Том 337 № 2 (2026)
DOI https://doi.org/10.18799/24131830/2026/2/5208
Факторный анализ энергоэффективности в топливно-энергетическом комплексе на основе выбора доминирующих показателей
Актуальность. Топливно-энергетический комплекс является базовой отраслью экономики страны. В условиях роста цен на энергетические ресурсы и усиления внешних рисков повышение энергоэффективности и энергосбережения становится научно-практической необходимостью. На предприятиях топливно-энергетического комплекса (предприятиях электроэнергетики, нефтегазовой и угольной промышленности, а также теплоэнергетики) планирование, основанное на многофакторном прогнозировании потребления топливно-энергетических ресурсов, позволяет существенно повысить эффективность управления. Однако задача корректного отбора релевантных факторов при построении прогнозных моделей остаётся методологически сложной. В связи с этим выявление ключевых факторов, влияющих на энергоёмкость предприятий топливно-энергетического комплекса, имеет важное значение для принятия обоснованных управленческих решений. Цель. Определение факторов, оказывающих влияние на энергоёмкость 23 крупных промышленных предприятий в 2000–2023 гг., а также разработка метода и алгоритма оценки и статистической значимости их воздействия. Методы: корреляционный анализ Пирсона, -тест и алгоритмы вычисления -значений на основе таблицы Fisher–Yates. Для автоматизации расчётов вероятности при больших объёмах данных была построена полиномиальная регрессионная модель шестого порядка, связывающая и число степеней свободы df. Результаты. Фактор (энергетические потери) в большинстве случаев показал низкий уровень значимости и был исключён из анализа; факторы (удельное потребление электроэнергии на единицу продукции) и (коэффициент эффективности использования электроэнергии) были отнесены к числу наиболее значимых. Результаты -теста показали высокую значимость связи между фактором и энергоёмкостью для многих предприятий (например, для 18-го предприятия: , ). Предложенная полиномиальная модель обеспечила высокоточную аппроксимацию p-значений таблицы Fisher–Yates (RMSE<0,03; MAPE≈3,27 %) и позволила автоматизировать вычисления.
Ключевые слова:
топливно-энергетический комплекс, энергоемкость, коэффициент корреляции Пирсона, энергоэффективность, p-вероятность, алгоритм анализа, факторный анализ, полиномиальная регрессия
Библиографические ссылки:
СПИСОК ЛИТЕРАТУРЫ
1. 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. – Т. 25. – № 2(87). – С. 18–26. DOI: 10.31520/ei.2023.25.2(87).18-26.
2. 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. DOI: https://doi.org/10.35193/bseufbd.935824
3. 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.
4. International Energy Agency. World Energy Outlook 2023. – Paris: IEA, 2023. Available at: https://www.iea.org/reports/world-energy-outlook-2023 (дата обращения 15.09.2023).
5. Devore J.L., Berk K.N., Carlton M.A. Modern mathematical statistics with applications. Springer Texts in Statistics. 3rd ed. – Cham, Switzerland: Springer, 2021. – 975 p. DOI: 10.1007/978-3-030-55156-8 (дата обращения 11.06.2024).
6. Ministry of Energy of the Republic of Uzbekistan. Annual energy balance and reserves report 2022–2024. – Tashkent: Ministry of Energy of the Republic of Uzbekistan, 2024. – 322 p.
7. Hogg R.V., McKean J.W., Craig A.T. Introduction to mathematical statistics // What's New in Statistics. 8th ed. – Boston, MA: Pearson, 2018. – 768 p.
8. 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).
9. 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
10. 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
11. 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.
12. 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.
13. 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
14. Прогнозирование энергоэффективности в топливно-энергетическом комплексе на основе модели MLP / И.У. Рахмонов, З.М. Шаюмова, В.Я. Ушаков, Н.Н. Ниёзов, Д.А. Жалилова. Известия Томского политехнического университета. Инжиниринг георесурсов. – 2026. – Т. 337. – № 1. – С. 213–227. DOI: http://doi.org/10.18799/24131830/2026/1/5149
15. 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
16. 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
17. 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
18. Mannanov U., Toshov J., Toshniyozov L. Perspective solutions for the design of drilling tools // IVth Int. Innov. Mining Symp. – 2019. – Vol. 105. – P. 1–8. DOI: 10.1051/e3sconf/201910503027.
