Прогнозирование энергоэффективности в топливно-энергетическом комплексе на основе модели MLP; Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов; Т. 337, № 1
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов=Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering/ Национальный исследовательский Томский политехнический университет.— .— Томск: Изд-во ТПУ, 2015-.— 2413-1830 Т. 337, № 1.— 2026.— С. 193-199 |
|---|---|
| Інші автори: | , , , , |
| Резюме: | Актуальность. В современной мировой экономике наблюдается рост спроса на энергоресурсы, что обусловлено необходимостью обеспечения энергетической безопасности, устойчивого развития общества и одновременного снижения негативного техногенного воздействия на окружающую среду. На уровне государственной политики в качестве приоритетов выделяются цифровизация промышленности, в первую очередь энергетического сектора, внедрение ресурсоэффективных технологий и оптимизация энергопотребления. В этих условиях точное и достоверное прогнозирование энергоэффективности становится ключевым инструментом обеспечения экономического роста, повышения инвестиционной привлекательности и обоснованного принятия стратегических решений. Цель. Основной целью проведённых исследований является разработка методики прогнозирования энергоэффективности на основе показателя энергоёмкости. Предложенная методика включает предварительную статистическую обработку исходных данных с использованием логнормального распределения, проверку их адекватности по критериям Колмогорова–Смирнова, а также проведение корреляционного анализа. На последующем этапе выполняется оптимизация гиперпараметров, после чего адаптируется и применяется модель искусственной нейронной сети типа MLP (Multilayer Perceptron) для оценки и верификации достоверности прогнозов. Эффективность методики продемонстрирована на основе анализа информации, собранной от 23 предприятий топливно-энергетического комплекса. Методы. Обработка данных осуществлялась с использованием логнормального распределения; прогностическая валидность проверялась по критериям Колмогорова–Смирнова и корреляционному анализу. Количество нейронов во входном, скрытом и выходном слоях, а также ключевые гиперпараметры (размер пакета, скорость обучения, функция активации, алгоритм-решатель, число эпох) подбирались на основе критерия минимизации ошибки MAPE. Для проверки устойчивости модели использовалось тестирование на обучающей и тестовой выборках в пропорции 20/5. Результаты. Разработанная модель MLP обеспечила высокую точность прогнозирования: ошибка составила 4,35 % на обучающей выборке и 1,21 % на тестовой. На основе модели спрогнозировано устойчивое снижение энергоёмкости до 2030 г., когда данный показатель достигнет уровня около 0,913 кг н.э./$. Эти результаты подтверждают потенциал значительного повышения энергоэффективности, сокращения издержек, экономии ресурсов и повышения экологической устойчивости. Вывод. Предложенные в статье метод и модель служат надёжной научной основой для высокоточного прогнозирования, принятия стратегических решений и внедрения инновационных разработок в топливно-энергетическом комплексе Relevance. In the modern global economy, the demand for energy resources is steadily increasing, driven by the need to ensure energy security, support sustainable societal development, and simultaneously reduce the negative technogenic impact on the environment. At the state policy level, the main priorities are defined as the digitalization of industry – primarily the energy sector – the implementation of resource-efficient technologies, and the optimization of energy consumption. Under these conditions, accurate and reliable forecasting of energy efficiency becomes a key instrument for ensuring economic growth, increasing investment attractiveness, and supporting science-based strategic decisionmaking. Aim. To develop a methodology for forecasting energy efficiency based on the energy intensity indicator. The proposed methodology includes preliminary statistical processing of the source data using the log-normal distribution, validation of adequacy through the Kolmogorov–Smirnov criterion, and correlation analysis. At the next stage, hyperparameters are optimized, after which a Multilayer Perceptron artificial neural network model is adapted and applied for evaluating and verifying the reliability of forecasts. The effectiveness of the methodology is demonstrated using information collected from 23 enterprises of the fuel and energy complex. Methods. Data processing was carried out using the log-normal distribution, while predictive validity