economypromЭкономика промышленности / Russian Journal of Industrial EconomicsRussian Journal of Industrial Economics2072-16332413-662XMISIS10.17073/2072-1633-2024-4-1346economyprom-1346Research ArticleЭкономика природопользованияEnvironmental economicsОперативное прогнозирование расхода топливного газа в газотранспортных обществах ПАО «Газпром»Operative forecasting of fuel gas consumption in gas transportation companieshttps://orcid.org/0000-0001-7722-8044КудрявцевА. А.KudryavtsevA. A.

Андрей Алексеевич Кудрявцев – д-р. экон. наук, профессор кафедры статистики и эконометрики

191023, Санкт-Петербург, наб. канала Грибоедова, д. 30-32

Andrey A. Kudryavtsev – Dr.Sci. (Econ.), Professor of the Chair for Statistics and Econometrics

30-32 Griboedov Canal Emb., St. Petersburg 191023

kudr2007@inbox.ruhttps://orcid.org/0009-0001-6541-666XЛанинС. Н.LaninS. N.

Сергей Николаевич Ланин – аспирант

191023, Санкт-Петербург, наб. канала Грибоедова, д. 30-32

Sergey N. Lanin – Postgraduate Student, Graduate School of the Chair for Statistics and Econometrics

30-32 Griboedov Canal Emb., St. Petersburg 191023

S.Lanin@gmail.comСанкт-Петербургского государственный экономический университетРоссияSt. Petersburg State University of EconomicsRussian Federation202431102024174401423Copyright © Кудрявцев А.А., Ланин С.Н., 20242024Кудрявцев А.А., Ланин С.Н.Kudryavtsev A.A., Lanin S.N.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://ecoprom.misis.ru/jour/article/view/1346

В современных условиях экономии энергетических ресурсов и повышения эффективности газотранспортных систем актуальной задачей является разработка подходов для повышения точности прогнозирования расхода топливного газа на компрессорных станциях. В статье анализируются подходы и алгоритмы прогнозирования объемов газа, необходимого для технологических и собственных нужд компрессорных станций при компримировании (сжатии) газа в газотранспортных обществах ПАО «Газпром». Представлена классификация расходов газа на технологические нужды и потери, подчеркивается значимость управления расходом топливного газа для оптимизации себестоимости транспортировки природного газа.

Цель исследования — разработка подхода к оперативному прогнозированию расхода топливного газа на компрессорных станциях газотранспортных обществ, который позволит повысить экономическую эффективность и снизить эксплуатационные затраты газотранспортного общества. Для достижения цели решены следующие задачи: анализ существующих методов прогнозирования, исследование способов обработки данных и выявления ошибок и аномалий, сравнение различных моделей регрессии для обеспечения высокой точности прогнозов.

В исследовании использованы методы очистки и предварительной обработки данных, включая метод изоляционного леса (Isolation Forest) для обнаружения аномалий, а также различные регрессионные модели, такие как множественная линейная регрессия, RandomForestRegressor, CatBoostRegressor и XGBoost. Для сегментации данных применен кластерный анализ (KMeans), что позволило повысить точность моделей. Точность прогнозов оценивалась с помощью t-теста, F-теста и метрики средней абсолютной процентной ошибки (MAPE).

Результаты исследования подтвердили высокую точность предложенного подхода, что свидетельствует о его потенциале для оптимизации топливных затрат в газотранспортных обществах.

In the current context of energy resource conservation and increased effi ciency of gas transportation systems, developing approaches to improve the accuracy of fuel gas consumption forecasting at compressor stations is a pressing task. This paper analyzes approaches and algorithms for forecasting the volumes of gas needed for the technological and internal needs of compressor stations during gas compression within the gas transportation organizations of Gazprom PJSC. A classifi cation of gas consumption for technological needs and losses is presented, emphasizing the importance of managing fuel gas consumption to optimize the cost of natural gas transportation.

The goal of this study is to develop an approach for operational forecasting of fuel gas consumption at compressor stations of gas transportation organizations, aimed at increasing economic effi ciency and reducing operating costs. To achieve this goal, the following tasks were undertaken: analysis of existing forecasting methods, investigation of data processing techniques for detecting errors and anomalies, and comparison of various regression models to ensure high forecast accuracy.

