Модели оперативного прогнозирования энергопотребления дуговых сталеплавильных печей с использованием методов машинного обучения

Авторы

  • Саидмуродов Бегмурод Рахимбекович Уральский федеральный университет имени первого Президента России Б. Н. Ельцина
  • Кокин Сергей Евгеньевич Уральский федеральный университет имени первого Президента России Б. Н. Ельцина https://orcid.org/0000-0001-7493-172X

DOI:

https://doi.org/10.25206/1813-8225-2025-195-79-84

Ключевые слова:

прогнозирование энергопотребления, дуговые сталеплавильные печи, машинное обучение, нейронные сети, управление энергопотреблением, оптимизация параметров, интеллектуальные системы управления, большие данные.

Аннотация

В статье рассматриваются модели прогнозирования энергопотребления электродуговых печей с использованием методов машинного обучения. Изучены классические подходы, такие как анализ временных рядов, регрессионные модели и методы экспоненциального сглаживания, а также современные технологии, включая градиентный бустинг (XGBoost, LightGBM) и нейронные сети (LSTM, CNN). Особое внимание уделено методам оптимизации параметров, таким как перебор по сетке (Grid Search), генетические алгоритмы и байесовская оптимизация, которые повышают точность и адаптивность моделей. Рассматриваются преимущества гибридных моделей, объединяющих классические и машинные методы для учета как линейных, так и нелинейных зависимостей. Обсуждаются практические аспекты внедрения предложенных подходов в управление энергопотреблением, направленные на снижение затрат, повышение устойчивости и оптимизацию производственных процессов.

Скачивания

Данные скачивания пока недоступны.

Биографии авторов

Саидмуродов Бегмурод Рахимбекович, Уральский федеральный университет имени первого Президента России Б. Н. Ельцина

аспирант кафедры автоматизированных электрических систем Уральского федерального университета имени первого Президента России Б. Н. Ельцина (УрФУ), г. Екатеринбург.

Кокин Сергей Евгеньевич, Уральский федеральный университет имени первого Президента России Б. Н. Ельцина

доктор технических наук, профессор (Россия), заведующий кафедрой автоматизированных электрических систем УрФУ, г. Екатеринбург.

Библиографические ссылки

(1). Sen P., Roy M., Pal P. Application of ARIMA for forecasting energy consumption and GHG emission: A case study of an Indian pig iron manufacturing organization. Energy. 2016. Vol. 116. P. 1031–1038. DOI: 10.1016/j.apenergy.2020.114946.

(2). Nie H., Liu G., Liu X., Wang Y. Hybrid of ARIMA and SVMs for short-term load forecasting. Energy Procedia. 2012. Vol. 16, part C. P. 1455–1460. DOI: 10.1016/j.egypro.2012.01.229.

(3). Balouji E., Salor Ö., Ermis M. Exponential smoothing of multiple reference frame components with GPUs for real-time detection of time-varying harmonics and interharmonics of EAF currents. IEEE Transactions on Industry Applications. 2017. Vol. 54 (6). P. 6566–6575. DOI: 10.1109/IAS.2017.8101815.

(4). Reimann A., Hay T., Echterhof T. [et al.]. Application and evaluation of mathematical models for prediction of the electric energy demand using plant data of five industrial-size EAFs. Metals. 2021. Vol. 11, no. 9. P. 1348. DOI: 10.3390/met11091348.

(5). Sen P., Roy M., Pal P. Application of ARIMA for forecasting energy consumption and GHG emission: A case study of an Indian pig iron manufacturing organization. Energy. 2016. Vol. 116, Part 1. P. 1031–1038. DOI: 10.1016/j.energy.2016.10.068.

(6). Oliveira E. M., Oliveira F. L. C. Forecasting mid-long term electric energy consumption through bagging ARIMA and exponential smoothing methods. Energy. 2018. Vol. 144. P. 776–788. DOI: 10.1016/j.energy.2017.12.049.

(7). Loh P. C., Tang Y., Blaabjerg F., Wang P. Mixed-frame and stationary-frame repetitive control schemes for compensating typical load and grid harmonics. IET Power Electronics. 2011. Vol. 4, issue 2. P. 218–226. DOI: 10.1049/iet-pel.2009.0222.