was evaluated with the Kolmogorov–Smirnov test and correlation analysis. The number of neurons in the input, hidden, and output layers, as well as key hyperparameters (batch size, learning rate, activation function, solver, and number of epochs), were optimally selected based on the minimization of the MAPE error. To verify model stability, testing was performed on training and test datasets in a 20/5 proportion. Results. The developed Multilayer Perceptron model demonstrated high forecasting accuracy: the error amounted to 4.35% on the training dataset and 1.21% on the test dataset. The model predicted a steady decrease in energy intensity up to 2030, when this indicator is expected to reach approximately 0.913 kg of oil equivalent per USD. These results confirm the potential for significant improvement in energy efficiency, cost reduction, resource savings, and enhancement of environmental sustainability. Conclusion. The method and model proposed in this study provide a reliable scientific basis for high-precision forecasting, strategic decision-making, and the implementation of innovative developments in the fuel and energy complex Текстовый файл |
| Мова: | Російська |
| Опубліковано: |
2026
|
| Предмети: | |
| Онлайн доступ: | http://earchive.tpu.ru/handle/11683/135118 https://doi.org/10.18799/24131830/2026/1/5149 |
| Формат: | Електронний ресурс Частина з книги |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=685188 |
MARC
| LEADER | 00000naa2a2200000 4500 | ||
|---|---|---|---|
| 001 | 685188 | ||
| 005 | 20260311134705.0 | ||
| 090 | |a 685188 | ||
| 100 | |a 20260226d2026 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn uucaa | ||
| 200 | 1 | |a Прогнозирование энергоэффективности в топливно-энергетическом комплексе на основе модели MLP |d Forecasting energy efficiency in the fuel and energy complex based on the MLP model |z eng |f И. У. Рахмонов, З. М. Шаюмова, В.Я. Ушаков [и др.] | |
| 320 | |a Список литературы: с. 224-225 (26 назв.) | ||
| 330 | |a Актуальность. В современной мировой экономике наблюдается рост спроса на энергоресурсы, что обусловлено необходимостью обеспечения энергетической безопасности, устойчивого развития общества и одновременного снижения негативного техногенного воздействия на окружающую среду. На уровне государственной политики в качестве приоритетов выделяются цифровизация промышленности, в первую очередь энергетического сектора, внедрение ресурсоэффективных технологий и оптимизация энергопотребления. В этих условиях точное и достоверное прогнозирование энергоэффективности становится ключевым инструментом обеспечения экономического роста, повышения инвестиционной привлекательности и обоснованного принятия стратегических решений. Цель. Основной целью проведённых исследований является разработка методики прогнозирования энергоэффективности на основе показателя энергоёмкости. Предложенная методика включает предварительную статистическую обработку исходных данных с использованием логнормального распределения, проверку их адекватности по критериям Колмогорова–Смирнова, а также проведение корреляционного анализа. На последующем этапе выполняется оптимизация гиперпараметров, после чего адаптируется и применяется модель искусственной нейронной сети типа MLP (Multilayer Perceptron) для оценки и верификации достоверности прогнозов. Эффективность методики продемонстрирована на основе анализа информации, собранной от 23 предприятий топливно-энергетического комплекса. Методы. Обработка данных осуществлялась с использованием логнормального распределения; прогностическая валидность проверялась по критериям Колмогорова–Смирнова и корреляционному анализу. Количество нейронов во входном, скрытом и выходном слоях, а также ключевые гиперпараметры (размер пакета, скорость обучения, функция активации, алгоритм-решатель, число эпох) подбирались на основе критерия минимизации ошибки MAPE. Для проверки устойчивости модели использовалось тестирование на обучающей и тестовой выборках в пропорции 20/5. Результаты. Разработанная модель MLP обеспечила высокую точность прогнозирования: ошибка составила 4,35 % на обучающей выборке и 1,21 % на тестовой. На основе модели спрогнозировано устойчивое снижение энергоёмкости до 2030 г., когда данный показатель достигнет уровня около 0,913 кг н.э./$. Эти результаты подтверждают потенциал значительного повышения энергоэффективности, сокращения издержек, экономии ресурсов и повышения экологической устойчивости. Вывод. Предложенные в статье метод и модель служат надёжной научной основой для высокоточного прогнозирования, принятия стратегических решений и внедрения инновационных разработок в топливно-энергетическом комплексе | ||
