ПОСТРОЕНИЕ ТРЕНДОВОЙ СОСТАВЛЯЮЩЕЙ АДДИТИВНОЙ МОДЕЛИ ДОЛГОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ОБЪЕМОВ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ ОПТОВОГО РЫНКА ЭЛЕКТРИЧЕСКОЙ ЭНЕРГИИ И МОЩНОСТИ РОССИИ НА ПРИМЕРЕ ОБЪЕДИНЕННОЙ ЭНЕРГОСИСТЕМЫ УРАЛА

Вениамин Геннадьевич Мохов, Татьяна Сергеевна Демьяненко

Аннотация


В статье решена задача построения трендовой составляющей аддитивной модели долгосроч-
ного прогнозирования Оптового рынка электрической энергии и мощности России. Исходными
данными для моделирования были значения объемов потребления электроэнергии Объединенной
энергосистемы Урала за 2011–2017 гг., расположенные в открытом доступе сайта Системного
оператора Единой энергетической системы России. Тестом Чоу доказано, что рассматриваемый
временной промежуток можно считать единой совокупностью. На основе анализа ряда установле-
но наличие трендовой составляющей. Ошибка аппроксимации для модели тренда в виде полинома
второго порядка составила 0,33 %. Рассчитаны значения критериев Стьюдента и Фостера-
Стюарта, подтверждающие эффективность и адекватность построенной модели. Проверка значи-
мости результатов исследования показала, что разработанная модель является достоверной для
долгосрочного планирования объемов потребления рынка электрической энергии и мощности
России, и ее использование позволит повысить энергоэффективность производства промышлен-
ным предприятиям при работе на Оптовом рынке электрической энергии и мощности. Результаты
исследования рекомендуются субъектам электроэнергетики в их операционной деятельности и на-
учным работникам, занимающимся исследованием электроэнергетического рынка России.


Ключевые слова


трендовая составляющая, аддитивная модель, долгосрочное прогнозиро- вание, Оптовый рынок электрической энергии и мощности России, Объединенная энергосистема Урала, верифицируемость модели.

Полный текст:

PDF

Литература


Garcia, R.C. et al. A GARCH forecasting

model to predict day-ahead electricity prices / R.C.

Garcia // IEEE Transactions on Power Systems. –

– Vol. 20, No. 2. – P. 867–874. DOI:

1109/TPWRS.2005.846044

Mokhov, V.G. Modeling of the time series digressions

by the example of the UPS of the Ural / V.G.

Mokhov, T.S. Demyanenko. // Вестник ЮУрГУ. Се-

рия «Математическое моделирование и програм-

мирование». – 2015. – Т. 8, № 4. – С. 127–130. DOI:

14529/mmp150412

Gheyas, I.A. A Neural Network Approach to

Time Series Forecasting / I.A. Gheyas, L.S. Smith //

Proceedings of the World Congress on Engineering. –

London, 2009. – Vol. 2. – P. 1292–1296.

Pradhan, R.P. Forecasting Exchange Rate in

India. An Application of Artificial Neural Network

Model / R.P. Pradhan, R. Kumar // Journal of Mathematics

Research. – 2010. – Vol. 2, No. 4. – P. 111–

DOI: 10.5539/jmr.v2n4p111

Singh, S. Pattern Modelling in Time-Series

Forecasting / S. Singh // Cybernetics and Systems: An

International Journal. – 2000. – Vol. 31, No. 1. –

P. 49–65. DOI: 10.1080/019697200124919

Draper, N. Applied regression analysis / N.

Draper, H. Smith. – New York: Wiley, 1981. – 709 p.

Alfares, H.K. Electric load forecasting: literature

survey and classifcation of methods / H.K.

Alfares, M. Nazeeruddin // International Journal of Systems Science. – 2002. – Vol. 33. – P. 23–34. DOI:

1080/00207720110067421

Taylor, J.W. Short-Term Load Forecasting

Methods: An Evaluation Based on European Data /

J.W. Taylor, P.E. McSharry // IEEE Transactions on

Power Systems. – 2008. – Vol. 22. – P. 2213–2219.

DOI: 10.1109/TPWRS.2007.907583

Мохов, В.Г. Прогнозирование потребления

электрической энергии на оптовом рынке элек-

троэнергии и мощности / В.Г. Мохов, Т.С. Демья-

ненко // Вестник ЮУрГУ. Серия «Экономика и

менеджмент». – 2014. – Т. 8, № 2. – С. 86–92.


Ссылки

  • На текущий момент ссылки отсутствуют.