PAO Siewierstal to przedsiębiorstwo hutniczo-wydobywcze, do którego należy Czerepowiecki Zakład Metalurgiczny, drugi co do wielkości w naszym kraju. W 2019 roku firma wyprodukowała 11,9 mln ton stali, przy przychodach w wysokości 8,2 mld USD
Przypadek biznesowy PAO Severstal
Zadanie
Siewierstal postanowił zminimalizować straty spółki z tytułu błędnych prognoz zużycia energii elektrycznej, a także wyeliminować nieautoryzowane podłączenia do sieci i kradzieże energii elektrycznej.
Tło i motywacja
Przedsiębiorstwa hutnicze i wydobywcze należą do największych odbiorców energii elektrycznej w przemyśle. Nawet przy bardzo wysokim udziale produkcji własnej roczne koszty energii elektrycznej przedsiębiorstw sięgają dziesiątek, a nawet setek milionów dolarów.
Wiele spółek zależnych od Severstal nie posiada własnych mocy wytwórczych i kupuje je na rynku hurtowym. Takie firmy składają oferty, w których określają, ile energii elektrycznej chcą kupić w danym dniu i po jakiej cenie. Jeśli rzeczywiste zużycie różni się od deklarowanej prognozy, konsument płaci dodatkową taryfę. Tym samym, ze względu na niedoskonałą prognozę, dodatkowe koszty energii elektrycznej mogą sięgnąć nawet kilku milionów dolarów rocznie dla całej firmy.
Rozwiązanie
Severstal zwrócił się do SAP, który zaoferował wykorzystanie technologii IoT i uczenia maszynowego do dokładnego prognozowania zużycia energii.
Rozwiązanie zostało wdrożone przez Centrum Rozwoju Technologicznego Severstal w kopalniach Workutaugol, które nie posiadają własnych mocy wytwórczych i są jedynymi konsumentami na hurtowym rynku energii elektrycznej. Opracowany system regularnie zbiera dane z 2,5 tys. urządzeń pomiarowych ze wszystkich oddziałów Siewierstalu o planach i rzeczywistych wartościach penetracji i produkcji we wszystkich obszarach podziemnych oraz o czynnej kopalni węgla kamiennego, a także o aktualnych poziomach zużycia energii . Zbieranie wartości i przeliczanie modelu odbywa się na podstawie danych odbieranych co godzinę.
realizacja
Analiza predykcyjna z wykorzystaniem technologii uczenia maszynowego pozwala nie tylko dokładniej przewidywać przyszłe zużycie, ale także wskazywać anomalie w zużyciu energii elektrycznej. Udało się również zidentyfikować kilka charakterystycznych schematów nadużyć w tym obszarze: wiadomo np. jak „wygląda” nieautoryzowane podłączenie i działanie farmy kryptowalut.
Wyniki
Proponowane rozwiązanie pozwala znacząco poprawić jakość prognozy zużycia energii (o 20-25% miesięcznie) i zaoszczędzić od 10 mln USD rocznie poprzez zmniejszenie kar, optymalizację zakupów i przeciwdziałanie kradzieży energii elektrycznej.
Plany na przyszłość
W przyszłości system można rozbudować o analizę zużycia innych surowców wykorzystywanych w produkcji: gazów obojętnych, tlenu i gazu ziemnego, różnych rodzajów paliw płynnych.
Subskrybuj i śledź nas na Yandex.Zen — technologia, innowacje, ekonomia, edukacja i udostępnianie w jednym kanale.