| 330 | |a Relevance. In the modern global economy, the demand for energy resources is steadily increasing, driven by the need to ensure energy security, support sustainable societal development, and simultaneously reduce the negative technogenic impact on the environment. At the state policy level, the main priorities are defined as the digitalization of industry – primarily the energy sector – the implementation of resource-efficient technologies, and the optimization of energy consumption. Under these conditions, accurate and reliable forecasting of energy efficiency becomes a key instrument for ensuring economic growth, increasing investment attractiveness, and supporting science-based strategic decisionmaking. Aim. To develop a methodology for forecasting energy efficiency based on the energy intensity indicator. The proposed methodology includes preliminary statistical processing of the source data using the log-normal distribution, validation of adequacy through the Kolmogorov–Smirnov criterion, and correlation analysis. At the next stage, hyperparameters are optimized, after which a Multilayer Perceptron artificial neural network model is adapted and applied for evaluating and verifying the reliability of forecasts. The effectiveness of the methodology is demonstrated using information collected from 23 enterprises of the fuel and energy complex. Methods. Data processing was carried out using the log-normal distribution, while predictive validity was evaluated with the Kolmogorov–Smirnov test and correlation analysis. The number of neurons in the input, hidden, and output layers, as well as key hyperparameters (batch size, learning rate, activation function, solver, and number of epochs), were optimally selected based on the minimization of the MAPE error. To verify model stability, testing was performed on training and test datasets in a 20/5 proportion. Results. The developed Multilayer Perceptron model demonstrated high forecasting accuracy: the error amounted to 4.35% on the training dataset and 1.21% on the test dataset. The model predicted a steady decrease in energy intensity up to 2030, when this indicator is expected to reach approximately 0.913 kg of oil equivalent per USD. These results confirm the potential for significant improvement in energy efficiency, cost reduction, resource savings, and enhancement of environmental sustainability. Conclusion. The method and model proposed in this study provide a reliable scientific basis for high-precision forecasting, strategic decision-making, and the implementation of innovative developments in the fuel and energy complex | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |0 288378 |9 288378 |t Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов |l Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering |f Национальный исследовательский Томский политехнический университет |c Томск |n Изд-во ТПУ |d 2015- |x 2413-1830 | |
| 463 | 1 | |0 685014 |9 685014 |t Т. 337, № 1 |d 2026 |v С. 193-199 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a энергоэффективность | |
| 610 | 1 | |a энергоемкость | |
| 610 | 1 | |a прогнозирование | |
| 610 | 1 | |a нейронная сеть | |
| 610 | 1 | |a MLP | |
| 610 | 1 | |a выбор гиперпараметров | |
| 610 | 1 | |a энергосбережение | |
| 610 | 1 | |a ошибка MAPE | |
| 610 | 1 | |a функция активации | |
| 610 | 1 | |a эпохи | |
| 610 | 1 | |a энергетическая безопасность | |
| 610 | 1 | |a energy efficiency | |
| 610 | 1 | |a energy intensity | |
| 610 | 1 | |a forecasting | |
| 610 | 1 | |a neural network | |
| 610 | 1 | |a hyperparameter selection | |
| 610 | 1 | |a energy saving | |
| 610 | 1 | |a MAPE error | |
| 610 | 1 | |a activation function | |
| 610 | 1 | |a epochs | |
| 610 | 1 | |a energy security | |
| 701 | 1 | |a Рахмонов |b И. У. |g Икромжон Усмонович | |
| 701 | 1 | |a Шаюмова |b З. М. |g Замира Мустафаевна | |
| 701 | 1 | |a Ушаков |b В. Я. |c специалист в области электроэнергетики |c профессор Томского политехнического университета, доктор технических наук |f 1939- |g Василий Яковлевич |9 2236 | |
| 701 | 1 | |a Ниёзов |b Н. Н. |g Нуъмон Низомиддинович | |
| 701 | 1 | |a Жалилова |b Д. А. |g Динора Анваровна | |
| 801 | 0 | |a RU |b 63413507 |c 20260226 | |
| 850 | |a 63413507 | ||
| 856 | 4 | 0 | |u http://earchive.tpu.ru/handle/11683/135118 |z http://earchive.tpu.ru/handle/11683/135118 |
| 856 | 4 | 0 | |u https://doi.org/10.18799/24131830/2026/1/5149 |z https://doi.org/10.18799/24131830/2026/1/5149 |
| 942 | |c CF | ||