probenerИзвестия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИPower engineering: research, equipment, technology1998-99032658-5456Kazan State Power Engineering University10.30724/1998-9903-2024-26-4-75-88probener-3103Research ArticleЭЛЕКТРОТЕХНИЧЕСКИЕ КОМПЛЕКСЫ И СИСТЕМЫELECTROTECHNICAL COMPLEXES AND SYSTEMSКраткосрочное прогнозирование нагрузки предприятия нефтегазовой промышленности с использованием технологических факторов и аддитивного объяснения ШеплиShort-term forecasting of consumption of the oil and gas enterprises using technological factors and Shapley additive explanationshttps://orcid.org/0000-0002-3484-2295СтепановаА. И.StepanovaA. I.

Степанова Алина Игоревна – младший научный сотрудник научной лаборатории цифровых двойников в электроэнергетике

г. Екатеринбург

Alina I. Stepanova

Ekaterinburg

a.i.stepanova@urfu.ruhttps://orcid.org/0000-0001-5327-6076ХальясмааА. И.KhalyasmaaA. I.

Хальясмаа Александра Ильмаровна – канд. техн. наук, доц., заведующий научной лабораторией цифровых двойников в электроэнергетике

г. Екатеринбург

Alexandra I. Khalyasmaa

Ekaterinburg

a.i.khaliasmaa@urfu.ruhttps://orcid.org/0000-0001-5704-0976МатренинП. В.MatreninP. V.

Матренин Павел Викторович – канд. техн. наук, ведущий научный сотрудник научной лаборатории цифровых двойников в электроэнергетике

г. Екатеринбург

Pavel V. Matrenin

Ekaterinburg

p.v.matrenin@urfu.ruФГАОУ ВО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина»РоссияUral Federal University named after the first President of Russia B. N. YeltsinRussian Federation2024220920242647588Copyright © Степанова А.И., Хальясмаа А.И., Матренин П.В., 20242024Степанова А.И., Хальясмаа А.И., Матренин П.В.Stepanova A.I., Khalyasmaa A.I., Matrenin P.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.energyret.ru/jour/article/view/3103

АКТУАЛЬНОСТЬ исследования заключается в разработке системы краткосрочного прогнозирования потребления электрической энергии предприятием нефтегазовой промышленности с учетом технологических факторов и интерпретацией формируемых прогнозов.

ЦЕЛЬ

ЦЕЛЬ. Рассмотреть проблемы краткосрочного прогнозирования. Проверить применимость мультиагентного подхода для выделения факторов, используемых для построения модели краткосрочного прогнозирования потребления электрической энергии предприятием нефтегазовой промышленности. Построить модели краткосрочного прогноза потребления на базе алгоритмов машинного обучения. Исследовать влияние технологических факторов на точность прогнозирования. Применить и проанализировать метод аддитивного объяснения Шепли для интерпретации результатов прогноза.

МЕТОДЫ

МЕТОДЫ. Предобработка данных, построение и тестирование моделей машинного обучения при решении поставленных задач было выполнено на языке программирования Python 3 с применением библиотек с открытым исходным кодом Scikit-Learn, XGBoost, LightGBM, Shap.

РЕЗУЛЬТАТЫ

РЕЗУЛЬТАТЫ. В статье описана актуальность темы краткосрочного прогнозирования потребления электрической энергии предприятием нефтегазовой промышленности в рамках ESG-подхода. Разработан метод выбора признаков, используемых для построения модели машинного обучения с использованием мультиагентного подхода. Построены модели машинного обучения. Проведены эксперименты с учетом ретроспективы потребления и технологических факторов. Сделана интерпретация формируемых моделью прогнозов с использованием алгоритма адаптивного объяснения Шепли.

