Architecture of the energy consumption management and planning system for long-term contract market participants

The modern electricity market places strict requirements on the accuracy of forecasting daily load schedules. For industrial enterprises that are participants in the bilateral contracts market, deviations of actual consumption from the planned one (imbalances) lead to significant financial losses. T...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2025
Автори:	Голець, В. О., Коваль, О. В.
Формат:	Стаття
Мова:	Українська
Опубліковано:	Інститут проблем реєстрації інформації НАН України 2025
Теми:	software telemetry data semantic model semantic modeling energy consumption consumers of long-term energy contracts
Онлайн доступ:	https://drsp.ipri.kiev.ua/article/view/354594
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Data Recording, Storage & Processing
Завантажити файл:

Репозитарії

Data Recording, Storage & Processing

_version_	1867479073608957952
author	Голець, В. О. Коваль, О. В.
author_facet	Голець, В. О. Коваль, О. В.
author_institution_txt_mv	[ { "author": "В. О. Голець", "institution": "НТУУ «КПІ імені Ігоря Сікорського» " }, { "author": "О. В. Коваль", "institution": "Інститут проблем реєстрації інформації НАН України" } ]
author_sort	Голець, В. О.
baseUrl_str	http://drsp.ipri.kiev.ua/oai
collection	OJS
datestamp_date	2026-06-08T07:18:31Z
description	The modern electricity market places strict requirements on the accuracy of forecasting daily load schedules. For industrial enterprises that are participants in the bilateral contracts market, deviations of actual consumption from the planned one (imbalances) lead to significant financial losses. Traditional approaches to planning, based on static standards and averaged statistical data, do not take into account the dynamics of changes in the technical condition of equipment (wear, temperature conditions, vibrations), which reduces the accuracy of forecasts. This study aims to propose an architecture of a software-hardware system for monitoring and planning energy consumption of major energy market consumers, participants in the energy market of long-term contracts, taking into account the technical condition of production equipment in real time. A three-level model is proposed, including edge, fog and cloud levels covering all stages from data processing to decision making. The proposed architecture is reviewed from the point of view of connections between components, modules, sequences, and data exchange. Unlike traditional systems and approaches to energy consumption planning, which mainly use averaged statistical data to calculate energy consumption, the proposed solution integrates semantic modeling methods with the analysis of telemetric information from equipment sensors, which allows drawing conclusions and detecting deviations in equipment operation in real time and responding to them in a timely manner. The implementation of the proposed architecture allows enterprises to move from reactive to proactive energy consumption management. The testing results show that taking into account the current technical condition of the equipment allows you to reduce the forecast error and minimize the number of imbalances, which ensures the economic efficiency of the enterprise in a dynamic energy market. Fig.: 8. Refs: 27 titles.
doi_str_mv	10.35681/1560-9189.2025.27.3.354594
first_indexed	2026-04-13T01:00:05Z
format	Article
fulltext	ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 77 DOI: 10.35681/1560-9189.2025.27.3.354594 УДК 004.02 В. О. Голець1, О. В. Коваль2 1НТУУ «КПІ імені Ігоря Сікорського» Проспект Берестейський, 37, 03056 Київ, Україна e-mail: vladislav.holets@gmail.com 2Інститут проблем реєстрації інформації НАН України вул. М. Шпака, 2, 03113 Київ, Україна e-mail: avkovalgm@gmail.com Архітектура системи керування та планування енергоспоживання учасників ринку довгострокових договорів Запропоновано архітектуру програмно-апаратної системи контролю та планування енергоспоживання вагомих споживачів енергоринку, учас- ників енергоринку довгострокових договорів, з урахуванням технічного стану виробничого обладнання в режимі реального часу. Пропонована архітектура оглядається з точки зору зв’язків між компонентами, мо- дулів, послідовностей і обміну даними. На відміну від традиційних сис- тем і підходів до планування енергоспоживання, які переважно викорис- товують усереднені статистичні дані для обчислення енергоспожи- вання, запропоноване рішення інтегрує методи семантичного моделю- вання з аналізом телеметричної інформації від сенсорів обладнання, що дозволяє формувати висновки і в