Том 337 № 1 (2026)
DOI https://doi.org/10.18799/24131830/2026/1/5149
Прогнозирование энергоэффективности в топливно-энергетическом комплексе на основе модели MLP
В современной мировой экономике наблюдается рост спроса на энергоресурсы, что обусловлено необходимостью обеспечения энергетической безопасности, устойчивого развития общества и одновременного снижения негативного техногенного воздействия на окружающую среду. На уровне государственной политики в качестве приоритетов выделяются цифровизация промышленности, в первую очередь энергетического сектора, внедрение ресурсоэффективных технологий и оптимизация энергопотребления. В этих условиях точное и достоверное прогнозирование энергоэффективности становится ключевым инструментом обеспечения экономического роста, повышения инвестиционной привлекательности и обоснованного принятия стратегических решений. Цель. Основной целью проведённых исследований является разработка методики прогнозирования энергоэффективности на основе показателя энергоёмкости. Предложенная методика включает предварительную статистическую обработку исходных данных с использованием логнормального распределения, проверку их адекватности по критериям Колмогорова–Смирнова, а также проведение корреляционного анализа. На последующем этапе выполняется оптимизация гиперпараметров, после чего адаптируется и применяется модель искусственной нейронной сети типа MLP (Multilayer Perceptron) для оценки и верификации достоверности прогнозов. Эффективность методики продемонстрирована на основе анализа информации, собранной от 23 предприятий топливно-энергетического комплекса. Методы. Обработка данных осуществлялась с использованием логнормального распределения; прогностическая валидность проверялась по критериям Колмогорова–Смирнова и корреляционному анализу. Количество нейронов во входном, скрытом и выходном слоях, а также ключевые гиперпараметры (размер пакета, скорость обучения, функция активации, алгоритм-решатель, число эпох) подбирались на основе критерия минимизации ошибки MAPE. Для проверки устойчивости модели использовалось тестирование на обучающей и тестовой выборках в пропорции 20/5. Результаты. Разработанная модель MLP обеспечила высокую точность прогнозирования: ошибка составила 4,35 % на обучающей выборке и 1,21 % на тестовой. На основе модели спрогнозировано устойчивое снижение энергоёмкости до 2030 г., когда данный показатель достигнет уровня около 0,913 кг н.э./$. Эти результаты подтверждают потенциал значительного повышения энергоэффективности, сокращения издержек, экономии ресурсов и повышения экологической устойчивости. Вывод. Предложенные в статье метод и модель служат надёжной научной основой для высокоточного прогнозирования, принятия стратегических решений и внедрения инновационных разработок в топливно-энергетическом комплексе.
Ключевые слова:
энергоэффективность, энергоемкость, прогнозирование, нейронная сеть, MLP, выбор гиперпараметров, энергосбережение, ошибка MAPE, функция активации, эпохи, энергетическая безопасность
Библиографические ссылки:
СПИСОК ЛИТЕРАТУРЫ
1. Zharov V., Tokarenko A. Quantitative assessment of sustainability level of industrial enterprises // BIO Web of Conferences Aquaculture-2023. – 2023. – Vol. 05003. URL: https://doi.org/10.1051/bioconf/20248405003 (дата обращения 15.09.2023).
2. Математическое моделирование минимизации расходов электроэнергии промышленными предприятиями с непрерывным характером производства / И.У. Рахмонов, В.Я. Ушаков, А.М. Нажимова, К.К. Обидов, С.Р. Сулейманов // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2024. – Т. 335. – № 4. – С. 43–51. DOI: 10.18799/24131830/2024/4/4423.
3. Zakharchenko N., Kosaretskyi Y., Andreichenko A. Methodical provision of assessment of the efficiency of the functioning of a high-tech industrial enterprise on the basis of score-coefficient method // Economic Innovations. – 2023. – Vol. 25. – № 87. – P. 18–26. URL: https://doi.org/10.31520/ei.2023.25.2 (дата обращения 15.09.2023).
4. Bişkin O.T., Çifci A. Forecasting of Turkey's electrical energy consumption using LSTM and GRU Networks // Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi. – 2021. – Vol. 8. – P. 656–667. URL: https://doi.org/10.35193/bseufbd.935824 (дата обращения 15.09.2023).
5. Dinolov O. Energy efficiency of induction motor drives: state of the art, analysis and recommendations // Energies. – 2023. – Vol. 16. – № 7136. URL: https://doi.org/10.3390/en162071-36 (дата обращения 15.09.2023).
