Краткосрочное прогнозирование нагрузки предприятия нефтегазовой промышленности с использованием технологических факторов и аддитивного объяснения Шепли

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

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. 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. 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. 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.

1. 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 EmergingTechnologies for Sustainable Development (OTCON). – 2023. – P. 1-5. – DOI: 10.1109/OTCON56053.2023.10114037.

2. 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.

3. 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.

4. Газпромэнерго: офиц. сайт: Система энергетического менеджмента. – URL: https://gazpromenergo.gazprom.ru/ecology/ism/energysystem/ (дата доступа: 05.04.2024)

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. Себельдин, А. С. Необходимость краткосрочного прогнозирования энергопотребления объектов нефтегазодобычи / А. С. Себельдин // Молодой ученый. — 2023. — № 52 (499). — С. 42-44.

12. 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.

13. 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.

14. 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.

15. 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.

16. 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.

17. 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.

18. 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.

19. 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.

20. 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.