реальному часі виявляти відхилення в роботі обладнання та вчасно реагувати на них. Ключові слова: програмне забезпечення, телеметрична інформація, се- мантична модель, семантичне моделювання, енергоспоживання, спо- живачі. Вступ Сучасні підприємства в умовах енергоринку довгострокових договорів зобо- в’язані точно планувати своє енергоспоживання для запобігання ситуацій дефіциту в енергосистемі, що може призвести до фінансових збитків. Вчасне планування енер- госпоживання дозволяє підприємствам-енергопостачальникам визначити обсяги генерації і забезпечити споживачів електроенергією вчасно та без надмірних фінан- сових і екологічних збитків [1]. Це призводить до необхідності створення архітек- тури програмного забезпечення планування та керування енергоспоживанням, яка © В. О. Голець, О. В. Коваль В. О. Голець, О. В. Коваль 78 надає змогу використовувати знання про стан обладнання, бізнес-процеси та струк- туру виробництва для того, аби якомога точніше визначити енергетичні профілі під- приємства [2]. Аналіз останніх досліджень і публікацій Є очевидна тенденція до синтезу диспетчеризації і планування енергоспожи- вання з аналітикою щодо стану виробничих сегментів [2]. Численні роботи спираю- ться на програмну систему (яка в той же час є відповідною стратегією) DSM (De- mand Side Management — Керування з боку попиту) як на фундаментальний підхід для розвитку системи диспетчеризації споживання [2]. Роботи, що націлені саме на механізми планування та прогнозування використовують підходи DSM задля циф- ровізації архаїчних методів обліку та планування [3]. Виокремлюються також ро- боти що описують елемент агрегаційних утворень на основі керування попитом [4]. Але ці підходи не вирішують проблему в комплексі, а розглядають окремі її симп- томи, а саме виникнення небалансу споживання та генерації [2], зношення облад- нання та виробничі аварії, що призводять до порушення профілів споживання [5], та ручний і напівавтоматичний підходи до планування енергоспоживання [6]. Це призвело до необхідності створення архітектури програмного забезпечення, що об’єднує та систематизує перспективні практики та напрацювання і надає змогу підвищити ефективність планування енергоспоживання для суттєвих споживачів енергоринку [7]. Особливістю роботи споживачів енергоринку за довгостроковими договорами є необхідність формування профілів енергоспоживання на 2 дні наперед. Відхи- лення від наданих профілів призводить до стягнення штрафів оператором енерго- ринку не залежно від того, чи було перевищено споживання чи навпаки недоспо- жито. Очевидною є проблема планування енергоспоживання обладнання без при- в’язки до його стану, можливих експлуатаційних проблем і зношення, що не є по- казовим, а призводить до раптових інцидентів на виробництві [8]. Описана архітек- тура СКПС покликана вирішити завдання планування енергоспоживання підприє- мства на основі інформації про стан і працездатність обладнання. Формулювання мети статті У представленій роботі авторами пропонується архітектура програмної сис- теми керування та планування споживання електроенергії (СКПС), що має прово- дити моніторинг обладнання, технічну оцінку його стану та прогнозувати події, які впливають на графіки споживання електроенергії, з урахуванням цього стану. Крім того СКПС повинна в реальному часі фіксувати потенційні відхилення та перероз- поділяти енергію між суттєвими споживачами енергоринку для зменшення фінан- сових збитків. Усе це слід реалізовувати на кінцевих об’єктах споживачів у реаль- ному часі автоматизовано, локально та приватно з урахуванням досвіду функціону- вання енергомереж і експлуатаційними особливостями устаткування споживачів [2, 9]. Вирішення цих вимог потребує застосування методів, що формують знання про функціонування енергомереж і стан обладнання, а також інтелектуальних рішень прогнозування подій, які впливають на енергоспоживання підприємства [10]. Архітектура системи керування та планування енергоспоживання учасників ринку довгострокових договорів ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 79 Опис архітектури Запропонована СКПС, яка має модульну архітектуру (рис. 1) і включає модуль аналізу стану обладнання (АСО), модуль обліку та планування технологічної лінії (ОПТЛ) і модуль обліку та планування підприємства (ОПП). Ключовою особливіс- тю СКПС є застосування для вирішення поставлених задач у заданих обмеженнях підходів граничної і туманної аналітики та методів управління знаннями, які фор- муються та накопичуються в процесі застосування. Рис. 1. Діаграма компонентів архітектури СКПС (Helicopter view) Функціональність пропонованої архітектури СКПС, в першу чергу, покладає- ться на розумінні стану