6. Прогнозирование электропотребления с помощью нейронных сетей c LSTM / И.У. Рахмонов, В.Я. Ушаков, Н.Н. Ниёзов, Н.Н. Курбонов // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2023. – Т. 334. – № 12. – С. 125–133. DOI: 10.18799/24131830/2023/12/4407
7. Li G., Zhang H., Bo R. A novel method to reduce power loss using distributed reactive power control // International Journal of Electrical Power & Energy Systems. – 2014. – Vol. 61. – P. 188–193. DOI: https://doi.org/10.1016/j.ijepes.2014.03.021
8. Прогнозирование электропотребления с использованием метода главных компонент (PCA) / И.У. Рахмонов, В.Я. Ушаков, Н.Н. Ниёзов, Н.Н. Курбонов // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2024. – Т. 335. – № 12. – С. 198–209. DOI: 10.18799/24131830/2024/12/4731
9. Novel sampling-based optimal motion planning algorithm for energy-efficient robotic pick and place / M.M. Alam, T. Nishi, Z. Liu, T.A. Fujiwara // Energies. – 2023. – Vol. 16. – № 6910. – P. 1–22. URL: https://doi.org/10.3390/en16196910 (дата обращения 15.09.2023).
10. Shinkevich A.I. Modeling the efficiency of using digital technologies of energy and resource saving technologies at petrochemical enterprises // International Journal of Energy Economics and Policy. – 2020. – Vol. 10 (5). – P. 1–6. URL: https://doi.org/10.32479/ijeep.9837 (дата обращения 15.09.2023).
11. Ugolnikov A.V., Makarov N.V. Application of automation systems for monitoring and energy efficiency accounting indicators of mining enterprises compressor facility operation // Journal of Mining Institute. – 2019. – Vol. 236. – P. 245–248. DOI: 10.31897/PMI.2019.2.245
12. Yuce B., Mourshed M., Rezgui Y. A smart forecasting approach to district energy management // Energies. – 2017. – Vol. 10. – № 1073. DOI: https://doi.org/10.3390/en10081073
13. Maryasin O.Y. Two-stage problem of optimizing smart grid energy consumption at the enterprise // 4th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency-2022. – Lipetsk, Russian Federation, 2022. – P. 808–813. DOI: 10.1109/SUMMA57301.2022.9973902.
14. Dzhedzhula V., Yepifanova I. Optimization of energy saving potential of industrial enterprises // 11th International Conference on Advanced Computer Information Technologies (ACIT). – 2021. – P. 433–436. DOI: 10.1109/ACIT52158.2021.9548428.
15. Chang S.C. Effects of financial developments and income on energy consumption // International Review of Economics and Finance. – 2015. – Vol. 35. – P. 28–40. URL: http://dx.doi.org/10.1016/j.iref.2014.08.011 (дата обращения 15.09.2023).
16. Валь П.В., Попов Ю.П. Концепция разработки системы прогнозирования электропотребления промышленного предприятия в условиях оптового рынка // Промышленная энергетика. – 2011. – № 10. – С. 31–35.
17. Kirschbaum C., Verstege J. Reactive power control for loss minimization in smart grids with high penetration of renewable energy sources // Innovative Smart Grid Technologies (ISGT). IEEE PES. – 2012. – P. 1–8. DOI: https://doi.org/10.1109/ISGT.2012.6175715
18. Liao H., Chuang C.S., Lu L. Hybrid ant colony optimization with particle swarm optimization for power losses minimization considering voltage stability in power system // Journal of Electrical Engineering & Technology. – 2012. – Vol. 7 (2). – P. 246–254. DOI: https://doi.org/10.5370/JEET.2012.7.2.246
19. Research on the ablation resistance of TiC particle-reinforced aluminium-based composite coatings on armature surface / C. Fan, L. Zhang, N.N. Kurbonov, I.U. Rakhmonov, G. Wang // Coatings. – 2024. – Vol. 14. – № 549. DOI: https://doi.org/10.3390/coatings14050549
20. Taylor J.W., McSharry P.E. Short-term load forecasting methods: an evaluation based on European data // IEEE Transactions on Power Systems. – 2007. – Vol. 22. – № 4. – P. 2213–2219. DOI: https://doi.org/10.1109/TPWRS.2007.907583
21. Kesornsit W., Sirisathitkul Y. Hybrid machine learning model for electricity consumption prediction using random forest and artificial neural networks // Applied Computational Intelligence and Soft Computing. – 2022. – № 1562942. DOI: https://doi.org/10.1155/2022/1562942
22. Motulsky H.J., Head T., Clarke P.B.S. Analyzing lognormal data: a nonmathematical practical guide // Pharmacology Research & Perspectives. – 2025. – Vol. 13. – № 2. – Article ID: 100049. URL: https://doi.org/10.1016/j.pharmr.2025.100049 (дата обращения 15.09.2023).
