Оперативное прогнозирование расхода топливного газа в газотранспортных обществах ПАО «Газпром»

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.

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.