обладнання з урахуванням телеметрії із сенсорів облад- нання, які вимірюють показники фізичних параметрів і даних технічного та комер- ційного обліку енергоспоживання. Це дозволяє спостерігати флуктуації у функціо- нуванні того чи іншого елемента технологічної лінії і завчасно відстежити його зно- шення або пошкодження. В свою чергу введення цих аспектів дозволяє системі пла- нувати ремонти та сервісні процеси для окремих ланок технологічної лінії з відпо- відною корекцією енергоспоживання всієї лінії і підприємства в цілому. База знань, що містить цифрову модель обладнання у представлені цифрового двійника, забез- печує здатність СКПС до розуміння стану вузлів обладнання або окремих його еле- ментів [11]. У пропонованій архітектурі граничний модуль аналізу стану обладнання АСО (рис. 1), використовуючи знання про стан обладнання та значення наявних потоків телеметрії, визначає, чи є стан обладнання задовільним, попереджувальним чи кри- тичним, що, в свою чергу, дозволяє передбачити зміни в продуктивності та енерго- споживанні певного агрегату, а також технологічної лінії загалом. Семантична мо- дель роботи обладнання формується на основі документації про обладнання і його вузли, та надає розуміння про те, як за певних вхідних параметрів і впливів має поводити себе пристрій, і на що вказують відхилення певних показників функціо- нування [12]. Таким чином, модуль аналізу стану обладнання на основі реальних телеметричних даних і онтологічної моделі формує висновок про стан обладнання та доступні режими роботи обладнання. В. О. Голець, О. В. Коваль 80 Формальний опис семантичної моделі описано рівнянням: 𝑂 = {𝐶, 𝑃, 𝑅, 𝑆}, (1) де С — сукупність концептів (класів), що описують сутності СКПС; P — множина атрибутів і характеристик цих класів; R — система семантичних відношень між класами та їхніми властивостями; S — набір логічних правил та обмежень, що ви- значають цілісність моделі. Процес споживання енергії під час роботи обладнання визначено у вигляді графа знань, що відображає взаємозв’язки між фізичними активами та їхніми енер- гетичними профілями. Цей спосіб опису дозволяє розкрити залежності між елемен- тами обладнання, їхніми окремими та загальними характеристиками, режимами ро- боти та ресурсом, і енергоспоживанням устаткування. Такі взаємозв’язки виражені математично у вигляді лінійних і нелінійних залежностей, або логічно, а структуру залежностей визначає орієнтований граф (рис. 2). Рис. 2. Фрагмент графа знань Вершинами графа (Node) виступають екземпляри класів Equipment (облад- нання), Sensor (сенсори) та State (стани). Ребрами (Edge) є семантичні зв’язки, що визначають контекст: hasOperationMode (встановлює режим), hasConstraint (накла- дає обмеження) та hasState (визначає поточний енергетичний стан): 𝑁𝑜𝑑𝑒 ≡ 𝐸𝑞𝑢𝑖𝑝𝑚𝑒𝑛𝑡 ∪ 𝑆𝑒𝑛𝑠𝑜𝑟 ∪ 𝑆𝑡𝑎𝑡𝑒∪ 𝑂𝑝𝑒𝑟𝑎𝑡𝑖𝑜𝑛𝑀𝑜𝑑𝑒, (2) 𝐸𝑑𝑔𝑒 ≡ 𝑂𝑏𝑗𝑒𝑐𝑡𝑃𝑟𝑜𝑝𝑒𝑟𝑡𝑦, (3) 𝐸𝑑𝑔𝑒 ⊆ {ℎ𝑎𝑠𝑆𝑡𝑎𝑡𝑒, ℎ𝑎𝑠𝐶𝑜𝑛𝑠𝑡𝑟𝑎𝑖𝑛𝑡, 𝑀𝑒𝑎𝑠𝑢𝑟𝑒𝑠, 𝑖𝑠𝐴𝑡𝑡𝑎𝑐ℎ𝑒𝑑𝑇𝑜,… }, (4) 𝑁𝑜𝑑𝑒𝐸𝑞𝑢𝑖𝑝𝑚𝑒𝑛𝑡 (ℎ𝑎𝑠𝑆𝑡𝑎𝑡𝑒) 𝑁𝑜𝑑𝑒𝑂𝑝𝑒𝑟𝑎𝑡𝑖𝑜𝑛𝑎𝑙𝑆𝑡𝑎𝑡𝑒, (5) 𝑁𝑜𝑑𝑒𝑆𝑡𝑎𝑡𝑒 (ℎ𝑎𝑠𝑃𝑜𝑤𝑒𝑟𝐹𝑎𝑐𝑡𝑜𝑟) 𝑉𝑎𝑙𝑢𝑒𝐷𝑜𝑢𝑏𝑙𝑒, (6) Архітектура системи керування та планування енергоспоживання учасників ринку довгострокових договорів ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 81 𝑁𝑜𝑑𝑒𝑆𝑒𝑛𝑠𝑜r (𝑖𝑠𝐴𝑡𝑡𝑎𝑐ℎ𝑒𝑑𝑇𝑜) 𝑁𝑜𝑑𝑒𝐸𝑞𝑢𝑖𝑝𝑚𝑒𝑛𝑡, (7) Обчислення функції визначення працездатності та стану обладнання описує- ться математичною моделлю, яка представлена рівнянням: 𝑔 = 𝑔(𝑡, 𝑃, 𝑉, 𝐴𝑄𝐼, 𝐴, 𝑤, 𝑇, 𝐶), (8) де t — температура агрегату; P — тиск в пневмосистемі; V — швидкість потоку охолоджувальної рідини; AQI — якість повітря; A — струм у системі; w — швид- кість обертів; Т — кількість мотогодин; С — фактична споживана потужність. Результати обрахунків, які виконані на периферійному рівні обчислень моду- лем аналізу стану обладнання (АСО) про стан обладнання, надсилаються до модуля обліку та планування технологічної лінії (ОПТЛ) і формують картину стану техно- логічної лінії, її продуктивність і енергоспоживання, поточні та прогнозовані. Варто зазначити що мінімально необхідний горизонт планування для енергоринку — 72 години, проте для бізнес-процесів існує потреба розуміти стан виробничих потуж- ностей на довший термін, для забезпечення неперервності виробництва, а також його швидкого обслуговування. Модуль обліку та планування технологічної лінії на основі показників облад- нання технічного обліку і отриманих результатів обчислень, виконаних на перифе- рійному рівні, а також орієнтуючись на задані модулем обліку та планування підп- риємства (ОПП) обсяги виробництва, формує графіки енергетичного навантаження на 2 дні наперед, 1 день наперед, і поточний день (ГЕН Д2, ГЕН Д1, ГЕН Д0 відпо- відно) для контрольованої ним технологічної лінії. Ці графіки та їхній формат про- диктовані