АНАЛИЗ ЭНЕРГОЭФФЕКТИВНОСТИ И ПУТИ СНИЖЕНИЯ ПОТЕРЬ ЭЛЕКТРОЭНЕРГИИ В ЭЛЕКТРОХОЗЯЙСТВЕ МЕТАЛЛУРГИЧЕСКОГО ПРЕДПРИЯТИЯ

О.А. Гаврина; Р.В. Клюев; Д.А. Ярцев; И.О. Гаврин

Авторы

О.А. Гаврина Северо-Кавказский горно-металлургический институт https://orcid.org/0000-0002-9712-9075
Р.В. Клюев Северо-Кавказский горно-металлургический институт https://orcid.org/0000-0003-3777-7203
Д.А. Ярцев Северо-Кавказский горно-металлургический институт https://orcid.org/0009-0006-7288-1291
И.О. Гаврин Северо-Кавказский горно-металлургический институт https://orcid.org/0009-0004-4126-8385

Ключевые слова:

энергоаудит, энергоэффективность, потери электроэнергии, электропривод, трансформаторное оборудование, коэффициент загрузки, металлургическое предприятие

Аннотация

Статья посвящена комплексному анализу энергоэффективности электрохозяйства крупного металлургического предприятия – Никелевого завода. В работе систематизирована информация о структуре энергопотребления, составе основного электрооборудования, включая парк печных трансформаторов и силовых трансформаторов 6/0,4 кВ. Проведено детальное исследование динамики электропотребления за четырехлетний период, выявившее тенденцию к его снижению, преимущественно за счет технологических сегментов. Центральное место в исследовании занимает оценка уровня потерь мощности в низковольтной (0,4 кВ) и высоковольтной (6 кВ) приводных системах. Расчеты проведены для номинального и фактического режимов работы электродвигателей. Установлено, что средний уровень потерь в низковольтном приводе составляет 12,19 %, с максимальными значениями в плавильном (14,18 %) и обжиговом (13,59 %) цехах. Для высоковольтного асинхронного привода средние потери достигают 9,88 %. Выявлены ключевые проблемы: массовая работа оборудования с низким коэффициентом загрузки, неоптимальный подбор мощности электродвигателей и наличие единиц оборудования с экстремально высокими удельными потерями. На основе проведенного анализа сформулирован комплекс практических рекомендаций по оптимизации энергопотребления, включая внедрение частотно-регулируемых приводов, модернизацию парка электродвигателей, внедрение систем мониторинга и компенсации реактивной мощности, что позволит существенно снизить эксплуатационные расходы и повысить энергоэффективность производства.

Биографии авторов

О.А. Гаврина, Северо-Кавказский горно-металлургический институт

Кандидат технических наук, доцент кафедры электроснабжения промышленных предприятий

Р.В. Клюев, Северо-Кавказский горно-металлургический институт

Доктор технических наук, заведующий кафедрой электроснабжения промышленных предприятий

Д.А. Ярцев, Северо-Кавказский горно-металлургический институт

Аспирант кафедры электроснабжения промышленных предприятий

И.О. Гаврин, Северо-Кавказский горно-металлургический институт

Студент кафедры электроснабжения промышленных предприятий

Библиографические ссылки

Петров В.Л., Кузнецов Н.М., Морозов И.Н. Моделирование электропотребления обогатительной фабрики. DOI 10.17580/gzh.2022.02.11 // Горный журнал. 2022. No 2. С. 72-76.

Моргоева А.Д., Клюев Р.В., Ляшенко В.И. Прогнозирование нагрузки на электросеть как способ эффективного управления потреблением электрической энергии. DOI 10.53015/ 18159958_2021_4_39 // Вести высших учебных заведений Черноземья. 2021. No 4 (66). С. 39-51.

Разработка метода решения задач системного анализа в природно-промышленной системе / А.А. Соколов, А.Ю. Аликов, И.И. Босиков, Ю.С. Петров // Перспективы науки. 2010. No 4 (6). С. 83-85.

Жуковский Ю.Л., Сусликов П.К. Оценка потенциального эффекта применения технологии управления спросом на горных предприятиях. DOI 10.21177/1998-4502-2024-16-3-895-908 // Устойчивое развитие горных территорий. 2024. Т. 16, No 3. С. 895-908.

