В статье рассмотрены особенности процедуры принятия решений по планированию и управлению электропотреблением технологических процессов металлургического производства, определяющих качество принимаемых решений в многоуровневой структуре предприятия.
Разработан метод разрешения межуровневых противоречий при принятии решений на основе введения агрегированного показателя динамики потребления ресурсов – индекса снижения стоимости потребления электроэнергии. Предложенный показатель позволяет согласовать детализованные представления динамики процессов потребления ресурсов на локальных уровнях отдельных технологических процессов и обобщенные представления на верхнем технико-экономическом уровне.
В целях минимизации производственных расходов в условиях почасового тарифа на оплату электроэнергии в работе предложена методика краткосрочного нормирования и прогнозирования потребления электрической энергии, основанная на интегральной оценке оптимальности графиков электропотребления. Произведена апробация предложенной методики на основе реальных данных электросталеплавильного цеха металлургического предприятия первой ценовой зоны. Изменение расписания работ оборудования электросталеплавильного цеха позволило повысить оптимальность графиков электропотребления и сократить затраты на электрическую энергию на 8,2%.

энергетическая эффективность, прогнозирование, потребление электроэнергии

1. Ashok S. Peak-load Management in Steel Plants. Applied Energy. – 2006. – №83. – pp. 413–424.
2. Nolde K., Morari M. Electrical Load Tracking Scheduling of a Steel Plant. Computers & Chemical Engineering. – 2010. – №34. – pp. 1899–1903.
3. Niu D., Li J., Li J., Liu D. Middle-long Power Load Forecasting Based on Particle Swarm Optimization. Computers & Mathematics with Applications. – 2009. – №57. – pp. 1883–1889.
4. Pielow A., Sioshansi R., Roberts M.C. Modeling Short-run Electricity Demand with Long-term Growth Rates and Consumer Price Elasticity in Commercial and Industrial Sectors. Energy. – 2012. – №46. – pp. 1–540.
5. Dordonnat V, Koopman SJ, Ooms M. Dynamic Factors in Periodic Time-varying Regressions with an Application to Hourly Electricity Load Modeling. Computational Statistics & Data Analysis. – 2012. – 56. – pp. 3134–3152.
6. Nagi J., Yap K.S., Nagi F., Tiong S.K., Ahmed S.K. A Computational Intelligence Scheme for the Prediction of the Daily Peak Load. Applied Soft Computing. – 2011. – №11. – pp. 4773–4788.
7. Lin C.W., Moodie C.L. Hierarchical Production Planning for a Modern Steel Manufacturing System. International Journal of Production Research. – 1989. – №27(4) . – pp. 613–628.
8. Kazarinov L.S., Barbasova T.A., Kolesnikova O.V., Zakharova A.A. Method of Multilevel Rationing and Optimal Forecasting of Volumes of Electric-energy Consumption by an Industrial Enterprise. Automatic Control and Computer Sciences. – 2015. – №48 (6) . – pp. 324–333.