правилами енергоринку і містять лише дані про споживання у визначені періоди. Графіки, сформовані модулями ОПТЛ як окремими елементами виробництва, надсилаються до модуля обліку та планування підприємства для створення профі- лів споживання, які формуються зокрема на основі інформації з ліній виробництва, а також користувацького впливу керівництва підприємства [13]. Цей модуль є цен- тральним і керівним елементом системи, він є інтерфейсом підприємства перед опе- ратором ринку або агрегатором, який об’єднує декілька підприємств і забезпечує балансування потужностей між ним. Далі розглянемо детальніше складові СКПС. Оскільки ця архітектура перед- бачає збір даних з сенсорів у реальному часі, та з огляду на гетерогенність облад- нання на виробництвах, пропонується підхід граничної аналітики для збору і оброб- ки телеметричних даних. Модуль АСО (рис. 3) займається граничною обробкою те- леметричних даних і формує висновки про стан обладнання, що необхідні для фор- мування прогнозів енергоспоживання на основі семантичного моделювання проце- сів роботи досліджуваного обладнання. Інтерфейси інженера та інженера контрольно-вимірювальних приладів і авто- матики (КВПіА) надають можливість встановлювати регламенти експлуатації обла- днання відповідним кваліфікованим персоналом і налаштовувати вузли обліку та автоматику обладнання [14, 15]. Обладнання, що досліджується, відправляє пото- кові телеметричні дані з наявних сенсорів, які відображають значення фізичних ха- рактеристик і ресурс елементів обладнання, та отримує керуючі впливи про зміни режиму роботи, або інші оптимізаційні команди за необхідності [16]. Модуль АСО В. О. Голець, О. В. Коваль 82 має обмежені обчислювальні ресурси, проте виконує обробку «сирих» даних біля місця їхньої генерації. У свою чергу це дозволяє уникнути навантаження на мережу підприємства, на відміну від суто хмарного підходу [17]. Тобто телеметричні дані не відправляються на рівень хмарних обчислень (ЦОД підприємства), чи на рівень туманних обчислень для агрегованого опрацювання, а обробляються на рівні гра- ничних обчислень, і формують локальний висновок про стан обладнання. Рис. 3. Діаграма компонентів архітектури модуля аналізу стану обладнання Варто зазначити що таким чином вирішується ряд проблем, що виникають при масштабуванні системи на великі підприємства, а саме: 1) навантаження на мережу — граничні пристрої обробляють сирі дані та роб- лять інтелектуальний висновок, який і передається до туману, замість того щоб зби- рати телеметрію з усього підприємства для обробки одному ЦОД. Це стає особливо актуальним коли підприємство складається з декількох будівель з низкою техноло- гічних ліній, і організація комунікації ускладнюється фізичним розташуванням і структурою ліній [16]; 2) швидкість реагування — периферійні пристрої є заточеними під провізію свого індивідуального типу обладнання зі знанням про його експлуатаційні особли- вості, описані в семантичній моделі роботи обладнання, що дозволяє в реальному часі реагувати на інциденти, а також відстежувати стан і працездатність облад- нання, маючи при цьому стандартизований інтерфейс з туманим рівнем обчислення [16, 17]. Так званий принцип низького зв’язування та високої зв’язності, коли мо- дулі не знають про внутрішню структуру одне одного і заточені на виконання свого чіткого завдання; 3) обслуговування — заміна будь якого обладнання не вимагає повної перебу- дови системи, прокладки нових комунікацій, тощо [16]. Зберігається принцип лег- кої зміни елемента та його конфігурації, без збитківі затримок у роботі підприєм- ства. На рівні модуля ОПТЛ (рис. 4) виконуються задачі технічного обліку енерго- споживання та за рахунок агрегації інформації про стан обладнання формуються операційні плани для конкретних елементів лінії. Архітектура системи керування та планування енергоспоживання учасників ринку довгострокових договорів ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 83 Рис. 4. Діаграма компонентів архітектури модуля обліку та планування технологічної лінії З фізичної точки зору модуль ОПТЛ є блоком туманних обчислень всередині підприємства. До цього призводить складність задач і процесів, покладених на мо- дуль ОПТЛ, а саме: облік і планування енергоспоживання технологічної лінії, а та- кож визначення операційних контекстів обладнання в реальному часі. Інтерфейс ін- женера технологічної лінії дозволяє встановлювати логіку роботи та залежності між елементами лінії з точки зору процесу [18]. Спираючись на стан обладнання, заданий виробничий процес, а також цільові показники, що задає керівництво, мо- дуль ОПТЛ формує поточні операційні контексти для обладнання, які визначають поточний