Нейросетевые модели краткосрочного прогнозирования электропотребления горнопромышленного предприятия для оптового рынка электроэнергии
Журнал: Горные науки и технологии @gornye-nauki-tekhnologii
Рубрика: Цифровые технологии и искусственный интеллект
Статья в выпуске: 3 т.11, 2026 года.
Бесплатный доступ
Электропотребление горнопромышленных предприятий характеризуется выраженной нестационарностью из-за повторно-кратковременных режимов оборудования и резкопеременной нагрузки электросталеплавильного производства. Отклонение фактического потребления от плановых заявок на оптовом рынке электроэнергии и мощности (ОРЭМ) влечёт значительные штрафные санкции, что делает традиционные статистические методы недостаточно точными и требует адаптивных нейросетевых подходов. Разработана и обоснована нейросетевая модель краткосрочного прогнозирования электропотребления для минимизации штрафов ОРЭМ. Проведён сравнительный анализ шести архитектур (RNN, GRU, LSTM, BiLSTM, CNN-LSTM, с механизмом внимания) в двух стратегиях многошагового прогнозирования (прямая Direct и рекурсивная Recursive). Гиперпараметры подобраны методом Hyperband. Исследование выполнено на промышленных данных за 2022–2023 гг. (17 520 почасовых измерений) крупного горно-перерабатывающего предприятия. Результаты показали, что архитектура GRU с прямой стратегией обеспечивает наилучшую точность (MAPE 5,44 %) и максимальную экономию штрафных платежей – 21,25 % относительно сезонной наивной модели, что на тестовом периоде (IV квартал 2023 г.) составляет 38,6 млн руб. квартального эффекта. Выявлен эффект избыточной сложности: простые рекуррентные сети превосходят модели с механизмами внимания на данных ограниченного объёма. Рекурсивная стратегия уступает прямой из-за кумулятивного накопления ошибки и невозможности использования стохастических экзогенных PCA-факторов. Выводы подтверждают целесообразность перехода от экспертно-статистических методов к нейросетевым подходам для горнопромышленных предприятий с резкопеременными нагрузками.
Короткий адрес: https://sciup.org/140316770
IDS: 140316770 | УДК: 621.311:004.8 | DOI: 10.17073/2500-0632-2026-01-1070
Neural network models for short-term electricity consumption forecasting at a mining enterprise participating in the wholesale electricity market
Electricity consumption at mining enterprises is markedly nonstationary because of intermittent equipment operation and the rapidly varying loads associated with electric-arc steelmaking. Deviations between actual consumption and day-ahead bids in the Wholesale Electricity and Capacity Market (WECM) entail substantial penalties, making conventional statistical methods insufficiently accurate and creating a need for adaptive neural network approaches. This study developed and evaluated a neural network model for short-term electricity consumption forecasting designed to minimize WECM penalties. Six architectures (RNN, GRU, LSTM, BiLSTM, CNN–LSTM, and attention-based models) were compared under two multi-step forecasting strategies: direct and recursive. Hyperparameters were selected using Hyperband. The study used 2022–2023 industrial data from a large mining and processing enterprise (17,520 hourly measurements). The results showed that the GRU architecture with the direct strategy provided the highest accuracy (MAPE of 5.44%) and the greatest reduction in penalty payments relative to the seasonal naïve model (21.25%), equivalent to RUB 38.6 million in quarterly savings during the test period (Q4 2023). Evidence of excessive model complexity was observed: simpler recurrent networks outperformed attention-based models on a limited dataset. The recursive strategy was inferior to the direct strategy because of cumulative error propagation and the inability to use stochastic exogenous PCA factors. The findings support the transition from expert judgment and conventional statistical methods to neural network approaches at mining enterprises with rapidly varying loads.