19. Toshov J.B. The questions of the dynamics of drilling bit on the surface of well bottom // Arch. Mining Sci. – 2016. – Vol. 61. – № 2. – P. 279–287. DOI: 10.1515/amsc-2016-0020.
20. 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
21. 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. DOI: https://doi.org/10.1016/j.pharmr.2025.100049
22. 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
23. A unified wind power prediction framework combined with individual wind turbine operation status and error correction / X. Liu, L. Zhang, L. Zou, J. Wang, Y. Li, N.N. Kurbonov, I.U. Rakhmonov // Energy Reports. – 2025. DOI: 10.1016/j.egyr.2025.05.065
REFERENCES
1. 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. 2(87), pp. 18–26. DOI: 10.31520/ei.2023.25.2(87).18-26. (accessed 15 September 2023).
2. 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.
3. Rakhmonov I.U., Ushakov V.Ya., Najimova A.M., Obidov K.K., Suleymanov S.R. Mathematical modeling for minimizing electricity consumption in industrial enterprises with continuous production. Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering, 2024, vol. 335, no. 4, pp. 43–51. (In Russ.) DOI: 10.18799/24131830/2024/4/4423
4. International Energy Agency. World Energy Outlook 2023. Paris, IEA, 2023. Available at: https://www.iea.org/reports/world-energy-outlook-2023 (accessed 15 September 2023).
5. Devore J.L., Berk K.N., Carlton M.A. Modern mathematical statistics with applications. Springer Texts in Statistics. 3rd ed. Cham, Switzerland, Springer, 2021. 975 p. DOI: 10.1007/978-3-030-55156-8
6. Ministry of Energy of the Republic of Uzbekistan. Annual energy balance and reserves report 2022–2024. Tashkent, Ministry of Energy of the Republic of Uzbekistan, 2024. 322 p.
7. Hogg R.V., McKean J.W., Craig A.T. Introduction to Mathematical Statistics. What's New in Statistics. 8th ed. Boston, MA, Pearson, 2018. 768 p.
8. 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
9. 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
10. 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.
11. 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.
12. 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).
13. 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. 12, pp. 125–133. (In Russ.) DOI: 10.18799/24131830/2023/12/4407
14. Rakhmonov I.U., Shayumova Z.M., Ushakov V.Ya., Niyozov N.N., Jalilova D.A. Forecasting energy efficiency in the fuel and energy complex based on the MLP model. Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering, 2026, vol. 337, no. 1, pp. 213–227. http://doi.org/10.18799/24131830/2026/1/5149.
15. 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
16. Rakhmonov I.U., Ushakov V.Ya., Niyozov N.N., Kurbonov N.N. Forecasting electricity consumption using the principal component analysis method. 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
17. Rakhmonov I.U., Niyozov N.N., Nimatov K.B., Ushakov V.Ya., Omonov F.B., Reymov K.M., Najimova A.M. Mathematical model of active power loss reduction via reactive power control in continuous production enterprises. Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering, 2025, vol. 336, no. 2, pp. 159–171. (In Russ.) DOI: 10.18799/24131830/2025/2/4730
18. Mannanov U., Toshov J., Toshniyozov L. Perspective solutions for the design of drilling tools. IVth Int. Innovative Mining Symposium, 2019, vol. 105, pp. 1–8. DOI: 10.1051/e3sconf/201910503027.
19. Toshov J.B. The questions of the dynamics of drilling bit on the surface of well bottom. Archives of Mining Sciences, 2016, vol. 61 (2), pp. 279–287. DOI: 10.1515/amsc-2016-0020.
20. 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
21. Mirjalili S. Evolutionary multi-layer perceptron. Evolutionary Algorithms and Neural Networks: Theory and Applications, 2019, vol. 780, pp. 87–104. (Studies in Computational Intelligence). DOI: https://doi.org/10.1007/978-3-319-93025-1_7
22. 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
23. Liu X., Zhang L., Zou L., Wang J., Li Y., Kurbonov N.N., Rakhmonov I.U. A unified wind power prediction framework combined with individual wind turbine operation status and error correction. Energy Reports, 2025. DOI: 10.1016/j.egyr.2025.05.065