режим роботи та його параметри [16, 18]. Окрім того, модуль ОПТЛ на основі отриманих даних і визначених контекстів у реальному часі планує енерго- споживання технологічної лінії і формулює на основі цього графіки ГЕН Д2, Д1, та Д0. Модуль ОПП (рис. 5) агрегує графіки технологічних ліній для подальшого фор- мування енергетичних профілів підприємства. Розгорнутий на локальній хмарі (ЦОД підприємства) модуль ОПП передбачає наявність інтерфейсу адміністратора, для візуалізації даних про поточне, історичне та прогнозоване споживання, а також визначення поточної стратегії виробництва, що включає в себе рівні та графіки виробництва. Сформовані цілі виробництва до- водяться до технологічних ліній, а профілі споживання до оператора ринку або аг- регаційної групи [20]. Розглянемо запропоновану архітектуру СКПС з точки зору послідовностей, зокрема для периферійного модуля як основного інтелектуального елемента про- грамної системи (рис. 6). Опитування телеметрії і обробка даних обладнання відбувається циклічно в реальному часі. Слід зазначити, що залежно від принципів роботи обладнання, зо- крема його інертності, поняття реального часу є варіативним і може вимагати різні обчислювальні швидкості для вчасного розуміння критичності тих чи інших флук- туацій [9]. В. О. Голець, О. В. Коваль 84 Рис. 5. Діаграма компонентів архітектури модуля обліку та планування підприємства Рис. 6. Діаграма послідовностей СКПС Відхилення від нормальних значень у потоках даних з сенсорів обладнання, що виникають під час експлуатації, класифікуються за рівнем ризику, а також вра- ховуються при визначенні оцінки стану обладнання. Базовими рівнями ризику ви- значено НОРМАЛЬНИЙ, ПОПЕРЕДЖУВАЛЬНИЙ і КРИТИЧНИЙ [21]. Попере- джувальний рівень свідчить про відхилення від штатних показників для певного режиму роботи, та вказує на необхідність діагностики для виявлення причини. Кри- тичний рівень вказує на істотне відхилення, поламку, або їхню сукупність, що уне- можливлює подальшу експлуатацію обладнання в безпечних режимах і вимагає не- гайного планування зупинки та обслуговування обладнання [8]. Окрім таких висновків, що є принципово дискретними, на основі діагностич- них правил і результатів семантичного моделювання формується відсоткова оцін- Архітектура системи керування та планування енергоспоживання учасників ринку довгострокових договорів ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 85 ка працездатності обладнання, що відображає спроможність виконати цикл опера- цій [22]. Туманний і хмарний обчислювальні модулі опрацьовують ці результати, та ви- користовують агреговані дані для подальших розрахунків енергоспоживання. Розглянемо потоки даних на рівні підприємства для кращого розуміння взає- модії між модулями СКПС (рис. 7). Ця діаграма відображає маршрути руху даних, місця їхнього накопичення, об- робки, зберігання та перетворення від телеметричних потоків до енергетичних про- філів підприємства та бізнес-звітів. Варто зазначити що СКПС є замкненою систе- мою, оскільки передбачає не тільки моніторинг але й керування елементами підп- риємства [23]. Рис. 7. Діаграма потоків даних СКПС (DFD Level 1) Вхідні дані можна поділити на оперативні та керуючі [24]. Оперативні дані включають в себе потоки телеметрії від сенсорів обладнання, в той час як керуючі дані — це налаштування логіки, діагностичних правил та автоматики через інжене- рні інтерфейси та цілей виробництва через інтерфейс адміністратора підприємства [24, 25]. Процес аналізу стану обладнання передбачає валідацію та попередню гранич- ну обробку телеметричних даних з сенсорів устаткування, керуючись правилами та параметрами семантичної моделі, і в результаті семантичного моделювання роботи обладнання визначає його стан та працездатність [18]. Процес обліку та планування технологічної лінії поєднує технічний стан об- ладнання з даними енергоспоживання і виробничими планами та в результаті оброб- ки формує операційні контексти для устаткування та графіки енергоспоживання те- хнологічної лінії для формування профіля енергоспоживання підприємства [13, 15]. Процес обліку та планування підприємства агрегує сформовані графіки тех- нологічних ліній і бізнес-цілі керівництва підприємства з метою надання оператору ринку або агрегаційній групі профілю енергоспоживання відповідно до вимог рин- ку енергоресурсів [13]. У базі знань D1 (рис. 6) зберігаються сукупність класів, їхніх атрибутів і ха- рактеристик, семантичних відношень і логічних правил і обмежень, що визначають цілісність моделі роботи обладнання. В. О. Голець, О. В. Коваль 86 Історична база даних D2 зберігає хронологічну історію телеметричних даних та висновків для подальшого аналізу і обробки