Ang PAO Severstal ay isang kumpanya ng bakal at pagmimina na nagmamay-ari ng Cherepovets Metallurgical Plant, ang pangalawa sa pinakamalaki sa ating bansa. Noong 2019, gumawa ang kumpanya ng 11,9 milyong tonelada ng bakal, na may kita na $8,2 bilyon
Business case ng PAO Severstal
Gawain
Nagpasya ang Severstal na bawasan ang mga pagkalugi ng kumpanya dahil sa mga maling pagtataya para sa pagkonsumo ng kuryente, pati na rin ang pag-alis ng mga hindi awtorisadong koneksyon sa grid at pagnanakaw ng kuryente.
Background at motibasyon
Ang mga kumpanya ng metalurhiko at pagmimina ay kabilang sa pinakamalaking mamimili ng kuryente sa industriya. Kahit na may napakataas na bahagi ng sariling henerasyon, ang taunang gastos ng mga negosyo para sa kuryente ay umaabot sa sampu at kahit daan-daang milyong dolyar.
Marami sa mga subsidiary ng Severstal ay walang sariling kapasidad sa pagbuo ng kuryente at binibili ito sa wholesale market. Ang mga naturang kumpanya ay nagsusumite ng mga bid na nagsasaad kung gaano karaming kuryente ang handa nilang bilhin sa isang partikular na araw at sa anong presyo. Kung ang aktwal na pagkonsumo ay naiiba mula sa ipinahayag na forecast, pagkatapos ay ang mamimili ay nagbabayad ng karagdagang taripa. Kaya, dahil sa hindi perpektong pagtataya, ang mga karagdagang gastos sa kuryente ay maaaring umabot ng hanggang ilang milyong dolyar bawat taon para sa kumpanya sa kabuuan.
Solusyon
Bumaling si Severstal sa SAP, na nag-alok na gumamit ng IoT at mga teknolohiya sa pag-aaral ng machine upang tumpak na mahulaan ang pagkonsumo ng enerhiya.
Ang solusyon ay na-deploy ng Severstal's Center for Technological Development sa mga minahan ng Vorkutaugol, na walang sariling mga pasilidad sa pagbuo at ang tanging mamimili sa pakyawan na merkado ng kuryente. Ang binuo na sistema ay regular na nangongolekta ng data mula sa 2,5 libong mga aparato ng pagsukat mula sa lahat ng mga dibisyon ng Severstal sa mga plano at aktwal na mga halaga ng pagtagos at produksyon sa lahat ng mga underground na lugar at sa aktibong minahan ng karbon, pati na rin sa kasalukuyang mga antas ng pagkonsumo ng enerhiya . Ang koleksyon ng mga halaga at muling pagkalkula ng modelo ay nagaganap sa batayan ng data na natanggap bawat oras.
pagsasakatuparan
Ang predictive analysis gamit ang machine learning technology ay ginagawang posible hindi lamang upang mas tumpak na mahulaan ang pagkonsumo sa hinaharap, kundi pati na rin upang i-highlight ang mga anomalya sa pagkonsumo ng kuryente. Posible rin na matukoy ang ilang mga pattern ng katangian para sa mga pang-aabuso sa lugar na ito: halimbawa, alam kung paano "mukhang" ang isang hindi awtorisadong koneksyon at operasyon ng isang cryptomining farm.
Ang mga resulta
Ginagawang posible ng iminungkahing solusyon na makabuluhang mapabuti ang kalidad ng pagtataya sa pagkonsumo ng enerhiya (sa pamamagitan ng 20–25% buwan-buwan) at makatipid mula sa $10 milyon taun-taon sa pamamagitan ng pagbabawas ng mga multa, pag-optimize ng mga pagbili, at pagkontra sa pagnanakaw ng kuryente.
Mga plano para sa kinabukasan
Sa hinaharap, ang sistema ay maaaring mapalawak upang pag-aralan ang pagkonsumo ng iba pang mga mapagkukunan na ginagamit sa produksyon: mga inert gas, oxygen at natural na gas, iba't ibang uri ng mga likidong panggatong.
Mag-subscribe at sundan kami sa Yandex.Zen — teknolohiya, inobasyon, ekonomiya, edukasyon at pagbabahagi sa isang channel.