергетичної стратегії.

show abstract

Предиктивна Адаптація При Управлінні Портфелем Проектів Енергозбереження На Металургійному Підприємстві

Cited by 2 publications

References 4 publications

Neural Network Forecasting of Energy Consumption of a Metallurgical Enterprise

Neural Network Forecasting of Energy Consumption of a Metallurgical Enterprise

Управління Ризиками При Реалізації Енергетичної Програми Підприємства

Contact Info

Product

Resources

About