俄罗斯天然气工业股份公司天然气输送公司燃气消 耗量的运营预测

在现代条件下，节约能源和提高天然气运输系统效率的紧迫任务是开发提高预测压缩 机站燃气消耗量准确性的方法。本文分析了俄罗斯天然气工业股份公司天然气输送公司压缩 天然气时压缩机站的技术和辅助需求所需的燃气量的方法和算法。介绍了技术需求和损失所 需的燃气消耗分类，强调了燃气消耗管理对优化天然气输送成本的重要性。

该研究的目的是开发一种对天然气输送公司压缩机站的燃气消耗进行运营预测的方法， 这将提高经济效率并降低天然气输送公司的运营成本。为了实现目标，解决了以下任务： 分析现有预测方法，研究数据处理和检测错误和异常的方法，比较各种回归模型以确保预测 的高精度。

研究采用了数据清洗与预处理方法，包括用于检测异常的 Isolation Forest (孤立森林） 算法， 并利用各种回归模型，如多元线性回归、RandomForestRegressor、CatBoostRegressor 和 XGBoost。聚类分析 (KMeans）用于分割数据，从而提高了模型的准确性。使用 T 检验、F 检 验和平均绝对百分比误差（MAPE）评估预测的准确性。

研究结果证实了所提出方法的高准确度，这表明该方法具有优化输气公司燃料成本的潜力。

1. Посягин Б.С., Герке В.Г. Справочное пособие для работников диспетчерских служб газотранспортных систем. М.: ООО «Газпром экспо»; 2015. 796 с.

2. Халикова Э.Р. Управление затратами топливного газа в дочерних газотранспортных обществах ПАО «Газпром». Технико-технологические проблемы сервиса. 2021;(2((56)):55–62.

3. 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/10.17072/1993-0550-2022-4-89-94

4. Чесноков М.Ю. Поиск аномалий во временных рядах на основе ансамблей алгоритмов DBSCAN. Искусственный интеллект и принятие решений. 2018;(1):98–106.

5. Chandola V., Banerjee A., Kumar V. Anomaly detection: A survey. ACM Computing Surveys. 2009;41(3):1–58. https://doi.org/10.1145/1541880.1541882

6. Dau 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_27

7. Шаталов К.В., Кириллова А.В. Применение критерия Стьюдента для оценки результатов межлабораторных сравнительных испытаний. Стандартные образцы. 2016;(1):42–49. https://doi.org/10.20915/2077-1177-2016-0-1-42-49

8. NIST/SEMATECH e-Handbook of Statistical Methods. Exploratory Data Analysis: Measures of Skewness and Kurtosis. https://doi.org/10.18434/M32189

9. Sallehuddin 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.2008.142

10. Breiman L. Random Forest. Machine Learning. 2001;45(1):5–32. https://doi.org/10.1023/A:1010933404324

11. Dorogush A.V., Ershov V., Gulin A. CatBoost: gradient boosting with categorical features support. 2018. https://doi.org/10.48550/arXiv.1810.11363

12. Friedman J. Greedy function approximation: a gradient boosting machine. The Annals of Statistics. 2000;29(5):1189–1232. https://doi.org/10.1214/aos/1013203451

13. Subramaniyaswamy 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/s11277-017-4605-5

14. Van der Maaten L., Hinton G. Visualizing data using t-sne. Journal of Machine Learning Research. 2008;9(2605):2579–2605.

15. 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.

16. 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-ejs651

17. Дружков 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.