PAO Severstal ist ein Stahl- und Bergbauunternehmen, dem das Hüttenwerk Cherepovets, das zweitgrößte in unserem Land, gehört. Im Jahr 2019 produzierte das Unternehmen 11,9 Millionen Tonnen Stahl mit einem Umsatz von 8,2 Milliarden US-Dollar
Business Case von PAO Severstal
Aufgabe
Severstal beschloss, die Verluste des Unternehmens aufgrund fehlerhafter Prognosen des Stromverbrauchs zu minimieren sowie unbefugten Anschluss an das Stromnetz und Stromdiebstahl zu beseitigen.
Hintergrund und Motivation
Hütten- und Bergbauunternehmen gehören zu den größten Stromverbrauchern in der Industrie. Selbst bei einem sehr hohen Anteil an Eigenerzeugung belaufen sich die jährlichen Kosten der Unternehmen für Strom auf zweistellige und sogar mehrere hundert Millionen Dollar.
Viele Severstal-Tochtergesellschaften verfügen nicht über eigene Stromerzeugungskapazitäten und kaufen diese auf dem Großhandelsmarkt ein. Solche Unternehmen geben Gebote ab, in denen sie angeben, wie viel Strom sie an einem bestimmten Tag zu welchem Preis zu kaufen bereit sind. Weicht der tatsächliche Verbrauch von der deklarierten Prognose ab, zahlt der Verbraucher einen zusätzlichen Tarif. So können durch eine ungenaue Prognose zusätzliche Stromkosten von bis zu mehreren Millionen Dollar pro Jahr für das gesamte Unternehmen entstehen.
Lösung
Severstal wandte sich an SAP, das anbot, IoT- und maschinelle Lerntechnologien einzusetzen, um den Energieverbrauch genau vorherzusagen.
Die Lösung wurde vom Zentrum für technologische Entwicklung von Severstal in den Vorkutaugol-Minen eingesetzt, die keine eigenen Erzeugungsanlagen haben und die einzigen Verbraucher auf dem Großhandelsstrommarkt sind. Das entwickelte System sammelt regelmäßig Daten von 2,5 Tausend Messgeräten aus allen Abteilungen von Severstal über die Pläne und Ist-Werte der Penetration und Produktion in allen Untertagebereichen und im aktiven Kohlebergwerk sowie über den aktuellen Energieverbrauch . Die Erfassung der Werte und Neuberechnung des Modells erfolgt auf Basis der stündlich empfangenen Daten.
Implementierung
Die prädiktive Analyse mit maschineller Lerntechnologie ermöglicht nicht nur eine genauere Vorhersage des zukünftigen Verbrauchs, sondern auch das Aufzeigen von Anomalien im Stromverbrauch. Auch in diesem Bereich konnten mehrere charakteristische Muster für Missbräuche identifiziert werden: So ist beispielsweise bekannt, wie ein unbefugter Anschluss und Betrieb einer Cryptomining-Farm „aussieht“.
Die Ergebnisse
Die vorgeschlagene Lösung ermöglicht es, die Qualität der Energieverbrauchsprognose erheblich zu verbessern (um 20–25 % monatlich) und jährlich 10 Millionen US-Dollar einzusparen, indem Bußgelder reduziert, Einkäufe optimiert und Stromdiebstahl bekämpft werden.
Pläne für die Zukunft
Zukünftig kann das System erweitert werden, um den Verbrauch anderer Ressourcen zu analysieren, die in der Produktion verwendet werden: Inertgase, Sauerstoff und Erdgas, verschiedene Arten von flüssigen Brennstoffen.
Abonnieren und folgen Sie uns auf Yandex.Zen – Technologie, Innovation, Wirtschaft, Bildung und Teilen in einem Kanal.