Архітектура системи керування та планування енергоспоживання учасників ринку довгострокових договорів
DOI:
https://doi.org/10.35681/1560-9189.2025.27.3.354594Ключові слова:
програмне забезпечення, телеметрична інформація, семантична модель, семантичне моделювання, енергоспоживання, споживачіАнотація
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.
Посилання
Leherbauer D., Schulz J., Egyed A., Hehenberger P. Demand-side management in less energy-intensive industries: A systematic mapping study. Renewable and Sustainable Energy Reviews. 2025. 212. 115315. https://doi.org/10.1016/j.rser.2024.115315
Kotsar O. The improvement of planning and demand-side management processes. Power Engineering: Economics, Technique, Ecology. 2025. https://doi.org/10.20535/1813-5420.3.2025.339798
Barbero M., Corchero C., Heredia F.-J. Demand aggregator optimal strategies: from the bidding to the execution. 2023. https://doi.org/10.13140/RG.2.2.29091.22560
Chen D., Cui Q., Li D., Ren P. Integrated energy system planning for a heavy equipment manufacturing industrial park. Frontiers in Energy Research. 2024. 12. https://doi.org/10.3389/fenrg.2024.1448362
Groenewald H.J., Kleingeld M., Vosloo J. A performance-centred maintenance strategy for industrial DSM projects. 2015. pp. 50–53. https://doi.org/10.1109/ICUE.2015.7280246
Groenewald H., Rensburg J., Marais J. Business case for industrial DSM maintenance. 2014. pp. 1–5. https://doi.org/10.1109/ICUE.2014.6904167
Islam Noor-E-Taha Md. Saffatul, Kabir Md., Hossain Alamin, Hasan Md. Analysis of the Applicability of DSM Techniques in Industrial Load Management: Bangladesh Perspective. 2021. https://doi.org/10.1109/ACMI53878.2021.9528141
Silva N., Ferrão P. Flexible Demand Side Management in Smart Cities: Integrating Diverse User Profiles and Multiple Objectives. Energies. 2025. 18. 4107. https://doi.org/10.3390/en18154107
Zhang C., Zhang X., Wu X., Aziz S. Statistical Machine Learning Model for Distributed Energy Planning in Industrial Park. Artificial Intelligence and Applications. 2024. 2. https://doi.org/10.47852/bonviewAIA42021969
Bessa Ferreira V., Gomes R., Domingos J., Fonseca R., Mendes T., Bouloukakis G., Costa B., Haddad A. Planning Energy-Efficient Smart Industrial Spaces for Industry 4.0. Eng. 2025. 6. 53. https://doi.org/10.3390/eng6030053
Wang T., Wang T., Song J., Zhao J., Leung H., Wang W. An Industrial Energy Prediction Method Integrating Planning Information and Process Correlation Characteristics. IEEE Transactions on Automation Science and Engineering. 2025. pp. 1–1. https://doi.org/10.1109/TASE.2025.3622135
Schnell F., Weiner P., Sauer A. Python-based Industrial Energy System Planning. 2025. pp. 68–72. https://doi.org/10.1109/CGEE65971.2025.11327666
Leseure M. From Aggregate Production Planning to Aggregate Energy Industrial Consumption Plans. Energies. 2024. 17. 6388. https://doi.org/10.3390/en17246388
Al-Shammari W., Atiyah O., Kadhim B. Industrial Planning Site Format and Objectives. International Journal Multidisciplinary (IJMI). 2025. 3. pp. 76–89. https://doi.org/10.61796/ijmi.v3i1.401
Luo S., Tan J., Chen H., Zhao X. Energy consumption prediction and control algorithm design for industrial decarbonization. 2025. 49. https://doi.org/10.1117/12.3086850
Zhou X., Ge S., Chi J., Qiu T. Computation Offloading in Industrial Edge Computing. https://doi.org/10.1007/978-981-97-4752-8_3
Dontha J. Edge Computing and Security in Industrial Control Systems. International Scientific Journal of Engineering and Management. 2024. 03. P. 1–8. https://doi.org/10.55041/ISJEM01305
Gao T. Industrial automation anomaly detection based on BERT and edge sensor computing. Neural Computing and Applications. 2025. 37. pp. 28671–28689. https://doi.org/10.1007/s00521-025-11590-y
Ding C., Zhang X., Liang G., Feng J. Optimizing Exergy Efficiency in Integrated Energy System: A Planning Study Based on Industrial Waste Heat Recovery. IEEE Access. 2024. pp. 1–1. https://doi.org/10.1109/ACCESS.2024.3468291
Gao L., Li J., Zhang L., Hu P., Yang Z., Kang Z. Exploration of Monte Carlo Method for Optimization of Energy Consumption in Industrial Enterprises in Energy Efficiency Diagnosis. Applied Mathematics and Nonlinear Sciences. 2024. 9. https://doi.org/10.2478/amns-2024-3235
Khalifeh A., Yousef M., Darabkh K., Ioannou I. The Industrial Internet of Things (IIoT) and Edge Computing: Key Drivers of Industrial Digital Transformation.
Snehal Prof., Kunal Mr., Akshada Ms., Sanika Ms., Shantanu Mr. Prediction of Energy Consumption Using Machine Learning. International Journal of Advanced Research in Science, Communication and Technology. 2025. pp. 60–65. https://doi.org/10.48175/IJARSCT-25108
Rico D., Zulueta E., Rodriguez-Guerra J., Inziarte-Hidalgo I., Aramendia I. Cross-Validated Neural Network Optimization for Explainable Energy Prediction in Industrial Mobile Robots. Applied Sciences. 2025. 15. 12644. https://doi.org/10.3390/app152312644
Chang Q., Yuan T., Li H., Chen Y., Wang X., Gao S., Ren H., Zhao X., Wang L. A Data-Driven Method for Predicting and Optimizing Industrial Robot Energy Consumption Under Unknown Load Conditions. Actuators. 2024. 13. 516. https://doi.org/10.3390/act13120516
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. Computer Science & IT Research Journal. 2025. 6. pp. 649–661. https://doi.org/10.51594/csitrj.v6i9.2064
Yang Z., Xie Z., Huang Z. Electricity consumption prediction based on autoregressive Kalman filtering. Electrical Engineering. 2024. 107. pp. 5601–5614. https://doi.org/10.1007/s00202-024-02833-7
Hossain S., Hasanuzzaman M., Hossain M., Amjad M.H., 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. pp. 200–217. https://doi.org/10.32996/jbms.2025.7.1.15
