Управління енергоефективністю промислового підприємства та інтелектуальні методи управління

Abstract

В статті розглянуті основні функції управління підприємства, встановлено, що вони аналогічні функціям управління енергоефективністю промислового підприємства. Виявлено, що найважливішим етапом управління підприємства є планування, на якому розробляються конкретні цілі, що підприємство бажає досягти в запланований період і яке визначає зміст подальших етапів управління. Доведено, що на етапі планування управління енергоефективністю доцільно прогнозування науково обґрунтованого показника енергоефективності - значення показника енергоємності підприємства. Для вирішення цього завдання запропоновано використовувати інтелектуальні методи управління, зокрема метод штучних нейронних мереж. Обґрунтовано вибір штучної нейронної мережі виду "багатошаровий прямоспрямований персептрон", вхідними величинами якої були визнані п’ять чинників, які у найбільшій мірі впливають на енергоефективність підприємства, а вихідної - показник енергоємності. Приведені розрахунки по статистичним даним чотирьох промислових підприємств харківського регіону з застосуванням нейронних мереж підтвердили достатню точність прогнозування значення показника енергоємності. Показано, що згідно з методологією безперервного покращання PDCA управління енергоефективністю підприємства, на етапі планування доцільно використовувати результати раніше запропонованої методики. В залежності від двох видів задач наведені структурні взаємозв’язки використання вихідної величини нейронної мережі з вирішенням важливих завдань планування: розробки енергетичної стратегії підприємства, програми енергозбереження, програми енергоменеджменту, програми інформування і навчання персоналу та інше. Зроблено висновок, що для покращення управління енергоефективністю підприємства доцільно виділення в службі енергоменеджменту кваліфікованих фахівців для щорічного накопичення статистичних даних, забезпечення коректності визначення впливових чинників, синтезу нейронної мережі з урахуванням особливостей промислового підприємства та розробки пропозицій щодо програм енергозбереження.The article discusses the main functions of enterprise management, found that they are similar to the functions of energy efficiency management of an industrial enterprise. It is revealed that the most important stage of enterprise management is planning, which develops specific goals that the company wants to achieve in the planned period and determines the content of further stages of management. It has been proven that at the planning stage of energy efficiency management it is advisable to forecast a scientifically-based energy efficiency indicator - the values of the enterprise energy intensity indicator. To solve this problem, it is proposed to use intelligent control methods, in particular, the method of a rtificial neural networks. The choice of an artificial neural network of the " multilayer straight directional perceptron" type was justified, the input values of which identified five factors that most affect the energy efficiency of the enterprise, and the output - energy intensity indicator. The above calculations based on statistical data of four industrial enterprises of the Kharkiv region using neural networks confirmed the sufficient accuracy of predicting the value of the energy intensity index. It is shown that according to the methodology of continuous improvement of the PDCA, the enterprise’s energy efficiency management at the planning stage, it is advisable to use the results of the previously proposed methodology. Depending on the two types of tasks, the structural relationships of using the initial values of the neural network with the solution of important planning tasks are given: deve lopment of an enterprise energy strategy, energy conservation programs, energy management programs, staff information and training programs, etc. in the energy management service of qualified specialists for the annual accumulation of statistical data, ensuring Correctness of determination of in fluential factors, synthesis of a neural network taking into account the features of an industrial enterprise and the development of proposals for energy saving programs.