PAO Severstal ialah sebuah syarikat keluli dan perlombongan yang memiliki Loji Metalurgi Cherepovets, yang kedua terbesar di negara kita. Pada 2019, syarikat itu mengeluarkan 11,9 juta tan keluli, dengan pendapatan $8,2 bilion
Kes perniagaan PAO Severstal
Petugas
Severstal memutuskan untuk meminimumkan kerugian syarikat akibat ramalan yang salah untuk penggunaan elektrik, serta menghapuskan sambungan tanpa kebenaran ke grid dan kecurian elektrik.
Latar belakang dan motivasi
Syarikat metalurgi dan perlombongan adalah antara pengguna elektrik terbesar dalam industri. Walaupun dengan bahagian generasi sendiri yang sangat tinggi, kos tahunan perusahaan untuk tenaga elektrik berjumlah puluhan malah ratusan juta dolar.
Banyak anak syarikat Severstal tidak mempunyai kapasiti penjanaan kuasa sendiri dan membelinya di pasaran borong. Syarikat sedemikian mengemukakan bidaan menyatakan jumlah elektrik yang mereka sanggup beli pada hari tertentu dan pada harga berapa. Jika penggunaan sebenar berbeza daripada ramalan yang diisytiharkan, maka pengguna membayar tarif tambahan. Oleh itu, disebabkan ramalan yang tidak sempurna, kos elektrik tambahan boleh mencecah sehingga beberapa juta dolar setahun untuk syarikat secara keseluruhan.
Penyelesaian
Severstal beralih kepada SAP, yang menawarkan untuk menggunakan IoT dan teknologi pembelajaran mesin untuk meramalkan penggunaan tenaga dengan tepat.
Penyelesaian itu telah digunakan oleh Pusat Pembangunan Teknologi Severstal di lombong Vorkutaugol, yang tidak mempunyai kemudahan penjanaan sendiri dan merupakan satu-satunya pengguna dalam pasaran elektrik borong. Sistem yang dibangunkan secara kerap mengumpul data daripada 2,5 ribu peranti pemeteran dari semua bahagian Severstal mengenai rancangan dan nilai sebenar penembusan dan pengeluaran di semua kawasan bawah tanah dan pada lombong arang batu aktif, serta pada tahap penggunaan tenaga semasa . Pengumpulan nilai dan pengiraan semula model berlaku berdasarkan data yang diterima setiap jam.
pelaksanaan
Analisis ramalan menggunakan teknologi pembelajaran mesin memungkinkan bukan sahaja untuk meramalkan penggunaan masa hadapan dengan lebih tepat, tetapi juga untuk menyerlahkan anomali dalam penggunaan elektrik. Ia juga mungkin untuk mengenal pasti beberapa corak ciri untuk penyalahgunaan di kawasan ini: sebagai contoh, diketahui bagaimana "kelihatan" sambungan dan operasi ladang cryptomining yang tidak dibenarkan.
Keputusan
Penyelesaian yang dicadangkan memungkinkan untuk meningkatkan kualiti ramalan penggunaan tenaga dengan ketara (sebanyak 20–25% setiap bulan) dan menjimatkan daripada $10 juta setiap tahun dengan mengurangkan denda, mengoptimumkan pembelian dan mengatasi kecurian elektrik.
Rancangan untuk masa depan
Pada masa hadapan, sistem ini boleh diperluaskan untuk menganalisis penggunaan sumber lain yang digunakan dalam pengeluaran: gas lengai, oksigen dan gas asli, pelbagai jenis bahan api cecair.
Langgan dan ikuti kami di Yandex.Zen — teknologi, inovasi, ekonomi, pendidikan dan perkongsian dalam satu saluran.