інтегральних залежностей. База даних D3 зберігає дані планування енергоспоживання технологічної лі- нії. На основі зокрема цих історичних даних відбувається аналіз відхилень і корек- ція вже визначених планів [26, 27]. База даних D4 призначена для зберігання планів та операційних контекстів, сформованих у результаті роботи модуля ОПТЛ. Розглянемо приклад роботи системи в умовах технологічної лінії підприємст- ва. Для тестування СКПС на встановленому обладнанні було обраховано профілі споживання конвенційним методом підприємства без СКПС і з використанням СКПС, що враховує стан обладнання, і порівняно з фактичним споживанням (рис. 7). Рис. 8. Графіки запланованого та фактичного споживання Очевидним є вплив стану обладнання на фактичне споживання, і рис. 8 яск- раво демонструє його зв’язок з точністю планування. Наведені графіки демонстру- ють зменшення небалансів на 2,8 % у робочі години, що дозволяє зменшити фінан- сові збитки підприємства на енергоспоживанні цієї технологічної лінії. Висновок Запропонована архітектура СКПС показує перспективи до зменшення неба- лансів планування енергоспоживання суттєвих споживачів, що є учасниками енер- горинку довгострокових договорів. Це призводить до необхідності подальших дос- ліджень у контексті граничної аналітики обладнання та промислових процесів в енергетичній галузі. Семантичне моделювання роботи устаткування дозволяє тісно пов’язати усі компоненти виробничого процесу з метою оптимального виконання його цільових показників. 1. Leherbauer Dominik, Schulz Julia, Egyed Alexander, & Hehenberger Peter. Demand-side man- agement in less energy-intensive industries: A systematic mapping study. Renewable and Sustainable En- ergy Reviews. 2025. 212. 115315. doi: 10.1016/j.rser.2024.115315. Архітектура системи керування та планування енергоспоживання учасників ринку довгострокових договорів ISSN 1560-9189 Реєстрація, зберігання і обробка даних, 2025, Т. 27, № 3 87 2. Kotsar Oleg. Тhe improvement of planning and demand-side management processes. Рower en- gineering: economics, technique, ecology. 2025. No. 3. P. 118–127. doi: 10.20535/1813-5420.3. 2025.339798. 3. Barbero Mattia, Corchero Cristina, Heredia F.-Javier. Demand aggregator optimal strategies: from the bidding to the execution. 2023. doi: 10.13140/RG.2.2.29091.22560. 4. Dongkun Chen, Qiushi Cui, Dongdong Li, & Panqiu Ren. Integrated energy system planning for a heavy equipment manufacturing industrial park. Frontiers in Energy Research. 2024. 12. doi: 10.3389/fenrg.2024.1448362. 5. Groenewald H.J., Kleingeld M., & Vosloo Jan. A performance-centred maintenance strategy for industrial DSM projects. 2015. Р. 50–53. doi: 10.1109/ICUE.2015.7280246. 6. Groenewald H., Rensburg J., & Marais J. Business case for industrial DSM maintenance. 2014. Р. 1–5. doi: 10.1109/ICUE.2014.6904167. 7. Islam Noor-E-Taha Md. Saffatul, Kabir Md, Hossain Alamin, & Hasan Md. Analysis of the Ap- plicability of DSM Techniques in Industrial Load Management: Bangladesh Perspective. 2021. doi: 10.1109/ACMI53878.2021.9528141. 8. Silva Nuno, & Ferrão, Paulo. Flexible Demand Side Management in Smart Cities: Integrating Diverse User Profiles and Multiple Objectives. Energies. 2025. 18. 4107. doi: 10.3390/en18154107. 9. Zhang Chen, Zhang Xiurong, Wu Xianping, & Aziz Saddam. Statistical Machine Learning Model for Distributed Energy Planning in Industrial Park. Artificial Intelligence and Applications. 2024. 2. doi: 10.47852/bonviewAIA42021969. 10. Bessa Ferreira Viviane, Gomes Raphael, Domingos José, Fonseca Regina, Mendes Thiago, Bou- loukakis Georgios, Costa Bruno, & Haddad Assed. Planning Energy-Efficient Smart Industrial Spaces for Industry 4.0. Eng. 2025. 6. 53. doi: 10.3390/eng6030053. 11. Wang Tianyu, Wang Tianxin, Song Junqi, Zhao Jun, Leung Henry, & Wang Wei. An Industrial Energy Prediction Method Integrating Planning Information and Process Correlation Characteristics. IEEE Transactions on Automation Science and Engineering. 2025. P. 1. doi: 10.1109/TASE. 2025.3622135. 12. Schnell Felix, Weiner Peter, & Sauer Alexander. Python-based Industrial Energy System Plan- ning. 2025. P. 68–72. doi: 10.1109/CGEE65971.2025.11327666. 13. Leseure, Michel. (2024). From Aggregate Production Planning to Aggregate Energy Industrial Consumption Plans. Energies. 17. 6388. doi: 10.3390/en17246388. 14. Al-Shammari Wafaa, Atiyah Ola, & Kadhim Buraiha. Industrial planning site format and objec- tives. International Journal Multidisciplinary (IJMI). 2025. 3. P. 76–89. doi: 10.61796/ijmi.v3i1.401. 15. Luo Shuai, Tan Jing, Chen Hui, & Zhao Xiaofeng. Energy consumption prediction and control algorithm design for industrial decarbonization. 