ЗАКЛЮЧЕНИЕ

ЗАКЛЮЧЕНИЕ. Использование технологических факторов потребления электрической энергии компрессорными цехами и аппаратами воздушного охлаждения позволило уменьшить среднюю относительную ошибку прогноза потребления электрической энергии рассматриваемого предприятия с 8,82 % до 3,65 %. Применение адаптивного объяснения Шепли позволяет интерпретировать прогнозы моделей машинного обучения и подтверждает необходимость учета технологических факторов при решении задачи краткосрочного прогнозирования нагрузки предприятия нефтегазовой промышленности.

RELEVANCE of the study lies in the development of system for the short-term forecasting of power consumption by the enterprise of the oil and gas industry with consideration of technological factors and interpretation of their influence on the result of the forecast.

THE PURPOSE

THE PURPOSE. To consider the problems of short-term forecasting. To test the applicability of the multi-agent approach to determine the features used to build a machine learning model of short-term forecasting of power consumption. To build machine learning models. To study the influence of technological factors on the accuracy of forecasting of power consumption. To apply the SHapley Additive exPlanations and analyze its interpretation of the forecasting results.

METHODS

METHODS. Pre-processing of the dataset, construction and testing of machine learning models were made in the programming language Python 3 using opensource libraries Scikit-Learn, XGBoost, LightGBM, Shap.

RESULTS

RESULTS. The article describes the relevance of the topic of short-term forecasting of power consumption by the enterprise of the oil and gas industry within the ESG-approach. The method of selecting the features used using a multi-agent approach to build a machine learning model was developed. Machine learning models were built. Experimentations with the consideration of different features were made. Interpretation of results using SHapley Additive exPlanations was made.

CONCLUSION

CONCLUSION. The use of technological factors of power consumption of compressor yards and natural gas air coolers allowed to increase the accuracy of forecast of power consumption from 8.82 % to 3.65 %. The application of the SHapley Additive exPlanations allows to interpret the results of machine learning models and confirms the need to consider technological factors in the task of short-term forecasting of power consumption of oil and gas industry.