The study employed data cleaning and preprocessing methods, including the Isolation Forest method for anomaly detection, as well as various regression models such as multiple linear regression, RandomForestRegressor, CatBoostRegressor, and XGBoost. Data segmentation was performed using cluster analysis (KMeans), which allowed for improved model accuracy. Forecast accuracy was assessed using t-tests, F-tests, and the mean absolute percentage error (MAPE) metric.

The results of the study confi rmed the high accuracy of the proposed approach, demonstrating its potential for optimizing fuel costs in gas transportation organizations.

газовая промышленностьприродный газкомпрессорные станциитопливный газрасход газаоперативное прогнозирование расхода газамодели регрессииэкономическая эффективностьоптимизация себестоимостианализ аномалийПАО «Газпром»gas industrynatural gascompressor stationsfuel gasgas consumptionoperational forecasting of gas consumptionregression modelseconomic efficiencycost optimizationanalysis of anomaliesGazprom PJSCReferencesПосягин Б.С., Герке В.Г. Справочное пособие для работников диспетчерских служб газотранспортных систем. М.: ООО «Газпром экспо»; 2015. 796 с.Посягин Б.С., Герке В.Г. Справочное пособие для работников диспетчерских служб газотранспортных систем. М.: ООО «Газпром экспо»; 2015. 796 с.Халикова Э.Р. Управление затратами топливного газа в дочерних газотранспортных обществах ПАО «Газпром». Технико-технологические проблемы сервиса. 2021;(2((56)):55–62.Khalikova E.R. Fuel gas costs management in gas transmission subsidiaries of PJSC Gazprom. Tekhniko-tekhnologicheskie problemy servisa. 2021;(2((56)):55–62. (In Russ.)Чернышов Ю.Ю. Применение автокодировщиков для выявления аномалий в киберфизических системах. Вестник Пермского университета. Математика. Механика. Информатика. 2022;(4(59)):89–94. https://doi.org/10.17072/1993-0550-2022-4-89-94Chernyshov Y.Yu. About using of autoencoders for anomaly detection in cyber-physical systems. Bulletin of Perm University. Mathematics. Mechanics. Computer Science. 2022;(4(59)):89–94. (In Russ.). https://doi.org/10.17072/1993-0550-2022-4-89-94Чесноков М.Ю. Поиск аномалий во временных рядах на основе ансамблей алгоритмов DBSCAN. Искусственный интеллект и принятие решений. 2018;(1):98–106.Chesnokov M.Y. Time series anomaly detection based on DBSCAN ensembles. Iskusstvenniy Intellekt i Prinyatie Resheniy = Artificial Intelligence and Decision Making. 2018;(1):98–106. (In Russ.)Chandola V., Banerjee A., Kumar V. Anomaly detection: A survey. ACM Computing Surveys. 2009;41(3):1–58. https://doi.org/10.1145/1541880.1541882Chandola V., Banerjee A., Kumar V. Anomaly detection: A survey. ACM Computing Surveys. 2009;41(3):1–58. https://doi.org/10.1145/1541880.1541882Dau H.A., Ciesielski V., Song A. Anomaly detection using replicator neural networks trained on examples of one class. In: Dick G. (ed.). Simulated evolution and learning. SEAL 2014. Lecture notes in computer science. Cham: Springer; 2014. Vol. 8886. P. 311–322. https://doi.org/10.1007/978-3-319-13563-2_27Dau H.A., Ciesielski V., Song A. Anomaly detection using replicator neural networks trained on examples of one class. In: Dick G. (ed.). Simulated evolution and learning. SEAL 2014. Lecture notes in computer science. Cham: Springer; 2014. Vol. 8886. P. 311–322. https://doi.org/10.1007/978-3-319-13563-2_27Шаталов К.В., Кириллова А.В. Применение критерия Стьюдента для оценки результатов межлабораторных сравнительных испытаний. Стандартные образцы. 2016;(1):42–49. https://doi.org/10.20915/2077-1177-2016-0-1-42-49Shatalov K.V., Kirillova A.V. Application of Student t-test for evaluation of interlaboratory comparative tests results. Measurement Standards. Reference Materials. 