(8). Егоров Д. Б., Захаров С. Д., Егорова А. О. Современные методы анализа и прогнозирования временных рядов и их применение в медицине // Врач и информационные технологии. 2020. № 1. С. 21–26. DOI: 10.37690/1811-0193-2020-1-21-26. EDN: HRGODU.

Egorov D. B., Zakharov S. D., Egorova A. O. Sovremennyye metody analiza i prognozirovaniya vremennykh ryadov i ikh primeneniye v meditsine [Modern methods of analysis and forecasting of time series and use in medicine]. Vrach i informatsionnyye tekhnologii. Medical Doctor and Information Technologies. 2020. No. 1. P. 21–26. DOI: 10.37690/1811-0193-2020-1-21-26. EDN: HRGODU. (In Russ.).

(9). Carlsson L. S., Samuelsson P. B., Jönsson P. G. Predicting the electrical energy consumption of electric arc furnaces using statistical modeling. Metals. 2019. Vol. 9 (9). 959. DOI: 10.3390/met9090959.

(10). Yang L., Li Z., Hu H. [et al.]. Evaluation of energy utilization efficiency and optimal energy matching model of EAF steelmaking based on association rule mining. Metals. 2024. Vol. 14 (4). 458. DOI: 10.3390/met14040458.

(11). Zhuo Q., Al-Harbi M. N., Pistorius P. C. Feature engineering to embed process knowledge: Analyzing the energy efficiency of electric arc furnace steelmaking. Metals. 2025. Vol. 15 (1). DOI: 10.3390/met15010013.

(12). Chavosh Nejad M., Hadavandi E., Nakhostin M. M., Mehmanpazir F. A data-driven model for energy consumption analysis along with sustainable production: A case study in the steel industry. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects. 2022. Vol. 44 (2) P. 3360–3380. DOI: 10.1080/15567036.2022.2064943.

(13). Pǎnoiu M., Pǎnoiu C. Hybrid deep neural network approaches for power quality analysis in electric arc furnaces. Mathematics. 2024. Vol. 12 (19). 3071. DOI: 10.3390/math12193071.

(14). Carlsson L. S., Samuelsson P. B., Jönsson P. G. Using statistical modeling to predict the electrical energy consumption of an electric arc furnace producing stainless steel. Metals. 2020. Vol. 10 (1). 36. DOI: 10.3390/met10010036.

(15). Gajic D., Gajic I. S., Savic I. [et al.]. Modelling of electrical energy consumption in an electric arc furnace using artificial neural networks. Energy. 2016. Vol. 108. P. 132–139. DOI: 10.1016/j.energy.2015.07.068.

(16). Kirschen M., Risonarta V., Pfeifer H. Energy efficiency and the influence of gas burners to the energy related carbon dioxide emissions of electric arc furnaces in steel industry. Energy. 2009. Vol. 34 (9). P. 1065–1072. DOI: 10.1016/j.energy.2009.04.015.

(17). Trejo E., Martell F., Micheloud O. [et al.]. A novel estimation of electrical and cooling losses in electric arc furnaces. Energy. 2012. Vol. 42 (1). P. 446–456. DOI: 10.1016/j.energy.2012.03.024.

(18). Fathi A., Saboohi Y., Škrjanc I., Logar V. Comprehensive electric arc furnace model for simulation purposes and model-based control. Steel Research International. 2016. Vol. 83. 600083. DOI: 10.1002/srin.201600083.

(19). Keplinger T., Haider M., Steinparzer T. [et al.]. Modeling, simulation, and validation with measurements of a heat recovery hot gas cooling line for electric arc furnaces. Steel Research International. 2018. Vol. 89. 1800009. DOI: 10.1002/srin.201800009.

Загрузки


Просмотров аннотации: 36

Опубликован

22.09.2025

Как цитировать

[1]
Саидмуродов, Б.Р. и Кокин, С.Е. 2025. Модели оперативного прогнозирования энергопотребления дуговых сталеплавильных печей с использованием методов машинного обучения. ОМСКИЙ НАУЧНЫЙ ВЕСТНИК. 3(195) (сен. 2025), 79–84. DOI:https://doi.org/10.25206/1813-8225-2025-195-79-84.

Выпуск

Раздел

Энергетика и электротехника