анализ системных свойств и связейструктурный анализ предприятия нефтегазовой промышленностиметоды машинного обученияповышение энергетической эффективностикраткосрочное прогнозирование потребления электрической энергииаддитивное объяснение Шеплиanalysis of system properties and connectionsstructural analysis of the oil and gas industry enterprisemachine learningincrease of energy efficiencyshort-term forecasting of power consumptionSHapley Additive exPlanationsРабота выполнена в рамках государственного задания при финансовой поддержке Министерства науки и высшего образования Российской Федерации (тема № FEUZ-2022–0030 Разработка интеллектуальной мультиагентной системы для моделирования глубоко интегрированных технологических систем в электроэнергетике).The research was carried out within the state assignment with the financial support of the Ministry of Science and Higher Education of the Russian Federation (subject № FEUZ-2022–0030 Development of an intelligent multi-agent system for modeling deeply integrated technological systems in the power industry).ReferencesJagyasi, D. Implementation of ESG Index on Long-term Value and Performance of Oganizations Using AI and ML / D. Jagyasi, A. R. Raut // 2022 OPJU International Technology Conference on EmergingTechnologies for Sustainable Development (OTCON). – 2023. – P. 1-5. – DOI: 10.1109/OTCON56053.2023.10114037.Jagyasi, D. Implementation of ESG Index on Long-term Value and Performance of Oganizations Using AI and ML / D. Jagyasi, A. R. Raut // 2022 OPJU International Technology Conference on Emerging Technologies for Sustainable Development (OTCON). – 2023. – P. 1-5. – DOI: 10.1109/OTCON56053.2023.10114037.Forliano, C. The mediating role of R&D investments in the relationship between awarded grants and ESG performance / C. Forliano, J. Ballerini, P. De Bernardi, R. Quaglia // 2022 IEEE International Conference on Technology Management, Operations and Decisions (ICTMOD). – 2022. – P. 1-5. – DOI: 10.1109/ICTMOD55867.2022.10041825.Forliano, C. The mediating role of R&D investments in the relationship between awarded grants and ESG performance / C. Forliano, J. Ballerini, P. De Bernardi, R. Quaglia // 2022 IEEE International Conference on Technology Management, Operations and Decisions (ICTMOD). – 2022. – P. 1-5. – DOI: 10.1109/ICTMOD55867.2022.10041825.Cabaleiro-Cervino, G. ESG-driven innovation strategy and firm performance / G. Cabaleiro-Cervino, P. Mendi // Eurasian Bus Review. – 2024. – Vol. 14. – P. 137–185. – DOI: 10.1007/s40821-024-00254-x.Cabaleiro-Cervino, G. ESG-driven innovation strategy and firm performance / G. Cabaleiro-Cervino, P. Mendi // Eurasian Bus Review. – 2024. – Vol. 14. – P. 137–185. – DOI: 10.1007/s40821-024-00254-x.Газпромэнерго: офиц. сайт: Система энергетического менеджмента. – URL: https://gazpromenergo.gazprom.ru/ecology/ism/energysystem/ (дата доступа: 05.04.2024)Gazpromenergo: Sistema energeticheskogo menedzhmenta [Energy management system]. – URL: https://gazpromenergo.gazprom.ru/ecology/ism/energysystem/ (access date: 05.04.2024). (in Russ.)Аллаххах, Х. "Зелёный" компромисс: инновационный потенциал нефтегазовой промышленности в условиях декарбонизации / Х. Аллаххах, Т. Г. Максимова // Экономический вектор. – 2023. - № 2(33). – С. 96–101. ISSN 2411-7269.Allakhkhakh, Kh. "Zelenyi" kompromiss: innovatsionnyi potentsial neftegazovoi promyshlennosti v usloviyakh dekarbonizatsii ["Green" compromise: the innovative potential of the oil and gas industry under decarbonization conditions] / Kh. Allakhkhakh, T. G. Maksimova // Ekonomicheskii vector [Economic vector]. – 2023. - № 2(33). – P. 96–101. ISSN 2411-7269. (in Russ.)Lee, E. Load Profile Segmentation for Effective Residential Demand Response Program: Method and Evidence from Korean Pilot Study / E. Lee, J. Kim, D. Jang // Energies. – 2020. – Vol.13(6). – 1348. – DOI: 10.3390/en13061348.Lee, E. Load Profile Segmentation for Effective Residential Demand Response Program: Method and Evidence from Korean Pilot Study / E. Lee, J. Kim, D. Jang // Energies. – 2020. – Vol. 13(6). – 1348. – DOI: 10.3390/en13061348.