Оптимизация электропотребления обогатительной фабрики на основе статистического анализа

Рассмотрено решение актуальной задачи горного производства: оптимизации расхода электроэнергии на процессы обогащения руд путем математического моделирования данных статистического анализа, которая приобрела глобальную значимость и сдерживает темпы добычи минерального сырья для отраслей промышленности. Методика исследования основана на оценке зависимости электропотребления обогатительной фабрики от числа одновременно работающих технологических машин. Выполнен комплексный анализ работы электрооборудования участка обогащения руд. Сформулирован инженерный прогноз потребления электроэнергии в различных технологических режимах работы оборудования обогатительной фабрики на основе метода коэффициентов темпов роста. Выполнен прогноз динамики параметров электрообеспечения на основе регрессионных моделей методом наименьших квадратов. Дана экономическая оценка параметров повышения показателей эффективности использования электроэнергии с определением экономического эффекта за счет оптимизации режима загрузки оборудования. Показано, что относительная погрешность расчетов расхода электроэнергии по экспериментальному и теоретическому закону распределения исходных массивов информации не превышает допустимого значения. Рекомендовано поддерживать оптимальное значение производительности линий, исходя из номинальной производительности мельницы. Обосновано, что резервом экономии электроэнергии является повышение производительности мельниц до статистически обоснованной величины. Даны количественные значения размеров экономии электроэнергии дифференцированно для участков процесса обогащения. Результаты исследования могут быть востребованы при модернизации действующих и строительстве новых обогатительных фабрик, а также для обучения специалистов горного производства.

Клюев Р. В. Оптимизация электропотребления обогатительной фабрики на основе статистического анализа // Горный информационно-аналитический бюллетень. – 2024. – № 12. – С. 150–161. DOI: 10.25018/0236_1493_2024_12_0_150.

Клюев Роман Владимирович — д-р техн. наук, доцент, профессор, Московский политехнический университет, e-mail: kluev-roman@rambler.ru, ORCID ID: 0000-0003-3777-7203.

1. Golik V. I., Hasheva Z. M., Galachieva S. V. Diversification of the economic foundations of depressive mining region // The Social Sciences. 2015, vol. 10, no. 6, pp. 746—749.

2. Голик В. И. Перспективное направление восстановления потенциала Садона // Устойчивое развитие горных территорий. — 2022. — Т. 14. — № 1. — С. 68—75. DOI: 10.21177/1998-45022022-14-1-68-75.

3. Рыбак Я., Хайрутдинов М. М., Конгар-Сюрюн Ч. Б., Тюляева Ю. С. Ресурсосберегающие технологии освоения месторождений полезных ископаемых // Устойчивое развитие горных территорий. — 2021. — Т. 13. — № 3(49). — С. 405—415. DOI: 10.21177/1998-4502-2021-133-406-415.

4. Похиленко Н. П., Афанасьев В. П., Толстов А. В., Крук Н. Н., Похиленко Л. Н., Иванова О. А. Перспективы развития и проблемы освоения сырьевой базы дефицитных стратегических видов твердых полезных ископаемых Сибири // Геология рудных месторождений. — 2023. — Т. 65. — № 5. — C. 476—492. DOI: 10.31857/S0016777023050088.

5. Zhao X., Yang Y., Sun F., Wang Bo, Zuo Y., Li M., Shen J., Mu F. Enrichment mechanism and exploration and development technologies of high coal rank coalbed methane in south Qinshui Basin, Shanxi Province // Petroleum Exploration and Development. 2016, vol. 43, no. 2, pp. 332—339. DOI: 10.1016/S1876-3804(16)30039-8.

6. Шадрунова И. В., Колодежная Е. В., Горлова О. Е. Разработка технологии сухого обогащения флюоритовых руд // Горный информационно-аналитический бюллетень. — 2023. — № 2. — С. 43—57. DOI: 10.25018/0236_1493_2023_2_0_43.

7. Baigenzhenov O., Khabiyev A., Mishra B., Aimbetova I., Yulusov S., Temirgali I., Kuldeyev Y., Korganbayeva Z. Asbestos waste treatment — an effective process to selectively recover gold and other nonferrous metals // Recycling. 2022, vol. 7, no. 6, article 85. DOI: 10.3390/recycling7060085.