2025. 49. doi: 10.1117/12.3086850. 16. Zhou Xiaobo, Ge Shuxin, Chi Jiancheng, & Qiu Tie. Computation Offloading in Industrial Edge Computing. 2024. doi: 10.1007/978-981-97-4752-8_3. 17. Dontha Jyothsna. Edge Computing and Security in Industrial Control Systems. International Scientific Journal of Engineering and Management. 2024. 03. P. 1–8. doi: 10.55041/ISJEM01305. 18. Gao Tianao. Industrial automation anomaly detection based on BERT and edge sensor compu- ting. Neural Computing and Applications. 2025. 37. P. 28671–28689. doi: 10.1007/s00521-025-11590-y. 19. Ding Chonglei, Zhang Xiaoming, Liang Guangzhe, & Feng Jiaoyang. Optimizing Exergy Effi- ciency in Integrated Energy System: A Planning Study Based on Industrial Waste Heat Recovery. IEEE Access. 2024. P. 1. doi: 10.1109/ACCESS.2024.3468291. 20. Gao Liangfang, Li Junwu, Zhang Li, Hu Pengtao, Yang Zhiping, & Kang Zhenning. Exploration of Monte Carlo Method for Optimization of Energy Consumption in Industrial Enterprises in Energy Effi- ciency Diagnosis. Applied Mathematics and Nonlinear Sciences. 2024. 9. doi: 10.2478/amns-2024-3235. 21. Khalifeh Ala, Muath Yousef, Darabkh Khalid & Ioannou Iacovos. The Industrial Internet of Things (IIoT) and Edge Computing: Key Drivers of Industrial Digital Transformation. 2026. 22. Snehal Prof, Kunal Mr, Akshada Ms, Sanika Ms, & Shantanu Mr. Prediction of Energy Con- sumption Using Machine Learning. International Journal of Advanced Research in Science, Communica- tion and Technology. 2025. Р. 60–65. doi: 10.48175/IJARSCT-25108. 23. Rico Danel, Zulueta Ekaitz, Rodriguez-Guerra Jorge, Inziarte-Hidalgo Ibai, & Aramendia Iñigo. Cross-Validated Neural Network Optimization for Explainable Energy Prediction in Industrial Mobile Ro- bots. Applied Sciences. 2025. 15. 12644. doi: 10.3390/app152312644. В. О. Голець, О. В. Коваль 88 24. Chang Qing, Yuan Tiantian, Li Haifeng, Chen Yuxiang, Wang Xuehao, Gao Sen, Ren Hongsheng, Zhao Xiangyun & Wang Lingyu. A Data-Driven Method for Predicting and Optimizing Indus- trial Robot Energy Consumption Under Unknown Load Conditions. Actuators. 2024. 13. 516. doi: 10.3390/act13120516. 25. Mst Jannatul Kobra, Rahman Md, Zamadder Md Iqbal Hossain, & Rashid Mizanur. Optimizing self-adaptive IoT systems for energy efficiency and predictive maintenance in industrial automation. Com- puter Science & IT Research Journal. 2025. 6. Р. 649–661. doi: 10.51594/csitrj.v6i9.2064. 26. Yang Zuyuan, Xie Zitan, & Huang Zhiwei. Electricity consumption prediction based on auto- regressive Kalman filtering. Electrical Engineering. 2024. 107. Р. 5601–5614. doi: 10.1007/s00202-024- 02833-7. 27. Hossain Saddam, Hasanuzzaman Muhammad, Hossain Miraz, Amjad Mohammad Hamid, Shovon Md Shihab Sadik, Hossain Md, & Rahman Md Khalilor. Forecasting Energy Consumption Trends with Machine Learning Models for Improved Accuracy and Resource Management in the USA. Journal of Business and Management Studies. 2025. 7. Р. 200–217. doi: 10.32996/jbms.2025.7.1.15. Надійшла до редакції 25.11.2025
id	drspiprikievua-article-354594
institution	Data Recording, Storage & Processing
keywords_txt_mv	keywords
language	Ukrainian
last_indexed	2026-06-09T01:00:28Z
publishDate	2025
publisher	Інститут проблем реєстрації інформації НАН України
record_format	ojs
resource_txt_mv	drspiprikievua/52/590755d2409197e11ce5bc8d591e3e52.pdf
spelling	drspiprikievua-article-3545942026-06-08T07:18:31Z Architecture of the energy consumption management and planning system for long-term contract market participants Архітектура системи керування та планування енергоспоживання учасників ринку довгострокових договорів Голець, В. О. Коваль, О. В. програмне забезпечення, телеметрична інформація, семантична модель, семантичне моделювання, енергоспоживання, споживачі software, telemetry data, semantic model, semantic modeling, energy consumption, consumers of long-term energy contracts The modern electricity market places strict requirements on the accuracy of forecasting daily load schedules. For industrial enterprises that are participants in the bilateral contracts market, deviations of actual consumption from the planned one (imbalances) lead to significant financial losses. Traditional approaches to planning, based on static standards and averaged statistical data, do not take into account the dynamics of changes in the technical condition of equipment (wear, temperature conditions, vibrations), which reduces the accuracy of forecasts. This study aims to propose an architecture of a software-hardware system for monitoring and planning energy consumption of major energy market consumers, participants in the energy market of long-term