Серебряков, Н.А. Выбор оптимальной архитектуры и конфигурации нейросети в задачах краткосрочного прогнозирования электропотребления гарантирующего поставщика электроэнергии / Н.А. Серебряков // Вести высших учебных заведений черноземья. – 2021. – Т. 17. – № 2(64). – С. 26-42.Serebryakov, N.A. Vybor optimal'noi arkhitektury i konfiguratsii neiroseti v zadachakh kratkosrochnogo prognozirovaniya elektropotrebleniya garantiruyushchego postavshchika elektroenergii / N.A. Serebryakov [Selection of optimal architecture and configuration of the neural network in the tasks of short-term forecasting of electricity consumption of the guaranteeing supplier] // Bulletin of the Chernozem Region of Higher Education. – 2021. – Т. 17. – № 2(64). – С. 26-42. (in Russ.)Li, K. A Short-Term Forecasting Approach for Regional Electricity Power Consumption by Considering Its Co-movement with Economic Indices / K. Li, Z. Yang, D. Li, Y. Y. Xing, W. Nai // 2020 IEEE 5th Information Technology and Mechatronics Engineering Conference (ITOEC). – 2020. – P. 551-555. – DOI: 10.1109/ITOEC49072.2020.9141928.Li, K. A Short-Term Forecasting Approach for Regional Electricity Power Consumption by Considering Its Co-movement with Economic Indices / K. Li, Z. Yang, D. Li, Y. Y. Xing, W. Nai // 2020 IEEE 5th Information Technology and Mechatronics Engineering Conference (ITOEC). – 2020. – P.551- 555. – DOI: 10.1109/ITOEC49072.2020.9141928.Caro, E. Optimal Selection of Weather Stations for Electric Load Forecasting / E. Caro, J. Juan and S. Nouhitehrani // IEEE Access. – 2023. – Vol. 11. – P. 42981-42990. DOI: 10.1109/ACCESS.2023.3270933.Caro, E. Optimal Selection of Weather Stations for Electric Load Forecasting / E. Caro, J. Juan and S. Nouhitehrani // IEEE Access. – 2023. – Vol. 11. – P. 42981-42990. DOI: 10.1109/ACCESS.2023.3270933.Babich, L. Industrial Power Consumption Forecasting Methods Comparison / L. Babich, D. Svalov, A. Smirnov and M. Babich // 2019 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). – 2019. – P. 307-309. – DOI: 10.1109/USBEREIT.2019.8736640.Babich, L. Industrial Power Consumption Forecasting Methods Comparison / L. Babich, D. Svalov, A. Smirnov and M. Babich // 2019 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). – 2019. – P. 307-309. – DOI: 10.1109/USBEREIT.2019.8736640.Себельдин, А. С. Необходимость краткосрочного прогнозирования энергопотребления объектов нефтегазодобычи / А. С. Себельдин // Молодой ученый. — 2023. — № 52 (499). — С. 42-44.Sebel'din, A. S. Neobkhodimost' kratkosrochnogo prognozirovaniya energopotrebleniya ob"ektov neftegazodobychi [Need for short-term energy forecasting of oil and gas production facilities] / A. S. Sebel'din // Molodoi uchenyi [Young scientist]. — 2023. — № 52 (499). — С. 42-44. (in Russ.)Madhukumar, M. Regression Model-Based Short-Term Load Forecasting for University Campus Load / M. Madhukumar, A. Sebastian, X. Liang, M. Jamil and M. N. S. K. Shabbir // IEEE Access. – 2022. – Vol. 10. – P. 8891-8905. DOI: 10.1109/ACCESS.2022.3144206.Madhukumar, M. Regression Model-Based Short-Term Load Forecasting for University Campus Load / M. Madhukumar, A. Sebastian, X. Liang, M. Jamil and M. N. S. K. Shabbir // IEEE Access. – 2022. – Vol. 10. – P. 8891-8905. DOI: 10.1109/ACCESS.2022.3144206.Sergeev, N. Improving Accuracy of Machine Learning Based Short-Term Load Forecasting Models with Correlation Analysis and Feature Engineering / N. Sergeev, P. Matrenin // Proc. 2023 IEEE 24th International Conference of Young Professionals in Electron Devices and Materials (EDM). – 2023. – P. 1000-1004. – DOI: 10.1109/EDM58354.2023.10225058.Sergeev, N. Improving Accuracy of Machine Learning Based Short-Term Load Forecasting Models with Correlation Analysis and Feature Engineering / N. Sergeev, P. Matrenin // Proc. 2023 IEEE 24th International Conference of Young Professionals in