8. Wang J., Zhao Q., Ning P., Wen Sh. Greenhouse gas contribution and emission reduction potential prediction of China's aluminum industry // Energy. 2024, vol. 290, article 130183. DOI: 10.1016/j. energy.2023.130183.

9. Filonchyk M., Peterson M. P., Yan H., Gusev A., Zhang L., Yang Sh. Greenhouse gas emissions and reduction strategies for the world's largest greenhouse gas emitters // Science of the Total Environment. 2024, vol. 994, article 173895. DOI: 10.1016/j.scitotenv.2024.173895.

10. Куликова А. А., Хабарова Е. И. Использование биологических рабочих агентов для снижения углеродного следа // Устойчивое развитие горных территорий. — 2024. — Т. 16. — № 1. — С. 311—321. DOI: 10.21177/1998-4502-2024-16-1-311-321.

11. Brigida V. S., Golik V. I., Klyuev R. V., Sabirova L. B., Mambetalieva A. R., Karlina Yu. I. Efficiency gains when using activated mill tailings in underground mining // Metallurgist. 2023, vol. 67, no. 3-4. DOI: 10.1007/s11015-023-01526-z.

12. Wang M., Wang X., Liu W. A novel technology of molybdenum extraction from low grade Ni— Mo ore // Hydrometallurgy. 2009, vol. 97, no. 1-2, pp. 126—130. DOI: 10.1016/j.hydromet.2008.12.004.

13. Моргоева А. Д., Моргоев И. Д., Клюев Р. В., Гаврина О. А. Прогнозирование потребления электрической энергии промышленным предприятием с помощью методов машинного обучения // Известия Томского политехнического университета. Инжиниринг георесурсов. — 2022. — Т. 333. — № 7. — C. 115—125. DOI: 10.18799/24131830/2022/7/3527.

14. Wang Y., Zhang N., Chen X. A short-term residential load forecasting model based on LSTM recurrent neural network considering weather features // Energies. 2021, vol. 14, no. 10, article 2737. DOI: 10.3390/en14102737.

15. Клюев Р. В., Хетагуров В. Н., Гаврина О. А., Плиева М. Т. Комплексный анализ потребления электроэнергии мельниц самоизмельчения обогатительной фабрики // Горный информационно-аналитический бюллетень. — 2023. — № 5-1. — С. 145—156. DOI: 10.25018/0236_1493_ 2023_51_0_145.

16. Zhukovskiy Y., Batueva D., Buldysko A., Shabalov M. Motivation towards energy saving by means of IoT personal energy manager platform // Journal of Physics: Conference Series. 2019, vol. 1333, no. 6, article 062033. DOI: 10.1088/1742-6596/1333/6/062033.

17. Зиновьева О. М., Смирнова Н. А. К вопросу оценки надежности технических устройств на горных предприятиях // Горный информационно-аналитический бюллетень. — 2024. — № 1. — С. 157—168. DOI: 10.25018/0236_1493_2024_1_0_157.

18. Khan A.-N., Iqbal N., Rizwan A., Ahmad R., Kim D.-H. An ensemble energy consumption forecasting model based on spatial-temporal clustering analysis in residential buildings // Energies. 2021, vol. 14, no. 11, article 3020. DOI: 10.3390/en14113020.

19. Albuquerque P. C., Cajueiro D. O., Rossi M. D. C. Machine learning models for forecasting power electricity consumption using a high dimensional dataset // Expert Systems with Applications. 2022, vol. 187, article 115917. DOI: 10.1016/J.ESWA.2021.115917.

20. Buechler E., Goldin A., Rajagopal R. Improving the load flexibility of stratified electric water heaters: design and experimental validation of MPC strategies // IEEE Transactions on Smart Grid. 2024, vol. 15, pp. 3613—3623. DOI: 10.1109/TSG.2024.3366116.

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

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

23. Ahmadi M., Soofiabadi M., Nikpour M., Naderi H., Abdullah L., Arandian B. Developing a deep neural network with fuzzy wavelets and integrating an inline PSO to predict energy consumption patterns in urban buildings // Mathematics. 2022, vol. 10, no. 8, article 270. DOI: 10.3390/math10081270.