23. Mirjalili S. Evolutionary multi-layer perceptron // Evolutionary Algorithms and Neural Networks: Theory and Applications. – 2019. – Vol. 780. – P. 87–104. (Studies in Computational Intelligence). URL: https://doi.org/10.1007/978-3-319-93025-1_7 (дата обращения 15.09.2023).
24. Naderi E., Abdollahzadeh H., Narimani H. A new modified teaching-learning algorithm for optimal reactive power dispatch problem with discrete control variables // Engineering Applications of Artificial Intelligence. – 2013. – Vol. 26 (10). – P. 2282–2292. DOI: https://doi.org/10.1016/j.engappai.2013.05.012
25. Wang J. et al. Trap distribution and along-surface discharge characterization of aromatic compound-modified silicone gel // IEEE Transactions on Dielectrics and Electrical Insulation. – 2024. DOI: 10.1109/TDEI.2024.3456096
26. Математическая модель снижения потерь активной мощности регулированием реактивной мощности на предприятиях с непрерывным характером производства / И.У. Рахмонов, Н.Н. Ниёзов, К.Б. Ниматов, В.Я. Ушаков, Ф.Б. Омонов, К.М. Реймов, А.М. Нажимова // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2025. – Т. 336. – № 2. – С. 159–171. DOI: 10.18799/24131830/2025/2/4730
REFERENCES
1. Zharov V., Tokarenko A. Quantitative assessment of sustainability level of industrial enterprises. BIO Web of Conferences Aquaculture, 2023, vol. 05003. Available at: https://doi.org/10.1051/bioconf/20248405003 (accessed 15 September 2023).
2. Rakhmonov I.U., Ushakov V.Ya., Niyozov N.N., Kurbanov N.N. Forecasting electricity consumption using the principal component analysis method. Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering, 2024, vol. 334, no. 2, pp. 198–209. (In Russ.) DOI: 10.18799/24131830/2024/12/4731
3. Zakharchenko N., Kosaretskyi Y., Andreichenko A. Methodical provision of assessment of the efficiency of the functioning of a high-tech industrial enterprise on the basis of score-coefficient method. Economic Innovations, 2023, vol. 25, no. 87, pp. 18–26. Available at: https://doi.org/10.31520/ei.2023.25.2 (accessed 15 September 2023).
4. Bişkin O.T., Çifci A. Forecasting of Turkey's electrical energy consumption using LSTM and GRU Networks. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 2021, vol. 8, pp. 656–667. DOI: 10.35193/bseufbd.935824 (accessed 15 September 2023).
5. Dinolov O. Energy efficiency of induction motor drives: state of the art, analysis and recommendations. Energies, 2023, vol. 16, no. 7136. Available at: https://doi.org/10.3390/en162071-36 (accessed 15 September 2023).
6. Rakhmonov I.U., Ushakov V.Ya., Niyozov N.N., Kurbonov N.N. Forecasting electricity consumption by LSTM neural network. Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering, 2023, vol. 334, no. 2, pp. 125–133. (In Russ.) Available at: https://doi.org/10.18799/24131830/2023/12/4407 (accessed 15 September 2023).
7. Li G., Zhang H., Bo R. A novel method to reduce power loss using distributed reactive power control. International Journal of Electrical Power & Energy Systems, 2014, vol. 61, pp. 188–193. DOI: https://doi.org/10.1016/j.ijepes.2014.03.021
8. Rakhmonov I.U., Ushakov V.Ya., Niyozov N.N., Kurbonov N.N. Forecasting electricity consumption using principal component analysis. Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering, 2024, vol. 335, no. 12, pp. 198–209. (In Russ.) DOI: 10.18799/24131830/2024/12/4731
9. Alam M.M., Nishi T., Liu Z., Fujiwara T. A Novel sampling-based optimal motion planning algorithm for energy-efficient robotic pick and place. Energies, 2023, vol. 16, no. 6910, pp. 1–22. Available at: https://doi.org/10.3390/en16196910 (accessed 15 September 2023).
10. Shinkevich A.I. Modeling the efficiency of using digital technologies of energy and resource saving technologies at petrochemical enterprises. International Journal of Energy Economics and Policy, 2020, vol. 10 (5), pp. 1–6. Available at: https://doi.org/10.32479/ijeep.9837 (accessed 15 September 2023).
