СТАТИСТИЧЕСКИЕ МОДЕЛИ ПРОГНОЗИРОВАНИЯ ЦЕН НА ОПТОВЫХ РЫНКАХ ЭЛЕКТРОЭНЕРГИИ: РОССИЙСКИЙ И ЗАРУБЕЖНЫЙ ОПЫТ

Инна Ивановна Дробыш

Аннотация


Предмет. В статье анализируются проблемы построения прогноза цен на электроэнергию в преде-
лах функционирования оптового рынка. Задача прогнозирования будущих цен на электроэнергию явля-
ется основой для планирования своей деятельности субъектами электроэнергетики (подаче заявок на
покупку или продажу электроэнергии, заключении двусторонних контрактов, выборе режимов потреб-
ления электроэнергии и работы электростанций).
Цели. Детальный анализ построения статистических моделей прогнозирования цен на электро-
энергию с учетом российского и зарубежного опыта.
Методология. Методологической основой стали исследование и систематизация научных трудов
российских и зарубежных авторов.
Результаты. Выделены основные этапы процесса построения статистических моделей прогнозиро-
вания цен на электроэнергию: анализ характеристик временных рядов, первичная корректировка рядов
и учет сезонности, выбор статистической модели прогнозирования, в том числе временных параметров
(глубина используемых данных, горизонт прогноза) и экзогенных переменных, оценка точности моде-
ли. Осуществлена систематизация подходов учета периодичности рядов и статистических моделей про-
гнозирования цен, а также анализ включенных экзогенных переменных.
Выводы. Модель прогнозирования строится с учетом характеристик рядов цен конкретного опто-
вого рынка. Объединение интегрированной модели авторегрессии – скользящего среднего и модели
обобщенной авторегрессионной условной гетероскедастичности позволяет улавливать многие важные
особенности рядов. Данный подход широко распространен и успешно используется. В ряде работ отме-
чено, что вейвлет-преобразования в сочетании с указанным подходом улучшают точность прогноза.
Однако безусловных доказательств превосходства по точности прогнозирования какой-либо одной мо-
дели над остальными не выявлено. В большинстве работ в качестве экзогенных переменных использо-
вались объем спроса, реже погодные переменные и цена на топливо. Отдельные работы уделили внима-
ние вопросам технологических характеристик рынков, проявления рыночной силы производителями и
особенностей правил рынков. Эти вопросы заслуживают дальнейшей проработки при построении моде-
лей прогнозирования.


Ключевые слова


оптовый рынок; электроэнергия; цена; характеристики временных рядов; модель прогнозирования; авторегрессия; обобщенная авторегрессионная условная гетероскедастичность; вейвлет-преобразование; точность модели; экзогенные переменные;

Полный текст:

PDF

Литература


Batlle C., Barquin J. Fuel Prices Scenario Generation Based on a Multivariate GARCH Model for Risk

Analysis in a Wholesale Electricity Market. Electrical Power and Energy Systems, 2004, vol. 23, pp. 273–280.

DOI: 10.1016/j.ijepes.2003.10.007

Aggarwal S., Saini L., Kumar A. Electricity Price Forecasting in Deregulated Markets: a Review and

Evaluation. Electrical Power and Energy Systems, 2009, vol. 31. pp. 13–22. DOI: 10.1016/j.ijepes.2008.09.003

Васин А.А., Васина П.А. Модели конкуренции функций предложения и их приложение к сете-

вым аукционам. М.: EERC, 2005. 48 c. [Vasin A.A., Vasina P.A Modeli konkurentsii funktsii predlozheniya i

ikh prilozhenie k setevym auktsionam [Models of Supply Functions Competition and their Application to the

Network Auctions]. Moscow, 2005. 48 p.]

Ladjicia A., Boudour M. Nash–Cournot Equilibrium of a Deregulated Electricity Market Using Competitive

Coevolutionary Algorithms. Electric Power Systems Research, 2011, vol. 81, no. 4, pp. 958–966. DOI;

1016/j.epsr.2010.11.016

Малинов С.Е. О необходимости применения моделей электроэнергетических систем при оценке

эффективности инвестиций в развитие электростанций // Труды ИСА РАН. 2013. Т. 63. C. 115–120.