Капанский А.А. Методы решения задач оценки и прогнозирования энергетической эффективности // Вестник Казанского государственного энергетического университета. 2019. Т. 11, No 2 (42). С. 103-115.

Wang Y., Zhang N., Chen X. A short-term residential load forecasting model based on lstm recurrent neural network considering weather features. DOI 10.3390/ en14102737 // Energies. 2021. Vol. 14. article 2737.

Motivation towards energy saving by means of IoT personal energy manager platform / Y. Zhukovskiy, D. Batueva, A. Buldysko, M. Shabalov. DOI 10.1088/ 1742-6596/1333/6/062033 // Journal of Physics: Conference Series. 2019. Vol. 1333 (6).

Sokolov A.A., Fomenko O.A., Ignatev I.V . Development of algorithms for control and control of electric power parameters based on information-measuring system data. DOI 10.1088/1742-6596/2176/1/012076 // Journal of Physics: Conference Series. 2022. Vol. 2176, No 1. Р. 012076.

Mathematical logic model for analysing the controllability of mining equipment / P.V. Shishkin, B.V. Malozyomov, N.V. Martyushev [et al.]. DOI 10.3390/ math12111660 // Mathematics. 2024. Vol. 12, No 11. Р. 1660.

Analysis of a predictive mathematical model of weather changes based on neural networks / B.V. Malozyomov, N.V. Martyushev, S.N. Sorokova [et al.]. DOI 10.3390/math12030480 // Mathematics. 2024. Vol. 12, No 3. Р. 480.

Oprea S.V. Bara A., Ifrim G. Flattening the electricity consumption peak and reducing the electricity payment for residential consumers in the context of smart grid by means of shifting optimization algorithm. DOI 10.1016/j.cie.2018.05.053 // Computers & Industrial Engineering. 2018. Vol. 122. P. 125-139.

An adaptive methodology based on predictive deep learning and context aware clustering for electricity power usage mining and optimization at different granularity levels / P .D. Patil, R. Patil, P . Ahire [et al.]. DOI 10.1016/j.prime.2024 .100628 // e-Prime - Advances in Electrical Engineering, Electronics and Energy. 2024. Vol. 8. Р. 100628.

Albuquerque P .C., Cajueiro D.O., Rossi M.D.C. Machine learning models for forecasting power electricity consumption using a high dimensional dataset. DOI 10.1016/J.ESWA.2021.115917 // Expert Syst Appl. 2022. Vol. 187. article 115917.

Balovtsev S.V., Merkulova A.M. Comprehensive assessment of buildings, structures and technical devices reliability of mining enterprises. DOI 10.25018/0236_1493_2024_3_0_170 // MIAB. Mining Inf. Anal. Bull. 2024. No 3. P . 170-181.

Short- and medium-term power demand forecasting with multiple factors based on multi-model fusion / Q. Ji, S. Zhang, Q. Duan [et al.]. DOI 10.3390/math10122148 // Mathematics. 2022. Vol. 10. article 2148.

Zhou C., Chen X. China’s energy consumption: Combining machine learning with three-layer decomposition approach. DOI 10.1016/j.egyr.2021.08.103 // Predicting Energy Reports. 2021. Vol. 7. P . 5086-5099.

Gagnon Ph., Hayashi Y . Theoretical properties of Bayesian Student-t linear regression. DOI 10.1016/j.spl.2022.109693 // Statistics & Probability Letters. 2022. Vol. 193. article 109693.

An Improved residential electricity load forecasting using a machine-learning-based feature selection approach and a proposed integration strategy / A. Yousaf, R.M. Asif, M. Shakir [et al.]. DOI 10.3390/su13116199 // Sustainability. 2021. Vol. 13. article 6199.

Hamed M.M., Ali H., Abdelal Q. Forecasting annual electric power consumption using a random parameters model with heterogeneity in means and variances. DOI 10.1016/j.energy.2022.124510 // Energy. 2022. Vol. 255. article 124510.

Kante M., Li Y., Deng S. Scenarios Analysis on Electric Power Planning Based on Multi-Scale Forecast: A Case Study of Taoussa. DOI 10.3390/en14248515 // Malifrom 2020 to 2035. Energies. 2021. Vol. 14. article 8515.