11. Ugolnikov A.V., Makarov N.V. Application of automation systems for monitoring and energy efficiency accounting indicators of mining enterprises compressor facility operation. Journal of Mining Institute, 2019, vol. 236, pp. 245–248. DOI: 10.31897/PMI.2019.2.245
12. Yuce B., Mourshed M., Rezgui Y. A smart forecasting approach to district energy management. Energies, 2017, vol. 10, no. 1073. DOI: https://doi.org/10.3390/en10081073
13. Maryasin O.Y. Two-stage problem of optimizing smart grid energy consumption at the enterprise. 4th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency, 2022, pp. 808–813. DOI: 10.1109/SUMMA57301.2022.9973902.
14. Dzhedzhula V., Yepifanova I. Optimization of energy saving potential of industrial enterprises. 11th International Conference on Advanced Computer Information Technologies (ACIT), 2021, pp. 433–436. DOI: 10.1109/ACIT52158.2021.9548428.
15. Chang S.C. Effects of financial developments and income on energy consumption. International Review of Economics and Finance, 2015, vol. 35, pp. 28–40. Available at: http://dx.doi.org/10.1016/j.iref.2014.08.011 (accessed 15 September 2023).
16. Val P.V., Popov Yu.P. Concept for developing a system for forecasting power consumption of an industrial enterprise in the conditions of the wholesale market. Industrial Energy, 2011, no. 10, pp. 31–35. (In Russ.)
17. Kirschbaum C., Verstege J.A. Reactive power control for loss minimization in smart grids with high penetration of renewable energy sources. Innovative Smart Grid Technologies (ISGT), IEEE PES, 2012, pp. 1–8. DOI: https://doi.org/10.1109/ISGT.2012.6175715
18. Liao H., Chuang C.S., Lu L. Hybrid ant colony optimization with particle swarm optimization for power losses minimization considering voltage stability in power system. Journal of Electrical Engineering & Technology, 2012, vol. 7 (2), pp. 246–254. DOI: https://doi.org/10.5370/JEET.2012.7.2.246
19. Fan C., Zhang L., Kurbonov N.N., Rakhmonov I.U., Wang G. Research on the ablation resistance of tic particle-reinforced aluminium-based composite coatings on armature surface. Coatings, 2024, vol. 14, no. 549. DOI: https://doi.org/10.3390/coatings14050549
20. Taylor J.W., McSharry P.E. Short-term load forecasting methods: an evaluation based on European data. IEEE Transactions on Power Systems, 2007, vol. 22, no. 4, pp. 2213–2219. DOI: https://doi.org/10.1109/TPWRS.2007.907583
21. Kesornsit W., Sirisathitkul Y. Hybrid machine learning model for electricity consumption prediction using random forest and artificial neural networks. Applied Computational Intelligence and Soft Computing, 2022, no. 1562942. DOI: ttps://doi.org/10.1155/2022/1562942
22. Motulsky H.J., Head T., Clarke P.B.S. Analyzing lognormal data: a nonmathematical practical guide. Pharmacology Research & Perspectives, 2025, vol. 13, no. 2, Article ID: 100049. Available at: https://doi.org/10.1016/j.pharmr.2025.100049 (accessed 15 September 2023).
23. Mirjalili S. Evolutionary multi-layer perceptron. Evolutionary Algorithms and Neural Networks: Theory and Applications, 2019, vol. 780, pp. 87–104. (Studies in Computational Intelligence). Available at: https://doi.org/10.1007/978-3-319-93025-1_7 (accessed 15 September 2023).
24. Naderi E., Abdollahzadeh H., Narimani H. A new modified teaching-learning algorithm for optimal reactive power dispatch problem with discrete control variables. Engineering Applications of Artificial Intelligence, 2013, vol. 26 (10), pp. 2282–2292. DOI: https://doi.org/10.1016/j.engappai.2013.05.012 (accessed 15 September 2023).
25. Wang J. Trap distribution and along-surface discharge characterization of aromatic compound-modified silicone gel. IEEE Transactions on Dielectrics and Electrical Insulation, 2024. DOI: 10.1109/TDEI.2024.3456096
26. Rakhmonov I.U., Niyozov N.N., Nimatov K.B., Ushakov V.Ya., Omonov F.B., Reymov K.M., Najimova A.M. Mathematical model for reducing active power losses by regulating reactive power at enterprises with continuous production mode. Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering, 2025, vol. 336, no. 2, pp. 159–171. DOI: 10.18799/24131830/2025/2/4730