Electron Devices and Materials (EDM). – 2023. – P. 1000-1004. – DOI: 10.1109/EDM58354.2023.10225058.Ahmed, G. From Artificial Intelligence to Explainable Artificial Intelligence in Industry 4.0: A Survey on What, How, and Where / I. Ahmed, G. Jeon, F. Piccialli // IEEE Transactions on Industrial Informatics. – 2022. – Vol. 18. – No. 8. – PP. 5031-5042. – DOI: 10.1109/TII.2022.3146552.Ahmed, G. From Artificial Intelligence to Explainable Artificial Intelligence in Industry 4.0: A Survey on What, How, and Where / I. Ahmed, G. Jeon, F. Piccialli, // IEEE Transactions on Industrial Informatics. – 2022. – Vol. 18. – No. 8. – PP. 5031-5042. – DOI: 10.1109/TII.2022.3146552.Matrenin, P. V. Solar Irradiance Forecasting with Natural Language Processing of Cloud Observations and Interpretation of Results with Modified Shapley Additive Explanations / P.V. Matrenin, V.V. Gamaley, A.I. Khalyasmaa, A.I. Stepanova // Algorithms. – 2024. – Vol. 17. – 150. – DOI: 10.3390/a17040150.Matrenin, P. V. Solar Irradiance Forecasting with Natural Language Processing of Cloud Observations and Interpretation of Results with Modified Shapley Additive Explanations / P.V. Matrenin, V.V. Gamaley, A.I. Khalyasmaa, A.I. Stepanova // Algorithms. – 2024. – Vol. 17. – 150. – DOI: 10.3390/a17040150.Balaji, P.G. An Introduction to Multi-Agent Systems. Innovations in Multi-Agent Systems and Applications-1 / P. G. Balaji, D. Srinivasan // Studies in Computational Intelligence. – 2010. – Vol. 310. – P. 1-27. – DOI: 10.1007/978-3-642-14435-6_1.Balaji, P.G. An Introduction to Multi-Agent Systems. Innovations in Multi-Agent Systems and Applications-1 / P. G. Balaji, D. Srinivasan // Studies in Computational Intelligence. – 2010. – Vol. 310. – P. 1-27. – DOI: 10.1007/978-3-642-14435-6_1.Bui, V-H. Q-Learning-Based Operation Strategy for Community Battery Energy Storage System (CBESS) in Microgrid System / V.-H. Bui, A. Hussain, H.-M. Kim // Energies. – 2019. – Vol. 12(9). – 1789. – DOI: 10.3390/en12091789.Bui, V-H. Q-Learning-Based Operation Strategy for Community Battery Energy Storage System (CBESS) in Microgrid System / V.-H. Bui, A. Hussain, H.-M. Kim // Energies. – 2019. – Vol. 12(9). – 1789. – DOI: 10.3390/en12091789.Li, Q. Review of Deep Reinforcement Learning and Its Application in Modern Renewable Power System Control / Q. Li, T. Lin, Q. Yu, H. Du, J. Li, X. Fu, Q. Li // Energies. – 2023. – Vol. 16(10). – 4143. – DOI: 10.3390/en16104143.Li, Q. Review of Deep Reinforcement Learning and Its Application in Modern Renewable Power System Control / Q. Li, T. Lin, Q. Yu, H. Du, J. Li, X. Fu, Q. Li // Energies. – 2023. – Vol. 16(10). – 4143. – DOI: 10.3390/en16104143.Антоненков, Д.В. Исследование ансамблевых и нейросетевых методов машинного обучения в задаче краткосрочного прогнозирования электропотребления горных предприятий / Д.В. Антоненков, П.В. Матренин // Электротехнические системы и комплексы. – 2021. – № 3(52). – С. 57-65. – DOI: 10.18503/2311-8318-2021-3(52)-57-65.Antonenkov, D.V. Issledovanie ansamblevykh i neirosetevykh metodov mashinnogo obucheniya v zadache kratkosrochnogo prognozirovaniya elektropotrebleniya gornykh predpriyatii [Study of ensemble and neural network machine learning methods in the task of short-term forecasting of electrical consumption of mining enterprises] / D.V. Antonenkov, P.V. Matrenin // Elektrotekhnicheskie sistemy i kompleksy [Electrical systems and systems]. – 2021. – № 3(52). – С. 57-65. – DOI: 10.18503/2311-8318-2021-3(52)-57-65.Li, S. Enhancing LightGBM for Industrial Fault Warning: An Innovative Hybrid Algorithm / S. Li, S. N. Jin, A. Dogani, Y. Yang, M. Zhang, X. Gu // Processes. – 2024. – Vol. 12(1). – 221. – DOI: 10.3390/pr12010221.Li, S. Enhancing LightGBM for Industrial Fault Warning: An Innovative Hybrid Algorithm / S. Li, S. N. Jin, A. Dogani, Y. Yang, M. Zhang, X. Gu // Processes. – 2024. – Vol. 12(1). – 221. – DOI: 10.3390/pr12010221.

The authors declare that there are no conflicts of interest present.