contracts, taking into account the technical condition of production equipment in real time. A three-level model is proposed, including edge, fog and cloud levels covering all stages from data processing to decision making. The proposed architecture is reviewed from the point of view of connections between components, modules, sequences, and data exchange. Unlike traditional systems and approaches to energy consumption planning, which mainly use averaged statistical data to calculate energy consumption, the proposed solution integrates semantic modeling methods with the analysis of telemetric information from equipment sensors, which allows drawing conclusions and detecting deviations in equipment operation in real time and responding to them in a timely manner. The implementation of the proposed architecture allows enterprises to move from reactive to proactive energy consumption management. The testing results show that taking into account the current technical condition of the equipment allows you to reduce the forecast error and minimize the number of imbalances, which ensures the economic efficiency of the enterprise in a dynamic energy market. Fig.: 8. Refs: 27 titles. Запропоновано архітектуру програмно-апаратної системи контролю та планування енергоспоживання вагомих споживачів енергоринку, учас-ників енергоринку довгострокових договорів, з урахуванням технічного стану виробничого обладнання в режимі реального часу. Пропонована архітектура оглядається з точки зору зв’язків між компонентами, модулів, послідовностей і обміну даними. На відміну від традиційних систем і підходів до планування енергоспоживання, які переважно викорис-товують усереднені статистичні дані для обчислення енергоспоживання, запропоноване рішення інтегрує методи семантичного моделювання з аналізом телеметричної інформації від сенсорів обладнання, що дозволяє формувати висновки і в реальному часі виявляти відхилення в роботі обладнання та вчасно реагувати на них. Інститут проблем реєстрації інформації НАН України 2025-12-23 Article Article application/pdf https://drsp.ipri.kiev.ua/article/view/354594 10.35681/1560-9189.2025.27.3.354594 Data Recording, Storage & Processing; Vol. 27 No. 3 (2025): Special issue; 77-88 Регистрация, хранение и обработка данных; Том 27 № 3 (2025): Спецвипуск; 77-88 Реєстрація, зберігання і обробка даних; Том 27 № 3 (2025): Спецвипуск; 77-88 1560-9189 uk https://drsp.ipri.kiev.ua/article/view/354594/343184 Авторське право (c) 2025 Реєстрація, зберігання і обробка даних
spellingShingle	software telemetry data semantic model semantic modeling energy consumption consumers of long-term energy contracts Голець, В. О. Коваль, О. В. Architecture of the energy consumption management and planning system for long-term contract market participants
title	Architecture of the energy consumption management and planning system for long-term contract market participants
title_alt	Архітектура системи керування та планування енергоспоживання учасників ринку довгострокових договорів
title_full	Architecture of the energy consumption management and planning system for long-term contract market participants
title_fullStr	Architecture of the energy consumption management and planning system for long-term contract market participants
title_full_unstemmed	Architecture of the energy consumption management and planning system for long-term contract market participants
title_short	Architecture of the energy consumption management and planning system for long-term contract market participants
title_sort	architecture of the energy consumption management and planning system for long-term contract market participants
topic	software telemetry data semantic model semantic modeling energy consumption consumers of long-term energy contracts
topic_facet	програмне забезпечення телеметрична інформація семантична модель семантичне моделювання енергоспоживання споживачі software telemetry data semantic model semantic modeling energy consumption consumers of long-term energy contracts
url	https://drsp.ipri.kiev.ua/article/view/354594
work_keys_str_mv	AT golecʹvo architectureoftheenergyconsumptionmanagementandplanningsystemforlongtermcontractmarketparticipants AT kovalʹov architectureoftheenergyconsumptionmanagementandplanningsystemforlongtermcontractmarketparticipants AT golecʹvo arhítekturasistemikeruvannâtaplanuvannâenergospoživannâučasnikívrinkudovgostrokovihdogovorív AT kovalʹov arhítekturasistemikeruvannâtaplanuvannâenergospoživannâučasnikívrinkudovgostrokovihdogovorív

Architecture of the energy consumption management and planning system for long-term contract market participants

Репозитарії

Схожі ресурси