Розробка прогнозуючої моделі для оптимізації енергоспоживання на вугільних підприємствах

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2025.345073

Ключові слова:

режим споживання енергії, вугільна шахта, часові ряди, ARIMA, експоненціальне згладжування, нейронна мережева модель, LSTM, MAPE, тестова вибірка, стаціонарність

Анотація

Об’єктом дослідження є щоденні дані про споживання електроенергії однією з вугільних шахт Карагандинського басейну за 2024 рік. Вирішується проблема відсутності точних інструментів, які можуть прогнозувати складні та змінні режими споживання енергії у вугільній шахті та тим самим забезпечувати більш ефективне управління енергоємними установками.

Представлено порівняльний аналіз трьох моделей прогнозування попиту на електроенергію з використанням даних з вугільної шахти Карагандинського басейну за 2024 рік. В роботі досліджується ефективність як класичних підходів (сезонна модель ARIMA та просте експоненціальне згладжування), так і моделі нейронної мережі LSTM. Для обробки нестаціонарних даних було застосовано метод першої різниці, що дозволило зробити часові ряди стаціонарними. Прогноз було згенеровано на 7 днів вперед. Порівняльний аналіз точності моделей було проведено з використанням метрики MAPE як на навчальному, так і на тестовому наборах. Дослідження показало, що модель LSTM продемонструвала найкращі результати з MAPE 5,37% на тестовому наборі, демонструючи її кращу здатність фіксувати динаміку складних даних порівняно з ARIMA та простим експоненціальним згладжуванням.

Розроблена прогнозна модель LSTM може бути ефективно використана в автоматизованих системах моніторингу та управління енергією, забезпечуючи точні короткострокові прогнози навантаження для вугільних шахт та інших гірничодобувних і металургійних підприємств зі складними та нестабільними енергетичними структурами, за умови високої надійності та повноти вихідних даних

Біографії авторів

Shynar Telbayeva, Abylkas Saginov Karaganda Technical University

Doctoral Student

Department of Energy, Automation and Telecommunications

Leonid Avdeyev, Abylkas Saginov Karaganda Technical University

Candidate of Technical Sciences

Department of Energy, Automation and Telecommunications

Vladimir Kaverin, Abylkas Saginov Karaganda Technical University

PhD, Acting Professor

Department of Energy, Automation and Telecommunications

Dinara Zhumagulova, Abylkas Saginov Karaganda Technical University

Senior Lecturer

Department of Energy, Automation and Telecommunications

Посилання

  1. Kazakhstan Electric Power Industry Key Factors. Available at: https://www.kegoc.kz/en/electric-power/elektroenergetika-kazakhstana/
  2. Hu, H.-J., Sun, X., Zeng, B., Gong, D.-W., Zhang, Y. (2024). Multi-time-scale interval optimal dispatch of coal mine integrated energy system considering source-load uncertainty. Control and Decision (Kongzhi yu Juece), 39 (3), 827–835. https://doi.org/10.13195/j.kzyjc.2022.1507
  3. Zeng, Z., Li, M. (2021). Bayesian median autoregression for robust time series forecasting. International Journal of Forecasting, 37 (2), 1000–1010. https://doi.org/10.1016/j.ijforecast.2020.11.002
  4. Xiao, H., Wang, B., Zhou, H., Hu, W., Liu, G.-Ping. (2026). Digital twin-empowered power consumption prediction for energy-intensive aluminum annealing furnaces. Expert Systems with Applications, 296, 129079. https://doi.org/10.1016/j.eswa.2025.129079
  5. Kaytez, F., Taplamacioglu, M. C., Cam, E., Hardalac, F. (2015). Forecasting electricity consumption: A comparison of regression analysis, neural networks and least squares support vector machines. International Journal of Electrical Power & Energy Systems, 67, 431–438. https://doi.org/10.1016/j.ijepes.2014.12.036
  6. De Silva, S. N., Mishra, B. K., Sayers, W., Loukil, Z. (2025). Predicting Long-Term Electricity Consumption Using Time Series Data: Use Case of the UK Electricity Data. Intelligent Systems with Applications in Communications, Computing and IoT, 37–58. https://doi.org/10.1007/978-3-031-92614-3_3
  7. El-Azab, H.-A. I., Swief, R. A., El-Amary, N. H., Temraz, H. K. (2025). Seasonal forecasting of the hourly electricity demand applying machine and deep learning algorithms impact analysis of different factors. Scientific Reports, 15 (1). https://doi.org/10.1038/s41598-025-91878-0
  8. Telbayeva, S., Nurmaganbetova, G., Avdeyev, L., Kaverin, V., Issenov, S., Janiszewski, D. et al. (2024). Development of mathematical models of power consumption at coal plants. Eastern-European Journal of Enterprise Technologies, 5 (8 (131)), 22–32. https://doi.org/10.15587/1729-4061.2024.313932
  9. Zhou, S., Ni, S., Han, Y., Dong, Z., Lai, C. S. (2025). Adaptive electricity consumption forecasting approach for universal environments. Scientific Reports, 15 (1). https://doi.org/10.1038/s41598-025-10147-2
  10. Bui, T. H., Lee, K. (2025). Forecasting annual electricity consumption in Vietnam using radial basis function neural network. Energy, 334, 137762. https://doi.org/10.1016/j.energy.2025.137762
  11. Tolentino, J. A. (2025). Forecasting Electricity Consumption Using ARIMA Model. Smart Trends in Computing and Communications, 41–51. https://doi.org/10.1007/978-981-96-7517-3_4
  12. Al-Dahhan, I. A. H., Ashour, M. A. H. (2025). A Hybrid ARIMA-ANN Model for Enhanced Electricity Consumption Forecasting in Bahrain. Integrating Big Data and IoT for Enhanced Decision-Making Systems in Business, 399–407. https://doi.org/10.1007/978-3-031-97609-4_34
  13. ARIMA model. Available at: https://docs.exponenta.ru/econ/arima-model.html
  14. Exponential smoothing. Available at: https://help.fsight.ru/ru/mergedProjects/lib/02_time_series_analysis/uimodelling_expsmooth.htm
  15. LSTM – long-term short-term memory networks. Available at: https://habr.com/ru/companies/wunderfund/articles/331310/
  16. Fundamentals of forecasting theory. Available at: https://openforecast.org/ru/etextbook/about/
  17. Methods and formulas for Augmented Dickey-Fuller Test. Available at: https://support.minitab.com/en-us/minitab/help-and-how-to/statistical-modeling/time-series/how-to/augmented-dickey-fuller-test/methods-and-formulas/methods-and-formulas/?utm_source=chatgpt.com
Розробка прогнозуючої моделі для оптимізації енергоспоживання на вугільних підприємствах

##submission.downloads##

Опубліковано

2025-12-17

Як цитувати

Telbayeva, S., Avdeyev, L., Kaverin, V., & Zhumagulova, D. (2025). Розробка прогнозуючої моделі для оптимізації енергоспоживання на вугільних підприємствах. Eastern-European Journal of Enterprise Technologies, 6(4 (138), 26–35. https://doi.org/10.15587/1729-4061.2025.345073

Номер

Том 6 № 4 (138) (2025): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2025 Shynar Telbayeva, Leonid Avdeyev, Vladimir Kaverin, Dinara Zhumagulova

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.