[Malinov S.E. [About Relevance of the Application of Electric Power System Models in Assessing the Investment

Effectiveness in Power Plants Development]. Trudy ISA RAN [Proceedings of ISA RAS], 2013, vol. 63,

pp. 115–120. (in Russ.)]

Conejo A., Contreras J., Espinola R., Plazas M. Forecasting Electricity Prices For a Day-ahead Poolbased

Electric Energy Market. International Journal of Forecasting, 2005, vol. 21, pp. 435–462. DOI:

1016/j.ijforecast.2004.12.005

Айзенберг Н.И., Филатов А.Ю. Моделирование и анализ механизмов функционирования элек-

троэнергетических рынков. Иркутск: Изд-во Иркут. гос. ун-та, 2013, 100 с. [Aizenberg N.I., Filatov A.Yu.

Modelirovanie i analiz mekhanizmov funktsionirovaniya elektroenergeticheskikh rynkov [Modelling and Analysis

of the Electricity Markets Performance]. Irkutsk, 2013, 100 p.]

Чучуева И.А. Модель экстраполяции по максимуму подобия (ЭМП) для временных рядов цен и

объемов на рынке на сутки вперед ОРЭМ (Оптовом рынке электроэнергии и мощности). // Наука и об-

разование. 2010. № 1. URL: http://technomag.bmstu.ru/doc/135870.html. [Chuchueva I.A. [The Model for the

Extrapolation of the Maximum Similarity for the Time Series of Prices and Volumes on the Day Ahead Market

of the Wholesale Electricity Market]. Nauka i obrazovanie [Science and education], 2010, no. 1. Available at:

http://technomag.bmstu.ru/doc/135870.html (in Russ.)]

Higgs H., Worthington A. Stochastic Price Modeling of High Volatility, Mean-reverting, Spike-prone

Commodities: The Australian Wholesale Spot Electricity Market. Energy Economics, 2008, vol. 30, pp. 3172–

DOI: 10.1016/j.eneco.2008.04.006

Contreras J., Espinola R., Nogales F., Conejo A. ARIMA Models to Predict Next-day Electricity Prices.

IEEE Transactions on power systems, 2003, vol. 18, no. 3, pp. 1014–2020. DOI: 10.1109/TPWRS.2002.804943

Garcia R., Contreras J., Akkeren M., Garcia J. A GARCH Forecasting Model to Predict Day-ahead

Electricity Prices. IEEE Transactions on power systems, 2005, vol. 20, no. 2, pp. 867–874. DOI:

1109/TPWRS.2005.846044

Kian A., Keyhani A. Stochastic Price Modeling of Electricity in Deregulated Energy Markets. In: Proceedings

of the 34th Hawaii international conference on system sciences, 2001, pp. 1–7. DOI:

1109/HICSS.2001.926292

Knittel C., Roberts M. An Empirical Examination of Restructured Electricity Prices. Energy Economics,

, vol. 27, pp. 791–817. DOI: 10.1016/j.eneco.2004.11.005

Nogales F., Contreras J., Conejo A., Espinola R. Forecasting Next-day Electricity Prices by Time Series

models. IEEE Transactions on power systems, 2002, vol. 17, no. 2, pp. 342–348. DOI:

1109/TPWRS.2002.1007902

Vucetic S., Tomsovic K., Obradovic Z. Discovering Price – Load Relationships in California’s Electricity

Market. IEEE Transactions on power systems, 2001, vol. 16, no. 2, pp. 280–286. DOI: 10.1109/59.918299

Weron R., Misiorek A. Forecasting Spot Electricity Prices: A Comparison of Parametric and

Semiparametric Time Series Models. International Journal of Forecasting, 2008, vol. 24, pp. 744–763. DOI:

1016/j.ijforecast.2008.08.004

Liu H., Shi J. Applying ARMA–GARCH Approaches to Forecasting Short-term Electricity Prices. Energy

Economics, 2013, vol. 37, pp. 152–166. DOI: 10.1016/j.eneco.2013.02.006

Tan Z., Zhang J., Wang J., Xu J. Day-ahead Electricity Price Forecasting Using Wavelet Transform

Combined with ARIMA and GARCH Models. Applied Energy, 2010, vol. 87, pp. 3606–3610. DOI:

1016/j.apenergy.2010.05.012

Bowden N., Payne J. Short Term Forecasting of Electricity Prices for MISO Hubs: Evidence from