2016;(1):42–49. (In Russ.). https://doi.org/10.20915/2077-1177-2016-0-1-42-49NIST/SEMATECH e-Handbook of Statistical Methods. Exploratory Data Analysis: Measures of Skewness and Kurtosis. https://doi.org/10.18434/M32189NIST/SEMATECH e-Handbook of Statistical Methods. Exploratory Data Analysis: Measures of Skewness and Kurtosis. https://doi.org/10.18434/M32189Sallehuddin R., Shamsuddin S.M., Hashim S.Z.M. Hybridization model of linear and nonlinear time series data for forecasting. In: Second Asia inter. conf. on modelling and simulation (AMS 2008). Kuala Lumpur, Malaysia, 13–15 May, 2008. P. 597–602. https://doi.org/10.1109/AMS.2008.142Sallehuddin R., Shamsuddin S.M., Hashim S.Z.M. Hybridization model of linear and nonlinear time series data for forecasting. In: Second Asia inter. conf. on modelling and simulation (AMS 2008). Kuala Lumpur, Malaysia, 13–15 May, 2008. P. 597–602. https://doi.org/10.1109/AMS.2008.142Breiman L. Random Forest. Machine Learning. 2001;45(1):5–32. https://doi.org/10.1023/A:1010933404324Breiman L. Random Forest. Machine Learning. 2001;45(1):5–32. https://doi.org/10.1023/A:1010933404324Dorogush A.V., Ershov V., Gulin A. CatBoost: gradient boosting with categorical features support. 2018. https://doi.org/10.48550/arXiv.1810.11363Dorogush A.V., Ershov V., Gulin A. CatBoost: gradient boosting with categorical features support. 2018. https://doi.org/10.48550/arXiv.1810.11363Friedman J. Greedy function approximation: a gradient boosting machine. The Annals of Statistics. 2000;29(5):1189–1232. https://doi.org/10.1214/aos/1013203451Friedman J. Greedy function approximation: a gradient boosting machine. The Annals of Statistics. 2000;29(5):1189–1232. https://doi.org/10.1214/aos/1013203451Subramaniyaswamy V., Logesh R. Adaptive KNN based recommender system through mining of user preferences. Wireless Personal Communications. 2017;97(2):2229–2247. https://doi.org/10.1007/s11277-017-4605-5Subramaniyaswamy V., Logesh R. Adaptive KNN based recommender system through mining of user preferences. Wireless Personal Communications. 2017;97(2):2229–2247. https://doi.org/10.1007/s11277-017-4605-5Van der Maaten L., Hinton G. Visualizing data using t-sne. Journal of Machine Learning Research. 2008;9(2605):2579–2605.Van der Maaten L., Hinton G. Visualizing data using t-sne. Journal of Machine Learning Research. 2008;9(2605):2579–2605.Ester M., Kriegel H.P., Sander J., Xu X. A densitybased algorithm for discovering clusters in large spatial databases with noise. In: Proc. of the 2nd Intern. Conf. on Knowledge Discovery and Data Mining (KDD-96); 1996. P. 226–231.Ester M., Kriegel H.P., Sander J., Xu X. A densitybased algorithm for discovering clusters in large spatial databases with noise. In: Proc. of the 2nd Intern. Conf. on Knowledge Discovery and Data Mining (KDD-96); 1996. P. 226–231.Arias-Castro E., Chen G., Lerman G. Spectral clustering based on local linear approximations. Electronic Journal of Statistics. 2011;(5):1537–1587. https://doi.org/10.1214/11-ejs651Arias-Castro E., Chen G., Lerman G. Spectral clustering based on local linear approximations. Electronic Journal of Statistics. 2011;(5):1537–1587. https://doi.org/10.1214/11-ejs651Дружков П.Н., Золотых Н.Ю., Половинкин А.Н. Реализация параллельного алгоритма предсказания в методе градиентного бустинга деревьев решений. Вестник Южно-Уральского государственного университета. Серия: Математическое моделирование и программирование. 2011;(37(254)):82–89.Druzhkov P.N., Zolotykh N.Yu., Polovinkin A.N. Parallel implementation of prediction algorithm in gradient boosting trees method. Vestnik Yuzhno-ural’skogo gosudarstvennogo universiteta. Seriya: Matematicheskoe modelirovanie i programmirovanie = Bulletin of the South Ural State University. Series: Mathematical Modeling and Programming. 2011;(37(254)):82–89. (In Russ.)

The authors declare that there are no conflicts of interest present.