ARIMA–EGARCH Models. Energy Economics, 2008, vol. 30, pp. 3186–3197. DOI:

1016/j.eneco.2008.06.003

Karakatsani N., Bunn D. Forecasting Electricity Prices: The Impact of Fundamentals and Time-varying

Coefficients. International Journal of Forecasting, 2008, vol. 24, pp. 764–785. DOI:

1016/j.ijforecast.2008.09.008

Kim C., Yu I., Song Y. Prediction of System Marginal Price of Electricity Using Wavelet Transform

Analysis. Energy Conversion and Management, 2002, vol. 43, pp. 1839–1851. DOI: 10.1016/S0196-

(01)00127-3

García-Martos С., Rodríguez J., Sánchez M. Modelling and Forecasting Fossil Fuels, CO2 and Electricity

Prices and their Volatilities. Applied Energy, 2013, vol. 101, pp. 363–375. DOI:

1016/j.apenergy.2012.03.046

Koopman S., Ooms M., Carnero M. Periodic Seasonal Reg-ARFIMA-GARCH Models for Daily Electricity

Spot Prices. Journal of the American Statistical Association, 2007, vol. 102, no. 477, pp. 16–27. DOI:

1198/016214506000001022

Cuaresma J., Hlouskova J., Kossmeier S., Obersteiner M. Forecasting Electricity Spot-prices Using

Linear Univariate Time-series Models. Applied Energy, 2004, vol. 77, pp. 87–106. DOI: 10.1016/S0306-

(03)00096-5

Diongue A., Guégan D., Vignal B. Forecasting Electricity Spot Market Prices with a k-factor

GIGARCH Process. Applied Energy, 2009, vol. 86, pp. 505–510. DOI: 10.1016/j.apenergy.2008.07.005

Gianfreda A., Grossi L. Forecasting Italian Electricity Zonal Prices with Exogenous Variables. Energy

Economics, 2012, vol. 34, pp. 2228–2239. DOI: 10.1016/j.eneco.2012.06.024

Petrella A., Sapio S. А Time Series Analysis of the Italian Day-ahead Electricity Prices. 6th International

Conference on the European Energy Market, 2009. 24 p. DOI: 10.1109/EEM.2009.5207141

Перцовский О.Е. Моделирование валютных рынков на основе процессов с длинной памятью:

препринт WP2/2004/03. М.: ГУ ВШЭ, 2003. 52 c. [Pertsovskii O.E. Modelirovanie valyutnykh rynkov na

osnove protsessov s dlinnoi pamyat'yu [Modelling of the Foreign Exchange Markets Based on Processes with

Long Memory]. Preprint WP2/2004/03. Moscow, 2003. 52 p.]

Lisi F., Nan F. Component Estimation for Electricity Prices: Procedures and Comparisons. Energy Economics,

, vol. 44, pp. 143–159. DOI: 10.1016/j.eneco.2014.03.018

Box G., Jenkins G. Time Series Analysis: Forecasting and Control. San Francisco: Holden Day, 1976,

p.

Granger C.W.J., Joyeux R. An Introduction to Long-Memory Time Series Models and Fractional Differencing.

Journal of Time Series Analysis, 1980, no 1(1), pp. 15–29. DOI: 10.1111/j.1467-9892.1980.tb00297.x

Engle R.F. Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of UK

Inflation. Econometrica, 1982, vol. 50, pp. 987–1008. DOI: 10.2307/1912773

Bollerslev T. Generalized Autoregressive Conditional Heteroscedasticity. Journal of Econometrics,

, vol. 21, pp. 307–327. DOI: 10.1016/0304-4076(86)90063-1

Mallat S. A Theory for Multiresolution Signal Decomposition: The Wavelet Representation. Communications

on Pure and Applied Mathematics, 1988, vol. 41, pp. 674– 693.

Guegan D. A New Model: The k-factor GIGARCH Process. Signal Process, 2000, vol. 4, pp. 265–271.

Стофт С. Экономика энергосистем. Введение в проектирование рынков электроэнергии: пер. с

англ. М.: Мир, 2006. 623 с. [Stoft S. Power system economics. Designing markets for electricity. IEEE/Wiley,

, 460 p.] DOI: 10.1109/9780470545584.fmatter


Ссылки

  • На текущий момент ссылки отсутствуют.